Detalles

Categoría: Maple

Publicado: 27 Octubre 2025

Visto: 512

La base matemática de muchos proyectos de ingeniería suele elaborarse de forma desordenada, ya sea en papel o en una hoja de cálculo. Sin embargo, este enfoque informal conlleva riesgos. No solo pueden propagarse errores de cálculo a lo largo del proyecto, sino que también se corre el riesgo de perder las suposiciones, la información y los detalles de derivación necesarios para trabajos futuros. Con Maple, puede tratar sus cálculos como el valioso recurso que son. Las expresiones matemáticas se muestran en notación estándar, por lo que son fáciles de interpretar y cualquier error cometido al ingresar el problema es fácil de detectar y corregir. Puede combinar matemáticas, texto, imágenes, gráficos y más en un solo documento, de modo que pueda registrar todas sus suposiciones, razonamientos, ideas y conclusiones junto con sus cálculos, para que siempre estén disponibles cuando los necesite. Todos sus cálculos, documentación, datos y análisis se almacenan en un solo archivo, por lo que no se pierde nada y es fácil compartir su trabajo con otros. Hay varias opciones de implementación disponibles para que sus documentos y aplicaciones interactivas de Maple estén disponibles para otros, incluso si no tienen Maple.

Detalles

Categoría: Comsol

Publicado: 27 Octubre 2025

Visto: 622

• COMSOL Multiphysics
• elementos finitos (FEM, MEF)
• simulación PDE
• CAD Import Module
• Battery Design Module
• Structural Mechanics Module
• Nonlinear Structural Materials Module

Las baterías de estado sólido (SSB, solid state batteries) representan la próxima generación del almacenamiento energético, ofreciendo mayor densidad de energía, tiempos de carga más rápidos y una seguridad superior en comparación con las baterías de ion-litio convencionales. Entre las ventajas destacadas, las SSB podrían alcanzar vidas útiles de 15-20 años y tiempos de carga de solo 3-12 minutos para alcanzar el 80 % de su capacidad, gracias a la eliminación del electrolito líquido y a su mayor integridad estructural.

La simulación es clave para entender y optimizar su comportamiento, permitiendo analizar el transporte iónico, las reacciones electroquímicas y las tensiones mecánicas dentro de un mismo entorno de modelado. En este sentido, COMSOL Multiphysics^® se presenta con una herramienta con enorme potencial [1]. En el tutorial “Heterogeneous Model of a Solid-State Battery Unit Cell” [2], se presenta un modelo heterogéneo de una batería SSB en COMSOL Multiphysics^®. El modelo de celda, cuya geometría se muestra en la Figura 1, incluye:

• Electrodo positivo compuesto: el material activo se aproxima mediante partículas esféricas, y un electrolito sólido rellena los espacios vacíos.
• Electrodo negativo de litio metálico.
• Separador de electrolito sólido entre el electrodo positivo y el negativo.

La Figura 2 muestra el entorno de modelización y simulación de este ejemplo de SSB en COMSOL Multiphyscis^®. Los módulos recomendados para realizar este tipo de simulaciones son: Battery Design Module, CAD Import Module, Structural Mechanics Module, y Nonlinear Structural Materials Module.

Figura 1. Geometría de la batería SSB modelizada en COMSOL Multiphysics®.

Figura 2. Entorno de simulación en COMSOL Multiphysics® para un modelo de SSB.

Referencias

[1] COMSOL Blog, Modeling a Solid-State Battery Cell in COMSOL Multiphysics® (2025).
[2] COMSOL Application Library: Heterogeneous Model of a Solid-State Battery Unit Cell

Detalles

Categoría: Minitab

Publicado: 27 Octubre 2025

Visto: 524

• Minitab
• simulacion
• Minitab Workspace
• Monte Carlo

Por Josué Zable.

Al diseñar un nuevo producto, incluso las variaciones más pequeñas pueden generar grandes problemas. Ya sea un conjunto de motor, la carcasa de un smartphone o un dispositivo médico, cada componente debe encajar con precisión para que el producto final funcione según lo previsto. Aquí es donde entra en juego el análisis de acumulación de tolerancias.

¿Qué es el análisis de acumulación de tolerancia?

El análisis de acumulación de tolerancias se utiliza para optimizar el diseño de productos para su ensamblaje. En efecto, se utiliza para calcular los efectos acumulativos de las tolerancias de las piezas en un ensamblaje. En general, la mayoría de los ingenieros comprenden la importancia de definir tolerancias optimizadas por pieza, pero pueden no considerar las tolerancias globales, especialmente en un entorno de ensamblaje y prueba. El análisis de acumulación de tolerancias ayuda a los ingenieros a predecir cómo se combinan las variaciones de las piezas en un ensamblaje y si el resultado final cumplirá con las especificaciones incluso antes de construir el primer prototipo.

Dos tipos de análisis de acumulación de tolerancias: el peor de los casos y el método Monte Carlo

Hay dos enfoques principales para el análisis de acumulación de tolerancia:

Análisis del peor caso posible: este enfoque asume que todas las tolerancias se encuentran en sus límites extremos en la misma dirección. Es simple y conservador, lo que garantiza el ajuste, pero a menudo conlleva ingeniería excesiva y costos innecesarios.

Análisis de Monte Carlo: Este enfoque utiliza distribuciones de probabilidad para modelar la variación en el mundo real. En lugar de asumir lo peor, simula miles de resultados de ensamblaje para estimar la probabilidad de fallo. Este enfoque refleja la realidad con mayor precisión y puede justificar tolerancias más flexibles (y más económicas), manteniendo el rendimiento.

Cómo realizar el apilamiento de tolerancias de Monte Carlo en Minitab

Con la herramienta de simulación de Monte Carlo de Minitab Workspace, los ingenieros pueden configurar rápidamente un modelo de tolerancia:

1. Definir entradas: Ingrese las dimensiones de los componentes y sus tolerancias o distribuciones (normal, uniforme, etc.).
2. Construya la ecuación: combine estas entradas para representar la dimensión general del ensamblaje.
3. Ejecutar simulaciones: Minitab simula miles de combinaciones de ensamblajes.
4. Interpretar resultados: ver la distribución de salida, la capacidad (Ppk/Cpk) y la probabilidad de cumplir con las especificaciones.

Construir mejores productos con diseño basado en datos

El análisis de acumulación de tolerancias acorta la distancia entre la intención de diseño y la realidad de fabricación. Al cuantificar la incertidumbre, los ingenieros toman decisiones informadas que equilibran el rendimiento, el coste y la viabilidad de fabricación. Si bien el análisis del peor caso posible puede ser más común y sigue siendo eficaz, la simulación de Monte Carlo proporcionará, en última instancia, un enfoque más realista, permitiendo tolerancias más flexibles y proporcionando un enfoque de diseño más práctico.

Detalles

Categoría: Comsol

Publicado: 23 Octubre 2025

Visto: 672

• COMSOL Multiphysics
• COMSOL Conference
• Conferencias invitadas

En la Conferencia COMSOL 2025 de Ámsterdam, tendrá la oportunidad de ver cómo otros ingenieros e investigadores utilizan el modelado y la simulación en sus respectivos campos. Entre otras sesiones, los tres días de la conferencia incluirán dos sesiones con ponencias invitadas consecutivas, seleccionadas por el comité del programa a partir de las propuestas de Showcase Your Work.

Vea la lista de charlas invitadas a continuación:

SESIÓN 1

• "3D Microstructure-Resolved Modeling of Zinc–Air Batteries: Impact on Rechargeability and Performance", por Mahshid Moradi, Technical University of Berlin
• "Coupling Multiscale Phenomena in Alkaline Electrolyzer Stack Simulation Using Reduced-Order Models", por Kresten Juel Jensen, resolvent P/S
• "Analyzing the Interplay Between Strain, Temperature, and Optical Response in GeSn Microstructures", por Costanza Lucia Manganelli, IHP - Leibniz Institute for Innovative Microelectronics
• "Impact of the Key Aging Mechanisms in NMC Batteries and Their Consequences in Degradation", por Rashid Ahmed Rifat, BIC-MOBI, Vrije Universiteit Brussel

SESIÓN 2

• "How to Build a Digital Twin with a COMSOL App for Industrial Continuous Monitoring", por Giuseppe Petrone, BE CAE & Test
• "Simulation Apps at LEONI: Use Cases, Challenges, and Solutions Within a Global Company", por Michael Dauer, LEONI Bordnetz-Systeme GmbH
• "A New Licensing Tool for Compiled COMSOL Apps", por Daniel Ericsson, Deflexional AB
• "3ω-method in Production Flow for Thermal Flow Sensors", por Yuliia Tykhonenko-Polishchuk, Saxion University of Applied Sciences, LED, Applied Nanotechnology Research Group

SESIÓN 3

• "Innovative Product Design in EV Charging Connectors: Leveraging Topology and Shape Optimization", por Roman Obrist, Huber+Suhner AG
• "Modeling and Optimization of 3D Electroformed Ni Electrodes for Alkaline Electrolysis in COMSOL®", por Abimbola Ashaju, Veco B.V.
• "Lifetime Prediction of PEM Fuel Cells in Maritime Applications", por Binaya Baidar, ABB
• "3D Transient Simulation of a Planar SOFC: Bridging Microstructure and Multiphysics Models", por Mohamed El-Hachemi, Luxembourg Institute of Science and Technology

SESIÓN 4

• "Modeling Superconductor AC Losses in the STEP TF Magnet During Plasma Initiation", por P.C. Spruijtenburg, Demcon multiphysics
• "Evolution of a Geological Disposal Facility for Radioactive Waste in Domal Salt", por Jeroen Bartol, COVRA
• "Development and Utilization of Models for the Electrical Conditions in Submerged Arc Furnaces (SAF)", por Manuel Sparta, NORCE Research
"Multiphysics Modeling of Electrohydrodynamic Drying — A Staggered Modeling Approach", por Zulhaj Rizki, Wageningen University

SESIÓN 5

• "Simulation and Validation of the Transfer Molding Process of a Large-Scale Power Semiconductor Module", por Cédric Kocher, University of Applied Sciences and Arts Northwestern Switzerland, Institute of Thermal and Fluid Engineering
• "Efficient Thermohydrodynamic Lubrication Modeling of Polymer Sliders Accounting for Cavitation", por Giorgos Kakolyris, Delft University of Technology
• "Computational Modeling of Lymph Node Flow, Cell Transport, and Tissue Mechanics", por Riana Priya Kandhai, University of the West Indies
• "Modeling the Dry Conversion Process with COMSOL Multiphysics®", por Patrick Namy, SIMTEC

SESIÓN 6

• "Surrogate Modeling-Based Optimization in Horology", por Gaétan Simonnot, HEPIA, University of Applied Sciences and Arts Western Switzerland
• "Synchrotron X-Ray and FE Modeling of Flax Yarns for Technical Textile Applications", por Sofiane Guessasma, INRAE
• "Modeling of the Molten Metal Hydrodynamics in Vacuum Arc Cathode Spots Using the Level Set Method", por Anamaria Spataru, Siemens Energy
• "Boosting the Actuator Efficiency of Reluctance Actuators with Permanent Magnets", por Mariёlle Meijer, Demcon high-tech systems

Detalles

Categoría: Lakes

Publicado: 22 Octubre 2025

Visto: 398

• AERMOD View
• Lakes
• CALPUFF View
• CALPUFF
• AERMOD

Existen muchas razones por las que puede ser necesario crear una copia de un proyecto de modelado. Quizás se desee modificar un escenario sin sobrescribir los resultados anteriores, o se necesite volver a ejecutar el proyecto con un conjunto diferente de datos meteorológicos, manteniendo el resto de las entradas.

Detalles

Categoría: Minitab

Publicado: 21 Octubre 2025

Visto: 460

• Minitab
• análisis de regresión
• fabricación
• Minitab Statistical Software
• producción
• análisis predictivo
• Minitab Solution Center
• Módulo de analítica predictiva

Por Adam Russell y Brittany Clinton

A medida que la fabricación de procesos se automatiza y se integra digitalmente, el volumen y la complejidad de los datos de proceso se han disparado. Los sensores registran miles de variables en tiempo real. Las métricas se rastrean en turnos, lotes y máquinas. Los métodos estadísticos tradicionales, aunque siguen siendo valiosos, a veces no logran gestionar la magnitud, la complejidad y los matices de estos datos.

Aquí es donde entra en juego el aprendizaje automático (ML), y el análisis predictivo de Minitab puede ayudarle. En resumen, el ML permite a los fabricantes descubrir patrones, predecir resultados y optimizar el rendimiento de maneras que antes no eran posibles. A diferencia de la regresión clásica, el ML no requiere suposiciones estrictas sobre la estructura de los datos. Aprende directamente de ejemplos reales, gestionando la multicolinealidad, los efectos rezagados, el comportamiento no lineal y más.

En el modelado clásico, el objetivo es definir relaciones matemáticas entre las variables de entrada (X) y las variables de salida (Y). Sin embargo, en muchos procesos, la función subyacente es demasiado compleja o desconocida. El aprendizaje automático no intenta adivinar la fórmula. Aprende patrones directamente de los datos, utilizando ejemplos uno tras otro para construir un modelo que predice Y al dar nuevos valores de X. Esto lo hace ideal para entornos de fabricación, donde los procesos son complejos y las interacciones entre variables son difíciles de definir. El aprendizaje automático aprende sin necesidad de que un humano predefina las reglas.

A continuación, se presentan seis trampas comunes en el análisis de datos que la suite de Análisis Predictivo de Minitab puede combatir. Recomendamos a todos los profesionales con nivel Black Belt y Master Black Belt que se familiaricen plenamente con las técnicas de regresión múltiple antes de utilizar el aprendizaje automático. Nuestro objetivo es ayudar a los profesionales a condensar el número de variables de entrada plausibles a las mínimas significativas para su posterior exploración mediante el Diseño de Experimentos, un método ampliamente compatible con Minitab.

Las seis trampas

Trampa n.° 1: Datos sucios

Los datos históricos pueden estar contaminados con valores extremos, valores atípicos y valores faltantes. Estos problemas dificultan la estimación fiable de coeficientes de ecuaciones de regresión.

• Valores extremos: un valor único, X_i, puede estar alejado del resto de los datos; si este es el caso, X_i puede ejercer una gran influencia en la estimación de regresiones.
• Valores atípicos: X_i puede no estar muy lejos de los otros valores X, pero el residuo del modelo (real - predicción) puede ser grande y mayor que 3 desviaciones estándar, suponiendo que los residuos se distribuyen normalmente con un promedio general = 0.
• Valores faltantes: en la regresión por pasos y de mejores subconjuntos, se eliminarán filas enteras de datos si algún predictor elegido (X) tiene un valor faltante en la fila.

Trampa n.° 2: Big Data

El tamaño de los datos está relacionado con el número de filas y el número de columnas.

• Si el número de predictores (p) es grande en relación con el número de observaciones (n), entonces esto se vuelve muy complejo, o incluso computacionalmente imposible, para la regresión clásica.
• En la regresión clásica, n debe ser mayor que p para estimar el error del modelo y calcular los valores p de cada predictor. Si no se estima el error del modelo, no existe un valor de r-cuadrado.
• Sin r-cuadrado y residuos, no podemos saber si la ecuación de regresión modela bien los datos.

Trampa n.° 3: Multicolinealidad

Cuando las entradas (X) están correlacionadas (son dependientes) entre sí, los coeficientes de correlación entre dos predictores superiores a 0,5 indican un problema.

• La ventana de sesión de regresión clásica proporciona información sobre la multicolinealidad.
• Factor de Inflación de la Varianza (FIV): mide cuánto aumenta la varianza de un coeficiente de regresión estimado si los predictores están correlacionados. FIV = 1 / (1 – r² ). Si FIV > 5, esto podría representar un problema grave para el modelo.
• R-cuadrado y R-cuadrado (ajustado): Añadir predictores correlacionados en un modelo de regresión clásica provoca la divergencia de estos valores. El R-cuadrado (ajustado) impide al modelador incluir predictores correlacionados con otros predictores ya presentes en el modelo.

Trampa n.° 4: Interacciones

Cuando la influencia de un predictor (X₁) depende de la configuración de un segundo predictor independiente (X₂).

• Las interacciones aumentan los términos del modelo: matemáticamente, el número de interacciones aumenta exponencialmente con el número de predictores. Las interacciones pueden ser bidireccionales, tridireccionales, cuádruples, etc. En la práctica, las interacciones bidireccionales son frecuentes, pero las interacciones de orden superior son poco frecuentes.
• Interacciones globales vs. locales: La regresión clásica obliga a que las interacciones sean globales; si se descubre que una interacción es significativa, debe ocurrir por igual en todas las dimensiones del espacio predictor. Las interacciones localizadas pueden ocurrir en la industria, pero son difíciles de modelar con la regresión clásica.

Trampa n.° 5: No linealidad

La regresión clásica es lineal por diseño. La expresión común de regresión lineal es Y = mx + b. Esta fórmula básica puede extenderse a otros tipos de ecuaciones lineales. Por ejemplo, X² es una función lineal. Sin embargo, 2^X no lo es. Para que una función sea lineal, debe serlo en sus exponentes.

Las funciones no lineales no se pueden modelar mediante regresión simple, regresión por pasos o regresión por mejores subconjuntos. Si se espera no linealidad, el usuario debe proporcionar la relación no lineal subyacente o elegir entre varias alternativas.

El aprendizaje automático asume que todas las relaciones X-Y son no lineales. Esta suposición significa que incluso las funciones lineales pueden modelarse de forma sencilla con algoritmos de aprendizaje automático. El usuario no necesita conocer la función no lineal adecuada para continuar con el aprendizaje automático.

Trampa n.° 6: Efectos retardados

En el análisis de datos de fabricación de procesos continuos, el analista debe crear o desplazar con frecuencia cada predictor (X) hacia adelante en el tiempo para que coincida con la respuesta esperada (Y). Si bien la regresión clásica también puede gestionar los efectos rezagados, los modelos de aprendizaje automático suelen ser más eficaces a la hora de incorporarlos.

Por ejemplo, un proceso químico tiene un predictor importante (X) de una variable de respuesta (Y). El tiempo de residencia nominal del proceso es de 4 horas. Si el operador modifica X, la variable de respuesta (Y) cambia 4 horas después del cambio en X. Por supuesto, este sencillo ejemplo implica ciertas suposiciones importantes. En ocasiones, los procesos de flujo pistón no son exactamente de flujo pistón y la retromezcla influye. En ocasiones, el efecto del cambio en X se extiende en el tiempo en comparación con la respuesta en Y. En estas situaciones, es necesario evaluar múltiples desplazamientos temporales del predictor (X).

De las trampas a la transformación

Los métodos tradicionales siguen siendo valiosos, pero no siempre están diseñados para la escala y la complejidad de los datos de fabricación de procesos modernos. El aprendizaje automático en el análisis predictivo de Minitab ayuda a superar estos desafíos al gestionar automáticamente la no linealidad, los efectos retardados y las variables complejas del mundo real. Con él, puede ir más allá del simple análisis de datos para predecir resultados, prevenir fallos y optimizar el rendimiento con confianza.