Detalles

Categoría: Minitab

Publicado: 06 Febrero 2024

Visto: 2191

Por Óliver Franz

Hay pocas cosas peores que un apartamento o una casa fría.

Viviendo en Chicago, he llegado a conocer muy bien esa lucha y, déjenme decirles, es desagradable.

Para dar un poco de información general, vivo en un dúplex en comunidad de propietarios en Chicago. Contamos con una habitación trasera que sirve como mitad habitación de invitados, mitad oficina. Entonces, cuando trabajo de forma remota o fuera del horario estándar, ahí es donde hago la mayor parte de mi trabajo para Minitab.

Sin embargo, hay un problema. La habitación es fría. No sólo un podo de frío, sino mucho fr-io. Hay dos respiraderos de calefacción, pero la habitación no está muy bien aislada (tres de las paredes también son paredes exteriores) y hay una gran puerta doble que conduce a nuestra terraza trasera y dos ventanas grandes.

Un día de diciembre decidi que ya era suficiente. Quería entender mejor por qué nuestra oficina central estaba tan fría.

Afortunadamente tengo acceso al conjunto completo de soluciones de Minitab.

MÉTODOS

Primero, necesitaba decidir qué variables podrían afectar la temperatura de nuestra oficina. Después de investigar un poco, llegué a la temperatura exterior, la velocidad del viento, si la puerta del pasillo estaba abierta o cerrada y si nuestros vecinos de abajo estaban en la ciudad, ya que generalmente bajan el tesmostato mientras viajan. Supuse que dejar la puerta del pasillo abiera podría permitir que entrara más calor en la habitación.

Desde el 28 de diciembre hasta el 16 de enero, registré todas las variables aproximadamente a la misma hora todos los días: 6:00 p.m. También utilicé un temómetro Ecobee para registrar la temperatura interior de la oficina y ver qué variables tenían el mayor impacto. Configuré nuestro termostato a 70 grados todos los días para reducir la variación.

Luego, hice los números.

RESULTADOS

No es un secreto que no soy estadístico, por lo que es bueno que Minitab Statistical Software y Predictive Analyitics sean tan fáciles de usar.

Después de utilizar el módulo de Analítica Predictiva de Minitab, obtuve varios hallazgos clave. Utilicé el aprendizaje automático para generar un gráfico de importancia relativa de las variables y un gráfico de dependencia parcial del predictor.

Primero, con la tabla de imporancia relativa de variables pude determinar que las dos variables más importantes con respecto a la temperatura en la oficina eran el estado de apertura de la puerta del pasillo y la velocidad del viento exterior:

La importancia de las variables mide la mejora del modelo cuando se hacen divisiones en un predictor. La importancia relativa se difine como el % de mejora respecto al predictor superior.

Si bien mis vecinos estaban en la ciudad y la temperatura exterior todavía tuvo un ligero impacto, fue mucho menor que la puerta y el viento. El gráfico de dependencia parcial de un predictor muestra además cómo a medida que la velocidad del viento era mayor, la habitación estaba más fría:

Di el salto no tan loco de que el aislamiento de ventanas y puertas puede tener algo que ver con esta disparidad.

Fui a Home Depot y compré un par de kits de aislamiento para ventanas y un kit para las puertas. Los instalé esa noche. También comencé constantemente a dejar abierta la puerta del pasillo interior durante la noche y durante el día (cuando era posible) para ver si esa intervención ayudaba.

Continué registrando la temperatura interior durante varios días, pero inmediatamente noté una diferencia drástica: la temperatura media aumentó más de 10 grados, como se ve en las estadísticas descriptivas de Minitab:

Temperatura antes de las intervenciones

Temperatura después de las intervenciones

Además, puedes visualizar esta diferencia con este diagrama de caja que mide las temperaturas interiores antes de añadir impermeabilización a las ventanas y puertas y después:

Esto confirmó que las variables que abordé eran de hecho los dos factores más importantes que hacían que la habitación fuera tan fría. Y, aunque no puedo controlar la velocidad del viento, pude tomar medidas prácticas para realizar mejoras.

PARA LLEVAR

Los datos están a nuestro alrededor. Antes de trabajar para Minitab, no habría pensado en aprovechar el análisis de datos para resolver este desagradable problema. Y probablemente todavía tendría frío.

La mayoría de los datos se recopilan y nunca se analizan. A la hora de tomar decisiones, es fundamental basarse en datos, ya sea que se trate de desafíos como mantener los pies calientes mientras se trabaja, reducir las materias primas en la fabricación o incluso determinar la combinación ideal de variables para crear una vacuna altamente eficza. Los conocimientos adquiridos a partir de su análisis pueden conducir a pasos simples y concretos que le ahorrarán tiempo y dinero.

En este caso, pude ahorrar recursos considerables. En lugar de aumentar la calefacción y utilizar más energía y costes, puedo mantener mi oficina cómoda a una temperatura más baja y constante realizando mejoras basadas en datos.

Según mi investigación, este cambio respetuoso con el medio ambiente debería ahorrarme entre el 7% y un 9% en mi factura de energía mensual, todo gracias al poder de los datos.

Detalles

Categoría: Comsol

Publicado: 06 Febrero 2024

Visto: 2642

Introducción

La búsqueda de fuentes de energía más limpias y sostenibles es más crucial que nunca, y los investigadores recurren a tecnologías innovadoras para abordar el desafío energético global. Un reciente artículo, titulado "Modeling and simulation of wood pyrolysis process using COMSOL Multiphysics" [1] arroja luz sobre una vía prometedora: la pirólisis de la madera, aprovechando el poder de COMSOL Multiphysics para simulaciones esclarecedoras. El estudio, realizado por Shikha Solanki, Bhargav Baruah y Pankaj Tiwari, profundiza en el proceso de pirólisis de la madera de roble rojo americano. La pirólisis, un proceso de degradación termoquímica, transforma la biomasa lignocelulósica en combustibles valiosos como aceite, gas y carbón. La importancia radica en su potencial para proporcionar alternativas limpias y renovables a las fuentes de energía convencionales.

El Papel de COMSOL Multiphysics

Lo que distingue esta investigación es la utilización de COMSOL Multiphysics. El software permite la simulación de fenómenos fisicoquímicos y termoquímicos complejos, lo que lo hace ideal para estudiar la pirólisis de la madera, un proceso cargado de reacciones intrincadas. Los modelos tradicionales a menudo simplificaban la pirólisis de la madera en reacciones de primer orden de un solo paso. Sin embargo, este estudio, adopta un enfoque más integral. COMSOL Multiphysics permite a los investigadores incorporar múltiples reacciones de primer orden en paralelo, proporcionando una representación más precisa de la cinética de la pirólisis de la madera.

Percepciones y Descubrimientos

Los resultados de la simulación resaltan la influencia de las tasas de calentamiento en el rendimiento del producto durante la pirólisis no isotérmica. Tasas de calentamiento más altas conducen a concentraciones más elevadas de gas y alquitrán (una mezcla de compuestos orgánicos), mostrando el impacto matizado de los parámetros del proceso. La pirólisis isotérmica revela la degradación de la materia orgánica dependiente de la temperatura, ofreciendo percepciones críticas para optimizar el proceso de pirólisis.

La imagen de la cabecera está obtenida del modelo Parameter Estimation for Pyrolysis of Wood de COMSOL.

Perspectivas

Más allá de los hallazgos inmediatos, el modelo desarrollado promete ser escalable. Al extender este enfoque a diferentes muestras de biomasa, se podrían optimizar las condiciones operativas para obtener rendimientos deseados de productos, facilitando la expansión del proceso de pirólisis.

En esencia, este estudio no solo aporta conocimientos valiosos al campo de la energía renovable, sino que también destaca la importancia de herramientas avanzadas de simulación como COMSOL Multiphysics. A medida que navegamos hacia un futuro sostenible, esfuerzos de investigación como estos allanan el camino para soluciones energéticas más limpias y eficientes.

Referencias

[1] Shikha Solanki, Bhargav Baruah, Pankaj Tiwari. “Modeling and simulation of wood pyrolysis process using COMSOL Multiphysics”. Bioresource Technology Reports 17, 2022, 100941. DOI: https://doi.org/10.1016/j.biteb.2021.100941.

Detalles

Categoría: Minitab

Publicado: 01 Febrero 2024

Visto: 2200

Por David Peralta.

Los equipos de Investigación y Desarrollo manejan diversas tareas relacionadas con el análisis cualitativo y cuantitativo, lo que dificulta mantener toda la información organizada en un solo lugar. Como resultado, esta información a menudo termina dispersa en SharePoint, hojas de cálculo e incluso cuadernos personales. Esta desorganización lleva a que las personas y los equipos dediquen mucho tiempo a reunir estos recursos, lo que prolonga significativamente el ciclo de vida de un proyecto y aumenta los costos.

Pero imaginemos si existiera una herramienta que pudiera servir como centro para almacenar información analítica y cualitativa en una ubicación accesible. Ingrese a Minitab Engage.

MINITAB PARTICIPA EN INVESTIGACIÓN Y DESARROLLO

Minitab Engage es una plataforma integral diseñada para empoderar a los equipos de investigación y desarrollo al optimizar todo el ciclo de vida del proyecto dentro de una sola aplicación, garantizando visibilidad tanto para los miembros del equipo como para las partes interesadas. Esto se hace principalmente en dos áreas clave:

1. Gestión de ideas: un equipo de I+D exitoso prospera gracias a una cultura de creatividad y experimentación. Engage ofrece herramientas para la lluvia de ideas, la generación de ideas y la retroalimentación para inspirar la innovación, todo mientras monitorea y evalúa los objetivos generales del proyecto.

2. Ejecución del proyecto: dado que la incertidumbre y la ambigüedad son uno de los desafíos más comunes que se enfrentan en I+D, mantener la alineación del equipo es crucial. Engage incorpora cuatro características clave que facilitan la ejecución consistente y oportuna del proyecto:

• Hojas de ruta para organizar y guiar proyectos con orientación integrada y mejores prácticas
• Notificaciones y revisiones de fases para que los proyectos no se queden atrás
• Una integración de herramientas clave, como mapas de procesos, diagramas de espina de pescado, planificación DOE, AMEF, mapas de flujo de valor, cartas de proyectos, planes de control, simulaciones CDOV y Monte Carlo.
• Repositorio de datos centralizado para buscar rápidamente trabajos anteriores, compartir mejores prácticas y encontrar oportunidades de replicación

Minitab Engage es una solución sólida diseñada para iniciar, rastrear, administrar y compartir iniciativas de innovación y mejora desde la generación de ideas hasta la ejecución. Engage permite al usuario partir de metodologías de flujo de trabajo estándar y/o definir las suyas propias:

• CDOV
• DFSS (Diseño para Six Sigma)
• DFR (Diseño para la confiabilidad)
• Simulación del Monte Carlo
• Planificación del DOE
• VOC (Voz del Cliente)
• Planificar-Hacer-Verificar-Actuar (PDCA)
• Evento Kaizen
• DMAICO

Además, los datos de los proyectos de Engage se compilan automáticamente en informes de panel interactivos, profesionales y de fácil acceso. Esto mejora la visibilidad de su programa y muestra su éxito:

APRENDA MÁS

Minitab Engage es una solución integral para equipos de investigación y desarrollo, que ofrece un centro centralizado para la gestión del ciclo de vida del proyecto. Las funciones personalizadas para la gestión de ideas, la ejecución de proyectos, la simulación y un repositorio de datos sólido garantizan que Engage promueva la eficiencia organizacional al manejar datos e información esenciales cruciales para el éxito del proyecto.

Detalles

Categoría: Comsol

Publicado: 01 Febrero 2024

Visto: 2504

Introducción

En COMSOL Multiphysics, la perturbación armónica se revela como una herramienta esencial para analizar respuestas sistemáticas ante excitaciones sinusoidales, siendo crucial para comprender el comportamiento en frecuencia en diversos sistemas, como electromagnetismo, transferencia de calor y mecánica estructural.

Aplicación en electroquímica

La perturbación armónica en COMSOL Multiphysics destaca en la modelación de experimentos de Espectroscopía de Impedancia Electroquímica (EIS). En este contexto, se convierte en una herramienta útil para estudiar la respuesta de sistemas electroquímicos frente a perturbaciones sinusoidales en voltaje o corriente a diferentes frecuencias. Su incorporación en el modelo permite simular variaciones en la respuesta del sistema, facilitando un análisis detallado de la impedancia en relación con la frecuencia de la perturbación, ofreciendo así una comprensión profunda de las propiedades electroquímicas y la dinámica subyacente. En el ejemplo de modelo y App [1] se puede variar la concentración en masa, coeficiente de difusión, densidad de corriente de intercambio, capacitancia de doble capa, y las frecuencias máxima y mínima para realizar un estudio EIS del sistema electroquímico.

La figura de la cabecera muestra la ventana principal de la App para simular EIS de un sistema electroquímico.

Aplicación en células solares

La Espectroscopía de Impedancia Electroquímica (EIS) se vuelve indispensable en la caracterización de células solares, revelando procesos electroquímicos en diversos componentes. Los autores [2] han desarrollado una aplicación en COMSOL que incorpora la EIS para estudiar células solares, generando gráficos de Nyquist y Bode. Esta herramienta permite la personalización de la geometría y propiedades, esencial para comprender procesos electroquímicos y eléctricos. En resumen, la EIS en células solares ofrece información detallada, fundamental para el desarrollo, optimización y comprensión en términos de eficiencia y estabilidad.

Referencias

[1] Galería de aplicaciones: Electrochemical Impedance Spectroscopy
[2] Joao A. T. P. Vieira & Peter Cendula (2022) SolCelSim: simulación de transporte de carga en células solares desarrollado en Comsol Application Builder, International Journal of Modelling and Simulation, 42:4, 617-627, DOI: https://doi.org/10.1080/02286203.2021.1963144.

Detalles

Categoría: Maple

Publicado: 01 Febrero 2024

Visto: 2266

Este vídeo muestra tres maneras en que Maple Flow puede mejorar los cálculos de diseño de ingeniería rutinarios que requieren mucho tiempo para completar.

Esto incluye ofrecer opciones flexibles de diseño y formato, aumentar la confiabilidad de los cálculos (mediante el seguimiento de unidades y realizar funciones matemáticas avanzadas) y promover un flujo de trabajo estandarizado para plantillas de proyectos y hojas de trabajo de diseño.

Detalles

Categoría: NAG

Publicado: 25 Enero 2024

Visto: 10925

En Mark 29.3, NAG presenta un resolvedor de vanguardia (nag_mip_handle_solve_milp) diseñado específicamente para abordar problemas de programación lineal entera mixta (MILP) a gran escala. Esto marca un paso significativo en el compromiso de NAG de mejoar y ampliar sus ofertas en el campo de la optimización matemática.

MILP encuentra una aplicación generalizada en diversas industrias, incluidas, entre otras, la fabricación, la logística, el transporte y las telecomunicaciones. Al acomodar variables de decisión tanto continuas como discretas, el resolvedor permite a las organizaciones modelar problemas prácticos y complejos, incluyendo la asignación de recursos, la programación y el flujo de red.

Problemas MILP a gran escala de la forma

dónde son los datos del problema y son bastante omnipresentes en aplicaciones de la vida real. Es importante resaltar que resolver problemas MILP plantea un desafío considerable debido a su naturaleza combinatoria y, en muchos escenarios prácticos, encontrar una solución exacta en un tiempo razonable puede resultar muy difícil. Nos complace presentar la última incorporación a la librería NAG y nuestro objetivo es ayudar a los usuarios a tomar decisiones de manera eficiente y precisa.

Modelado y resolución MILP

El modelo (1) cubre muchos casos de uso práctico. Una de las características distintivas de MILP es su capacidad para modelar condiciones lógicas como implicaciones o dicotomías.

Tomemos como ejemplo el modelado de carga fija. Las actividades económicas frecuentemente implican costes tanto fijos como variables. En estos casos, un coste fijo f_ix solo ocurre cuando variable y es positiva. Dado un coste variable c_var, el coste total cuando y>0 es c_fix+c_vary y 0 en caso contrario. Es fácil observar que la función de costes no es lineal. Introduciendo una variable binaria x podemos modelarlo como la expresión lineal

Donde añadimos restricciones

Donde M es un límite superior de y y debe elegirse como el límite más estricto conocido, en lugar de un límite arbitrariamente grande M. Esta técnica de modelado aparece en aplicaciones como la ubicación de instalaciones y el diseño de redes.

Otro gran uso de MILP es modelar disyunciones. Por ejemplo, al programar trabajos en una máquina, es posible que deseemos permitir el trabajo i para ser programado antes del trabjo j o viceversa. Consideremos que p_i y p_j denotan el tiempo de procesamiento del trabajo i y j, mientras que t_i y t_j representan sus tiempos de inicio. Entonces requeriremos que se cumpla al menos una de las siguiente restricciones.

Introduciendo variables binarias x₁ y x₂ el problema se puede modelar como

donde M nuevamente es positivo y sirve como límite conocido.

Hay muchos otros tipos de restricciones que son muy útiles en el campo de la investigación de operaciones, incluidas, entre otras,

• Variables semicontinuas donde una variable x es 0 o está en un intervalos [a,b],
• variables que solo toman valores de un conjunto, por ejemplo ,
• funciones lineales continuas por partes, que pueden verse como una combinación de funciones lineales.

Consulte [1,2] para conocer más técnicas de formulación y su uso en la programación.

Figura 1: Ilustración de un árbol de ramificación y acotamiento

Para resolver (1) de manera eficiente, el algoritmo de ramificación y acotamiento sirve como marco fundamental, que está equipado con técnicas MILP modernas como preprocesamiento, generación de cortes y diversas heurísticas. En la Figura 1 se muestra una parte de un árbol de ramificación y acotamiento. A partir del problema original, denominado nodo raíz, el algoritmo genera varios nodos secundarios dando forma a la región factible mediante la adición de más restricciones, como el corte fraccional de Gomory. Cada nodo se resuelve como una programación lineal continua mediante un método simplex dual eficiente. Se adoptan varias heurísticas para obtener un mejor límite inferior. Al poder con éxito el árbol de búsqueda y seleccionar los nodos de búsqueda, aumenta en gran medida la posibilidad de que un algoritmo de ramificación y enlace encuentre la solución óptima en un tiempo razonable. Consulte [3] para obtener más detalles sobre algortimos para resolver MILP.

El resolvedor MILP nag_mip_handle_solve_milp está completamente integrado en NAG Optimization Modelling Suite, que permite a los usuarios expresar mejor los problemas del mundo real en el modelo matemático, mejorando la comprensión del funcionamiento interno del modelo. Durante el proceso de modelado, los usuarios pueden

• ver el efecto de una restricción o variable particular eliminándolas temporalmente y luego recuperándolas;
• modificar coeficientes individuales del objetivo lineal o de las restricciones lineales;
• fijar una variable a una constante dada, lo que da como resultado la eliminación de una variable en toda la formulación y la disminución de la dimensión del problema.

El resolvedor está disponible para múltiples lenguajes y entornos, incluyendo C y C++, Python, Java, .NET y Fortran, en Windows, Linux y MacOS.

Referencias

[1] Vielma JP. Mixed integer linear programming formulation techniques. Siam Review. 2015;57(1):3-57.
[2] Floudas CA, Lin X. Mixed integer linear programming in process scheduling: Modeling, algorithms, and applications. Annals of Operations Research. 2005 Oct;139:131-62.
[3] Conforti M, Cornuéjols G, Zambelli G, Conforti M, Cornuéjols G, Zambelli G. Integer programming models. Springer International Publishing; 2014.