La actualización del software COMSOL® versión 6.1 update 1 proporciona mejoras de rendimiento y estabilidad a los entornos COMSOL Multiphysics®, COMSOL Server™, y COMSOL Client.
La actualización se aplica sobre la versión 6.1 del software COMSOL® (6.1.0.252). Es acumulativa y puede aplicarse directamente sobre una instalación de la versión 6.1.
Si se dispone de una versión anterior a la versión 6.1 y una licencia válida con una suscripción actualizada, puede aplicarse la actualización update 1, realizando una instalación completa de la versión 6.1 desde la página de descarga del producto, que incluirá todas las actualizaciones.
Antes de proceder con la instalación, asegúrese de que cierra y sale de cualquier proceso de COMSOL® que esté corriendo o de cualquier software que haya arrancado que se correlacione con un producto LiveLink™ que quiera actualizar (Excel®, MATLAB®, Simulink®, o un programa de software de CAD).
La forma más sencilla de instalar la actualización de COMSOL Multiphysics® es arrancar el programa y seleccionar Check for Product Updates. Si está utilizando el sistema operativo Windows®, esta opción está localizada en el menú File bajo la opción Help. Si utiliza el sistema operativo Linux® o macOS, esta opción está localizaa en el menú Help.
Para verificar que la instalación de la actualización ha sido correcta, primero arranque COMSOL Multiphysics® y entonces seleccione la opción de menú About COMSOL Multiphysics. Si está utilizando el sistema operativo Windows®, esta opción está localizada en el menú File bajo Help. En el caso de utilizar Linux® o macOS, esta opción está localizada bajo el menú Help. La versión listada deberá ser COMSOL Multiphysics® 6.1 (Build: 282).
Todos los productos del software COMSOL® han recibido mejoras de rendimiento y estabilidad introducidas como actualizaciones. La siguiente lista contiene las mejoras más importantes en COMSOL® versión 6.1 update 1.
COMSOL Multiphysics
Application Builder
AC/DC Module
Acoustics Module
Battery Design Module
CAD Import Module
CFD Module
Geomechanics Module
Structural Mechanics Module
Subsurface Flow Module
Wave Optics Module
Linux es una marca registrada de Linus Torvalds en EE. UU. y otros países. macOS es una marca comercial de Apple Inc., en EE. UU. y otros países. MATLAB y Simulink son marcas comerciales registradas de The MathWorks, Inc. Microsoft, Excel y Windows son marcas comerciales registradas o marcas comerciales de Microsoft Corporation en los Estados Unidos y/o en otros países. Parasolid es una marca comercial o una marca comercial registrada de Siemens Product Lifecycle Management Software Inc. o sus subsidiarias en los Estados Unidos y en otros países. Ubuntu es una marca registrada de Canonical Ltd.
Por Joshua Zable
El Diseño de Experimentos o DOE aporta beneficios significativos. Pueden ser utilizados en una gran variedad de situaciones y permiten efectivamente manipular múltiples factores de entrada para determinar su efecto en una respuesta deseada. También identifican interacciones importantes que podrían perderse cuando se experimenta con un factor cada vez.
La fase de planificación de un DOE es crucial para el éxito. Los DOE a menudo se detienen en seco debido a los obstáculos descubiertos en la fase de planificación. Por ejemplo, los DOE que parecen demasiado costosos o complicados o que carecen de información clave a menudo se descartan antes de que se les dé la oportunidad de funcionar. Afortunadamente, el análisis predictivo avanzado es una potente herramienta que es accesible y puede ayudar a eliminar los obstáculos para crear un DOE o incluso mejorar sus posibilidades de éxito.
Los diseños de detección de experimentos (Screening DOE) son utilizados por los profesionales para identificar las variables más imporantes en un proceso de un campo de muchas variables potenciales. Permiten a un profesional reducir el tamaño del experimento, lo que ahorra tiempo y dinero. Esto es especialmente cierto si los datos son difíciles o costosos de adquirir.
¿Qué sucede cuando no se puede detener un sistema o proceso para ejecutar un experimento de detección? ¿O si recopilar puntos de datos para la detección es tan costoso que hace que sea difícil justificarlo?
Solución 1. El análisis predictivo puede ayudar a identificar fácilmente las variables más importantes
¡No hay que temer, el análisis predictivo está aquí! Al analizar los datos del sistema o proceso, se puede aprovechar el algoritmo de aprendizaje automático favorito o ejecutar el aprendizaje automático automatizado para identificar los predictores potencialmente impactantes para la respuesta. Minitab simplifica esto a través de la tabla de importancia relativa de variables creada específicamente para ayudar a identificar las variables más importantes.

Cuando se ejecutan DOE, los experimentos se ejecutan en diferentes valores de factores, llamados niveles. Es decir estos niveles son las variables independientes para las que se mide una respuesta, que tradicionalmente se llama su variable dependiente. Por ejemplo, si se está tratando de optimizar la velocidad de un equipo, deben establecerse los límites de la velocidad más alta y más baja para crear un rango de velocidades para optimizar el proceso. Otro ejemplo podría ser la temperatura de un horno si se está horneando un pastel. Según la experiencia, puede saberse que por debajo de 150ºC no se horneará el pastel y a 200ºC se quemará, por lo que pueden establecerse sus límites. Pero, ¿y si nunca se ha horneado un pastel antes? ¿O qué sucede si se tiene una máquina nueva y no se sabe dónde establecer sus límites?
Solución 2: El análisis predictivo proporciona visualizaciones que ayudan a establecer límites razonables.
Cuando se corre el análisis predictivo de Minitab, se generarán visualizaciones que muestran el efecto que tienen una o varias variables en el resultado previsto. Para predecir resultados, el propósito de estos gráficos es resaltar si la relación entre la respuesta y una variable es lineal, monótona o más compleja. Estas visualizaciones también son extremadamente útiles para DOEs.

En el ejemplo anterior, supongamos que se intenta ejecutar un experimento que optimiza la resistencia. Es posible que se entienda que existe una relación entre la temperatura del molde y la resistencia, pero también que se sepa que el simple hecho de girar la máquina a la temperatura más alta podría tener efectos adversos como el sobrecalentamiento o el aumento innecesario del coste de producción. También se sabe que pueden haber interacciones con otras variables en el experimento (p. ej., presión). Al mirar el gráfico, se obtiene una idea de que la temperatura por encima de 1200 da como resultado aumentos marginales en la resistencia. Para el experimento diseñado, pueden establecerse los niveles de temperatura del molde en 1000 y 1200 para ejecutar un experimento donde el objetivo es maximizar la resistencia. Sin embargo, si el objetivo era minimizar la resistencia, puede ver en el gráfico que sería más razonable realizar pruebas en un rango más bajo de temperaturas del molde.
El análisis predictivo es solo una de las muchas herramientas que van de la mano de los DOE.
Los DOE son herramientas críticas para muchos profesionales y no deben vivir en un silo. Como se mencionó, la planificación es fundamental para el éxito de un DOE, razón por la cual Minitab creó una Hoja de trabajo de planificación del DOE creada específicamente para ayudar en el proceso de planificación. Si se es nuevo en DOE o simplemente se busca mejorar un conjunto de habilidades, Minitab proporciona el soporte, los recursos y las soluciones para ayudarlo en su camino.
Las mejoras introducidas en el entorno matemático en línea, Maple Learn™, brinda a los educadores una forma sencilla de dar vida a las matemáticas en el aula. Maple Learn es el entorno principal para explorar conceptos, resolver problemas y crear contenido enriquecido matemático en línea. Recientemente, Maplesoft ha incorporado una amplia colección de lecciones, exploraciones y ejemplos listos para ser utilizados y personalizables en Maple Learn. Esta colección, combinada con nuevos servicios de contenido que ayudan a los instructores a crear contenido personalizado, significa que los educadores, siempre muy ocupados, pueden transformar sus lecciones de matemáticas estáticas en experiencias interactivas y atractivas, ya sea que su clase se imparta en persona o en línea.
El equipo de contenido de Maple Learn está formado por matemáticos y educadores experimentados de todo el mundo que se centran en desarrollar lecciones interactivas que permitan a los estudiantes involucrarse mucho más con los materiales del curso. La colección cada vez mayor de contenido que producen incluye lecciones, exploraciones interactivas de conceptos, ejemplos, soluciones paso a paso, pruebas de práctica, tareas y mucho más, y cubre una amplia gama de temas de matemáticas y cursos basados en matemáticas desde secundaria y bachillerato en adelante. Los instructores aprecian la capacidad de personalizar el contenido prediseñado y la facilidad con la que pueden crear sus propios materiales. Pero dado que los instructores son personas muy ocupadas, el equipo de contenido también está disponible para ayudar a las escuelas a implementar su visión para convertir su plan de estudios estático en lecciones interactivas.
"Desde los avances disruptivos en tecnología hasta el aumento repentino del aprendizaje y el trabajo remotos, la forma en que enseñamos, aprendemos y hacemos matemáticas está evolucionando rápidamente, y Maplesoft está evolucionando junto con eso", dice el Dr. Laurent Bernardin, presidente y director ejecutivo de Maplesoft. "Maple Learn, y su extenso contenido y servicios de contenido de apoyo, son el próximo paso en esa evolución, asegurando que todos los que tocan las matemáticas no solo se las arreglan, sino que prosperan en estos tiempos cambiantes".
"Muchos instructores nos han dicho cómo han luchado con el panorama tan cambiante de la educación provocado por la pandemia de Covid-19", dice Karishma Punwani, directora de gestión de productos de Maplesoft. "En respuesta a ello, creamos Maple Learn para ayudar a las escuelas a ampliar su excelencia en la enseñanza de las matemáticas al proporcionar un entorno interactivo flexible para resolver problemas, una gran plataforma para el aprendizaje conceptual y, ahora, un acceso increíblemente simple a contenido enriquecido y soluciones de desarrollo e implementación. "
¡Con el contenido de Maple Learn y los nuevos servicios de contenido, cada educador de matemáticas está a solo una discusión de revolucionar sus aulas de clases con Maple Learn!
Uno de los algoritmos clave para abordar problemas generales de optimización no lineal con restricciones es un método de programación cuadrática secuencial (SQP) de conjunto activo. Es un caballo de batalla para muchos resolvedores comerciales y de código abierto. Las Librerías NAG® ofrecen una versión de última generación dentro de Optimization Modeling Suite. Complementa el método del punto interior (IPM) de NAG y otros métodos especializados para la optimización no lineal, como la optimización libre de derivadas (DFO) o el método de primer orden.
Ahora está disponible un nuevo curso en el "Learning Center" de COMSOL sobre el modelado con ecuaciones en derivadas parciales con COMSOL Multiphysics.
El curso "Modeling with Partial Differential Equations in COMSOL Multiphysics" consta de nueve partes, que son:
El curso proporciona una buena y detallada introducción de cómo realizar modelado basado en ecuaciones en el software. En cada parte se guía al usuario a través de la implementación y resolución de diferentes sistemas de ecuaciones (para físicas que ya disponen de interfaces integradas para ser utilizadas para el modelado en el software). Este curso será de gran utilidad tanto a usuarios nuevo como a los experimentados.
Puede accederse al curso bajo la Base de Conocimiento de COMSOL o con el enlace más abajo.
Por Joshua Zable.
La fabricación de semiconductores no es solo uno de los sectores más teconológicamente avanzados, sino que también se encuentra entre los más costosos. A medida que los dispositivos basados en semiconductores se han convertido en algo común en todo, desde ordenadores personales hasta teléfonos y automóviles, la demanda ha seguido aumentando. Mientras que aumentan los volúmenes, aumenta la necesidad de iniciativas de calidad más sólidas. Si bien la mayoría de fabricantes utilizan software estadístico como Minitab para resolver ciertos problemas, aún existe la oportunidad de ampliar su alcance y ofrecer más valor.
¿Cuáles son las buenas noticias? La fabricación de semiconductores tiende a recopilar más datos en promedio que otras industrias. Eso significa que se pueden poner los datos a trabajar más fácilmente de diferentes maneras, como:
El uso de herramientas como R&R y ANOVA para determinar la variación en el sistema de medición es fundamental, especialmente para la fabricación de ssemiconductores. Para garantizar que se puedan cumplir las especificaciones, la repetibilidad y la reproducibilidad de las mediciones, deben ser pequeñas en relación con las tolerancias de especificación medidas. El nuevo módulo de análisis del sistema de medición de Minitab permite a los profesionales de todos los niveles evaluar la variación, el sesgo y la estabilidadl del sistema de medición con facilidad.
El uso de gráficos de control y el análisis de capacidad para medir características críticas, como el grosor de la oblea, tasas de deposición (la tasa del material depositado en la superficie de la oblea comoo una capa delgada para contener propiedades eléctricas), tiempos de punto final (para detectar el tiempo más preciso para detener el proceso de grabado para evitar un grabado excesivo o insuficiente), entre otros, ayudarán a garantizar que el proceso y equipo están bajo control. Si ya se están utilizando métodos SPC, utilizar la próxima generación de control estadístico de procesos de Minitab puede ayudar a mejorar las técnicas y generar ahorros en tiempo real.
Debido a que la fabricación de semiconductores se compone de múltiples procesos complejos, ese posible que incluso los ingenieros más experimentados y competentes no conozcan necesariamente la mejor configuración para el equipo de fabricación. Incluso si se conocen los ajustes óptimios, constantemente se adoptan nuevas tecnologías que introducen situaciones desconocidas y nuevos problemas. El diseño de experimentos ayuda a los ingenieros a construir un modelo integral para ayudar a comprender, con mucha precisión, cómo funciona el sistema.
A diferencia de las pruebas de producción en las que se toman medidas y se toman decisiones de aprobación/falla, en la validación posterior al silicio debe comprenderse con gran detalle el comportamiento del dispositivo en todo tipo de condiciones operativas. Con el aprendizaje automático, se puede comprender mejor cómo las entradas del dispositivo afectan a las slaidas y encontrar relaciones ocultas y complejidades entre ellas. Con el módulo de análisis predictivo de Minitab, puede crearse un modelo predictivo sólido o utilizar herramientas con el gráfico de importancia relativa para resaltar las entradas más críticas que afectan al rendimiento.
Nos complace anunciar que la Conferencia Europea de COMSOL 2023 tendrá lugar del 25 al 27 de octubre en Munich (Alemania).
Nuestro evento de 2023 presenta nuevos minicursos, charlas magistrales y presentaciones para usuarios. Como asistente, verá cómo la simulación multifísica está ayudando a impulsar avances en una variedad de áreas de aplicación y podrá conectarse con otros ingenieros, científicos y profesionales de la simulación.
Podrá encontrar: