- Detalles
- Categoría: Comsol
- Visto: 1067
Introducción y objetivos
Las tecnologías del hidrógeno desempeñarán un papel fundamental en la transición hacia una economía descarbonizada. Sin embargo, la densidad energética volumétrica del hidrógeno es extremadamente baja, lo que complica su almacenamiento y transporte. En cuanto al transporte de hidrógeno a gran escala y largas distancias, un equipo de investigadores de la universidad japonesa Yokohama National University trabajan en el desarrollo del sistema tolueno/metilciclohexano (MCH), que se perfila como uno de los portadores orgánicos líquidos de hidrógeno (LOHCs) más prometedores, debido a su baja toxicidad, una capacidad de almacenamiento de hidrógeno aceptable y sus características similares a la gasolina, que permitirían aprovechar la infraestructura petrolera existente.
Entre las distintas técnicas y métodos que este grupo está empleando, destaca el la modelización y simulación numérica con COMSOL Multiphysics®.
Modelización y simulación numérica
Los investigadores de YNU trabajan actualmente en el desarrollo de un modelo bidimensional de una celda individual de electrólisis directa para la electro-hidrogenación de tolueno en COMSOL Multiphysics®.
La Figura 1 muestra un diagrama esquemático de dicho electrolizador, que está basado en la tecnología de membrana de intercambio protónico [1]. En comparación con la técnica convencional de hidrogenación de tolueno en dos etapas (es decir, producción de hidrógeno mediante electrólisis y posterior hidrogenación exotérmica del tolueno), este método innovador de una sola etapa ofrece ventajas en términos eficiencia energética [2]. No obstante, en la práctica, el suministro adecuado de tolueno al sitio de reacción del cátodo (es decir, la capa catalítica) es crucial para alcanzar una buena proporción de hidrogenación.
El modelo que desarrollan en COMSOL Multiphysics® acopla los distintos mecanismos y ecuaciones que describen el comportamiento del sistema: ecuaciones de continuidad para las fases acuosa y oleosa, la ecuación de convección-difusión para determinar la concentración de tolueno y MCH en el lado del cátodo (tanto en la capa del electrocatalizador como en el electrodo poroso), el transporte de agua a través de la membrana polimérica electrolítica, y las ecuaciones de conservación de la corriente eléctrica. Los resultados de la simulación numérica permiten estimar la concentración de especies en el lado del cátodo (es decir, acumulación de fase oleosa y agua líquida), la absorción de agua en la membrana y la distribución de la densidad de corriente en el electrodo del cátodo.
Figura 1. Diagrama del un electrolizador para la electro-hidrogenación directa de tolueno.
Resultados/conclusiones
Los autores mostraron algunos resultados preliminares obtenidos en la última edición de la Iberian COMSOL Multiphysics Conference [2]. La Figura 2 muestra la concentración de tolueno y MCH obtenida en el lado del cátodo desde la entrada (parte inferior) hasta la salida (parte superior) cuando la celda opera bajo una densidad de corriente de 0.5 A/cm². Mientras que la concentración de tolueno disminuye a medida que el flujo se aproxima a la salida, la concentración de MCH aumenta. De hecho, la concentración de MCH es máxima en la salida del cátodo. Por otro lado, la concentración de tolueno es mayor en las regiones más cercanas a la placa de distribución de flujo del cátodo, mientras que la mayor concentración de MCH se encontró cerca del electrocatalizador.
Figura 2. (a) Geometría bidimensional del modelo de celda de electro-hidrogenación directa de tolueno. Concentración de la fase oleosa en el lado del cátodo bajo una densidad de corriente de 0.5 A/cm²: (b) tolueno y (c) MCH.
En combinación con los datos experimentales, las simulaciones numéricas en COMSOL Multiphysics® de una celda de electrólisis para la electro-hidrogenación directa de tolueno proporcionan información útil para comprender su rendimiento y planificar estrategias que optimicen el diseño de esta tecnología. Destaca, por tanto, el gran potencial que ofrece COMSOL Multiphysics® para desarrollar las futuras tecnologías que permitan el almacenamiento y transporte de hidrógeno renovable a temperatura ambiente y presión atmosférica.
Referencias
[1] A. Atienza-Márquez, S. Oi, T. Araki, S. Mitsushima. Water transport across the membrane of a direct toluene electro-hydrogenation electrolyzer: Experiments and modelling. Energy (2024), 304, 132186. https://doi.org/10.1016/j.energy.2024.132186
[2] A. Atienza-Márquez, T. Araki, S. Mitsushima. Modelling and numerical simulation of a toluene direct electro-hydrogenation electrolyzer cell. Iberian COMSOL Multiphysics Conference (2024) Málaga.
- Detalles
- Categoría: Comsol
- Visto: 1420
Para mantenerse a la vanguardia en los mercados cada vez más competitivos, las organizaciones de todos los sectores deben mejorar su eficiencia y optimizar resultados, al mismo tiempo que reducen el uso de recursos. COMSOL News 2025, presenta historias de ingenieros y científicos que impulsan la innovación y el desarrollo en sus empresas mediante el uso de modelado y simulación, logrando ideas novedosas y avances significativos en sus proyectos.
Los temas de la nueva edición de 2025 incluyen:
- Comercialización de la energía de fusión
- Aceleración de la producción biofarmacéutica
- Desarrollo de baterías para vehículos eléctricos con química alternativa
- Entrenamiento de vehículos submarinos no tripulados
- Diseño de mejores embarcaderos para turbinas eólicas marinas
- Pruebas de petróleo y gas extraídos
- Desarrollo conjunto de audífonos para fabricantes
- Ayuda a astronautas para respirar en la Estación Espacial Internacional
Otras historias adicionales de esta edición analizan cómo la optimización de la topología puede impulsar el diseño generativo o inverso y por qué las organizaciones de todo el mundo deberían considerar crear sus propias aplicaciones de simulación personalizadas.
- Detalles
- Categoría: Minitab
- Visto: 717
Por Oliver Franz.
Las operaciones de transporte son la columna vertebral de innumerables industrias, pero incluso las pequeñas ineficiencias pueden agravarse con el tiempo, agotando silenciosamente los recursos y reduciendo la rentabilidad. Al adoptar una mentalidad de mejora continua y aprovechar herramientas potentes como Minitab, puede identificar y abordar estas ineficiencias sistemáticamente, convirtiendo los obstáculos en oportunidades de crecimiento.
Exploremos tres ineficiencias comunes en las operaciones de la flota y cómo resolverlas con mejoras basadas en datos.
1. Consumo excesivo de combustible
Los costes de combustible son un gasto significativo y continuo para cualquier flota. Las rutas ineficientes, los vehículos con el motor en ralentí y las conductas de conducción inconsistentes contribuyen al desperdicio de combustible. Por ejemplo, una flota podría descubrir que los conductores utilizan rutas obsoletas que aumentan el tiempo de viaje y el consumo de combustible.
Solución:
Comience analizando sus datos de combustible para identificar patrones y valores atípicos. Con el Análisis de Regresión de Minitab , puede identificar los factores que más contribuyen al consumo excesivo de combustible, como tiempos de inactividad, ineficiencias en las rutas o problemas de mantenimiento del vehículo. Utilice los Diagramas de Pareto para priorizar estos factores según su impacto.
Una vez que sepa dónde se necesitan mejoras, implemente cambios de forma gradual, como optimizar rutas o implementar programas de capacitación para conductores. Realice un seguimiento de los resultados a lo largo del tiempo mediante gráficos de control para garantizar mejoras sostenidas.
2. Retrasos e interrupciones en la entrega
Los retrasos no solo son frustrantes, sino también costosos. Ya sea por averías inesperadas del vehículo, mantenimiento inoportuno o congestión del tráfico, pueden provocar el incumplimiento de plazos y una pérdida de confianza del cliente. Una flota podría descubrir que su enfoque reactivo al mantenimiento provoca averías frecuentes durante periodos de entrega críticos.
Solución:
Pase del mantenimiento reactivo al predictivo. El análisis predictivo de Minitab puede analizar datos históricos de mantenimiento e identificar tendencias, lo que le ayuda a anticipar cuándo es probable que los vehículos requieran mantenimiento. Utilice gráficos de control para supervisar el rendimiento del vehículo a lo largo del tiempo y detectar señales tempranas de posibles problemas.
Con un programa de mantenimiento basado en datos, puede reducir el tiempo de inactividad, mejorar la confiabilidad y garantizar que las entregas se mantengan según lo previsto. La monitorización continua garantiza que sus operaciones se adapten a la evolución de las condiciones, reforzando las mejoras.
3. Recursos subutilizados
La infrautilización de vehículos, conductores o espacio de almacenamiento suele pasar desapercibida, pero puede generar un desperdicio de capacidad y costes inflados. Por ejemplo, una flota podría enviar regularmente vehículos parcialmente cargados, lo que requiere viajes adicionales para satisfacer la demanda.
Solución:
Comience consolidando sus datos. Las herramientas de preparación de datos de Minitab Connect le permiten integrar información de los programas de envío, los volúmenes de entrega y la disponibilidad de los conductores en una sola vista. Utilice el Diseño de Experimentos (DOE) para probar diferentes estrategias de planificación, programación y enrutamiento de cargas.
Una vez identificadas las estrategias óptimas de asignación de recursos, impleméntelas gradualmente y monitoree los resultados con gráficos de ejecución para medir las mejoras. Con el tiempo, observará una mayor utilización, menos viajes y un mayor ahorro de costos, todo ello manteniendo la flexibilidad ante cambios inesperados.
El poder de la mejora continua con Minitab
Cada ineficiencia es una oportunidad para mejorar, y el camino hacia la optimización nunca está completamente completo. Al adoptar una cultura de mejora continua y utilizar las herramientas de Minitab para descubrir información valiosa y monitorear el progreso, su flota puede alcanzar el éxito a largo plazo.
¿Está listo para dar el siguiente paso hacia una mayor eficiencia y rentabilidad?
- Detalles
- Categoría: Minitab
- Visto: 1258
Por Alyssa Sarro.
El Centro de Soluciones de Minitab se desarrolló para abordar la creciente necesidad de soluciones integradas e intuitivas que permitan realizar tareas complejas de análisis y visualización de datos. Nuestro objetivo es brindar una experiencia fluida que permita a los usuarios tomar decisiones basadas en datos con confianza. Al combinar nuestras soluciones principales, que ya conoce y aprecia, como Minitab Statistical Software y Minitab Workspace, con las nuevas utilidades del Centro de Soluciones, buscamos ofrecer un enfoque integral para el análisis de datos, la gestión de proyectos y la toma de decisiones informada.
Solution Center en acciónPara presentar el Minitab Solution Center, analicemos un ejemplo hipotético que utiliza una variedad de nuestras soluciones. Para todos los productos comercializados, se requiere un modelo de pronóstico para predecir el número de recetas que se espera emitir en períodos específicos, ya sea mensual o trimestralmente. El pronóstico se compara con las ventas reales y, si hay una variación de más o menos el 4% o más, los ejecutivos inician una revisión exhaustiva. Una variación negativa indica una disminución en las recetas, mientras que una variación positiva sugiere la necesidad de ajustar la producción para satisfacer la creciente demanda. Una empresa hipotética planea lanzar un nuevo medicamento y necesita crear un modelo de pronóstico antes de su lanzamiento al mercado. Adquirirá datos de recetas a una empresa de inteligencia de datos que recopila información de consultorios médicos y farmacias una vez que el medicamento se lanza al mercado para refinar su modelo y realizar los ajustes necesarios. |
|
.png)
Aplicación paso a paso de Minitab Solution Center
Paso 1: Diseñar el modelo de pronóstico mediante lluvia de ideas
El equipo de investigación comenzó utilizando la utilidad Brainstorm de Minitab Solution Center. Esta se utiliza para estructurar y refinar ideas antes de crear los modelos de pronóstico. Esto incluye:
- Diagramas de espina de pescado: identificación de posibles causas de variación en las ventas de recetas, como tendencias estacionales, iniciativas de marketing o cambios en las políticas de atención médica.
- Mapas Mentales y Mapas de Ideas: Organización y visualización de ideas relacionadas con el proceso de pronóstico. Esto facilita la generación de ideas sobre diferentes escenarios y factores que podrían afectar el pronóstico.
- Minitab IA: Con la nueva Minitab IA, el equipo puede generar diferentes fuentes de datos para extraerlos y así crear el modelo más preciso. Por ejemplo, la IA puede sugerir diferentes competidores y tipos de fármacos más antiguos para que se agreguen los datos relevantes al construir el modelo.
Al utilizar estas herramientas visuales, el equipo puede garantizar que se consideren todas las variables aplicables y que el modelo de pronóstico sea completo.
Paso 2: Preparación de datos con el centro de datos
La utilidad Centro de Datos es el siguiente paso para preparar los datos para el modelo predictivo. Se puede usar así:
- Automatizar las comprobaciones de calidad de los datos: La empresa puede configurar comprobaciones automatizadas para garantizar la precisión y la integridad de los datos. Una vez creado el modelo y comparado con los datos reales, el equipo añadirá datos continuamente para garantizar un seguimiento riguroso y el perfeccionamiento del pronóstico. Esto incluye la identificación de valores faltantes, valores atípicos e inconsistencias.
- Generar resúmenes: Se pueden generar resúmenes rápidos de métricas clave para ofrecer una visión general de los datos. Esto ayuda a comprender la distribución y las tendencias de un vistazo.
- Repetir tareas de preparación de datos: las tareas de preparación de datos comúnmente utilizadas se pueden guardar y reutilizar, lo que agiliza el proceso para análisis futuros.
La función de cuadrícula de datos permite a los usuarios interactuar con los datos mediante una vista de tabla, lo que facilita la realización de acciones como filtrar, ordenar y visualizar las métricas de las columnas. Esto garantiza que los datos estén limpios y listos para su análisis en los siguientes pasos.
Paso 3: Análisis de datos con el software estadístico Minitab
Con los datos preparados y los factores clave identificados, la empresa puede realizar diversos análisis con Minitab Statistical Software. El Minitab, conocido y fiable, que conocen sus usuarios, está a un clic de distancia, integrado directamente en el Centro de Soluciones. Desde aquí, los análisis pueden tomar diversas direcciones. En este ejemplo, la empresa avanza con su análisis de series de tiempo y utiliza los datos del centro de datos IQ para trazar la tendencia.
Mediante el análisis de tendencias para identificar y modelar tendencias a lo largo del tiempo, los pronósticos pueden compararse con los datos de ventas reales. Cualquier variación significativa (más o menos el 4%) da lugar a una revisión exhaustiva por parte de las partes interesadas.
Paso 4: Perspectivas mejoradas con Minitab AI
Basándose en las capacidades de análisis de datos de Minitab Statistical Software, Minitab AI puede llevar sus hallazgos al siguiente nivel. En nuestro ejemplo, Minitab AI puede ayudar con un par de aspectos diferentes:
- Al analizar patrones y tendencias en los datos de prescripción, Minitab AI ofrecerá información y recomendaciones prácticas, como identificar posibles causas de variación y sugerir ajustes a los cronogramas de producción.
- Los conceptos estadísticos complejos y los detalles técnicos relacionados con los modelos de pronóstico y el análisis de varianza se traducirán a un lenguaje fácil de entender, haciéndolos accesibles para usuarios con distintos niveles de experiencia.
Paso 5: Ver el panorama general con paneles de control
Finalmente, la utilidad Dashboards permite a la empresa visualizar y monitorizar información clave. Esto incluye:
- Visualizaciones interactivas: Creación de paneles que muestran métricas y tendencias clave. Estas visualizaciones facilitan la monitorización del rendimiento y la identificación de problemas atípicos.
- Actualización periódica: Seguimiento de los datos de ventas y pronósticos, lo que permite realizar ajustes rápidos a los cronogramas de producción si es necesario. El equipo decide actualizar el modelo mensualmente con nuevos datos, lo que permite actualizar el pronóstico según corresponda.
- Compartir información: los paneles se pueden compartir con las partes interesadas, lo que garantiza que todos tengan acceso a la información más reciente.
Al utilizar la utilidad Dashboards, todos pueden ver rápidamente si es necesario ajustar la producción para satisfacer la demanda o si se requiere más investigación debido a una caída en las prescripciones.
Minitab Solution Center integra sus nuevas utilidades con nuestras soluciones principales para ofrecer una potente suite a las empresas que buscan optimizar sus capacidades de análisis de datos. Al optimizar la preparación de datos, facilitar la lluvia de ideas y proporcionar visualizaciones intuitivas, permite a los usuarios tomar decisiones más inteligentes basadas en datos.
- Detalles
- Categoría: Comsol
- Visto: 1235
.jpg)
Introducción y objetivos
La industria de la construcción enfrenta el reto urgente de reducir su huella de carbono, lo que impulsa la búsqueda de materiales sostenibles. En este contexto, el artículo publicado por Parvathi et al. titulado “Sustainable Herbo-foam concrete with soap nut and coco-peat: Properties and thermal modelling” presenta una alternativa ecológica al hormigón celular tradicional mediante el uso de extracto natural de nuez de jabón como agente espumante y coco-peat (un subproducto del coco) como sustituto parcial de arena. El objetivo central fue evaluar las propiedades térmicas, mecánicas y acústicas de esta mezcla innovadora, apoyándose en simulaciones numéricas en COMSOL Multiphysics® para validar su potencial en edificaciones energéticamente eficientes.
Modelización y simulación numérica
Se desarrolló en COMSOL Multiphysics® un modelo numérico de una losa con dimensiones de 0,45 m de ancho, 0,3 m de largo y 0,018 m de espesor, como se muestra en la Fig. 20. Las propiedades del material, incluyendo la conductividad térmica, la densidad y la capacidad calorífica específica, se definieron como entradas personalizadas. La conductividad térmica, determinada experimentalmente, se estableció en un valor de 0,3 W/m·K). Para simular la transferencia de calor, se aplicó la condición de contorno de flujo de calor. Entre las opciones disponibles—flujo de calor general entrante y flujo de calor convectivo—se seleccionó el flujo de calor convectivo por su idoneidad para simular el intercambio térmico con el entorno. Por otra parte, los autores utilizaron Figura 1.
Figura 1. Mallado utilizado para modelizar la losa de hormigón y dimensiones de la misma.
El cemento espumado se desarrolló utilizando agentes espumantes sintéticos y naturales, reemplazando la arena por fibra de coco tratada (coco-peat) en proporciones del 5 %, 7.5 % y 10 %. El extracto de nuez de jabón se utilizó como agente espumante natural, y la fibra de coco fue tratada con un 4 % de NaOH para mejorar su compatibilidad. Además, se creó un modelo tridimensional de una habitación, considerando escenarios con y sin la inclusión del panel aislante.
Resultados/conclusiones
Los resultados de las simulaciones en COMSOL Multiphysics® mostraron una mejora en el aislamiento térmico con el uso de fibra de coco, reduciendo la conductividad térmica y disminuyendo la temperatura interior en 3 K con una temperatura exterior de 312.15 K. La absorción acústica mejoró, especialmente con reemplazos del 7.5 % y 10 %, mientras que el reemplazo del 5 % produjo la mayor resistencia a la compresión, con 19.18 MPa. Aunque la absorción de agua aumentó debido a las propiedades de la fibra de coco, la durabilidad y el rendimiento acústico mejoraron. La Figura 2 muestra la distribución de temperatura en la losa de hormigón, y las Figura 3(a) y 3(b) muestran los resultados de transferencia de calor con y sin panel aislante, respectivamente.
Figura 2. Distribución de temperatura en la losa de hormigón obtenida en las simulaciones con COMSOL Multiphysics®.
Figura 3. Transferencia de calor en la habitación modelizada en COMSOL Multiphysics®. (a) Utilizando panel aislante, y (b) sin utilizar panel aislante.
Este trabajo es un claro ejemplo del potencial que ofrece COMSOL Multiphysics® visualizar y cuantificar los beneficios de nuevos materiales en construcciones sostenibles y en entornos dinámicos.
Referencias
[1] Parvathi et al. “Sustainable Herbo-foam concrete with soap nut and coco-peat: Properties and thermal modelling”, Cleaner Waste Systems (2025), 10, 100196.
- Detalles
- Categoría: BIOVIA
- Visto: 1465
Evento de Dassault Systemes en Juvé&Camps, Finca d'Espiells, Barcelona
Barcelona, 22 de mayo de 2025
La industria de alimentación y bebidas atraviesa un momento clave impulsado por la sostenibilidad, la digitalización y las nuevas demandas del consumidor.
Descubra en este evento exclusivo cómo estas tendencias se combinan con tecnologías innovadoras para acelerar la llegada al mercado, la formulación, optimizar la producción, y la colaboración empresarial. Este evento será una experiencia en todos los sentidos.
Líderes del sector como Europastry, Juvé&Camps y Grupo Bel compartirán desafíos y soluciones tecnológicas.
La FIAB (Federación española de industrias de alimentación y bebidas) moderará una mesa sobre la adopción de la digitalización en la industria alimentaria con la participación de ponentes y asistentes.
Asista para no quedarse atrás:
- Programa exclusivo con información sobre tendencias, digitalización e innovación sostenible en el sector de alimentación y bebidas
- Líderes del sector con casos reales, compartirán desafíos, proyectos y soluciones tecnológicas. Entre ellos, Europastry, Bel, Juvé&Camps y FIAB.
- Networking con expertos, conéctate e intercambia ideas con especialistas de la industria y del ecosistema de Dassault Systèmes.
¡¡¡ Si está interesado contacte con nosotros para obtener su invitación exclusiva !!!
Participan:
- Detalles
- Categoría: Comsol
- Visto: 1035
Introducción
En un esfuerzo por mejorar la detección de estructuras subacuáticas, el Centro Roger F. Wicker de la Universidad del Sur de Misisipi (USM) ha desarrollado una innovadora metodología que combina modelización y simulación en COMSOL Multiphysics® y aprendizaje máquina (“machine learning”). Este enfoque se centra en entrenar vehículos submarinos no tripulados (“uncrewed underwater vehicles” - UUVs) para identificar con precisión objetos ferromagnéticos en el lecho marino, como restos antropogénicos y municiones sin detonar [1].
La detección de objetos ferromagnéticos en entornos marinos presenta múltiples desafíos. Los UUVs equipados con sensores magnéticos enfrentan interferencias tanto del entorno (como corrientes y oleaje) como del propio vehículo. Además, la similitud en las firmas magnéticas de diferentes objetos puede llevar a interpretaciones erróneas.
Trabajo experimental previo
Antes de crear los modelos en COMSOL Multiphysics®, se recopilaron datos experimentales. Para ello, el equipo se dirigió a un entorno marítimo controlado con objetivos conocidos que podían ser estudiados con sensores de gravedad y magnéticos de alta precisión. El experimento físico tuvo lugar cerca del Golfo de México, donde el equipo utilizó un sistema de cabrestante para mover una plataforma con sensores a lo largo de 70 metros entre dos puntos. La Figura 1 (a) muestra una fotografía de plataforma de sensores que utilizó la USM para registrar los datos experimentales.
Bajo la superficie, la plataforma escaneó uno de dos objetivos distintos: un imán cilíndrico de 20.3 cm de largo con un diámetro de 2.5 cm colocado verticalmente (Figura 1b), o un tubo de acero de 30.5 cm de largo con un diámetro de 11.4 cm colocado horizontalmente (Figura 1c). El equipo repitió este procedimiento en varias pruebas por cada objetivo, colocando los recipientes que contenían el imán o el tubo a profundidades de 1 metro, 3 metros y 5 metros.
Figura 1. Dispositivo experimental. (a) Plataforma de sensores para registrar los datos experimentales. (b) Imán cilíndrico de 20.3 cm de largo con un diámetro de 2.5 cm. (c) Tubería de acero horizontal de 30.5 cm de largo con un diámetro de 11.4 cm
Integración de COMSOL Multiphysics® y aprendizaje automático
Para abordar estos desafíos, el equipo de LA USM utilizó COMSOL Multiphysics® para modelizar y simular las respuestas magnéticas de diversas configuraciones de objetos en el lecho marino. Estas simulaciones se validaron con datos empíricos obtenidos en entornos controlados. Posteriormente, se desarrollaron aplicaciones de simulación que integran modelos de aprendizaje automático, permitiendo a los UUVs reconocer automáticamente patrones magnéticos y mejorar la precisión de los datos registrados.
En cuanto a los detalles del modelo, los investigadores utilizaron el módulo AC/DC de COMSOL Multiphysics® para construir modelos de campo potencial. Por otra parte, se definieron las propiedades físicas de los dominios y se creó un banco de pruebas utilizando la interfaz "Magnetic Fields, No Current" disponible en COMSOL. Luego introdujo la configuración espacial con objetivos magnéticos de baja (30,5 cm o 12 pulgadas), media (70 cm o 24 pulgadas) y alta (91,4 cm o 36 pulgadas) intensidad en el espacio de simulación (Figura 2). Finalmente, se calcularon las interacciones de los objetivos con el medio circundante. Las anomalías gravitacionales y magnéticas fueron registradas posteriormente a partir de diversas simulaciones con vehículos submarinos no tripulados, lo que proporcionó un amplio conjunto de datos que capturó las sutilezas de las variaciones del campo potencial en diferentes escenarios. Para alimentar estas simulaciones, el equipo de investigación utilizó análisis de UQ (cuantificación de incertidumbre).
Figura 2. Geometría utilizada por USM para su modelado. Las tres esferas interiores representan tuberías de 30,5; 70; y 91,4 cm (12, 24 y 36 pulgadas) de longitud, respectivamente.
Resultados y aplicaciones futuras
La combinación de simulaciones físicas y aprendizaje automático permite a los UUVs adaptarse a diferentes entornos y condiciones, aumentando su autonomía y eficiencia. Este avance tiene aplicaciones potenciales en la seguridad marítima, la arqueología subacuática y la exploración de recursos naturales.
En resumen, la integración de COMSOL Multiphysics® con técnicas de “machine learning” representa un paso significativo hacia la automatización y precisión en la exploración subacuática. Este enfoque multidisciplinario no solo mejora las capacidades de los UUVs, sino que también abre nuevas posibilidades en la investigación y monitoreo de los océanos.
Para más detalles, puedes consultar la historia completa en el sitio web de COMSOL [2].
Referencias
[1] COMSOL Multiphysics® Technical Papers and Presentations 2024. Mckenna et al. Potential Fields Modeling to Support Machine Learning Applications in Maritime Environments (2024)
[2] Joseph Carew "Potential Fields Modeling to Support Machine Learning Applications in Maritime Environments," COMSOL Conference 2024 Boston, 2024;