- Detalles
- Categoría: Comsol
- Visto: 150
COMSOL Multiphysics® y Fórmula E han anunciado una alianza plurianual por la que COMSOL pasa a ser el Socio Oficial de Multifísica del ABB FIA Formula E World Championship [1]. El anuncio llega en un momento clave para ambas organizaciones: la Fórmula E estrena su coche GEN4 en la temporada 2026-2027, y COMSOL Multiphysics® v2027 se lanzará a finales de este otoño.
GEN4: una nueva era para la Fórmula E
La temporada 13 de la Fórmula E trae un salto técnico notable:
- Velocidad: hasta 335 km/h (208 mph), con 0 a 200 km/h en solo 4,4 segundos.
- Potencia: 600 kW en ATTACK MODE, un 71 % más de potencia base que el GEN3 Evo, y un 50 % más de potencia en modo carrera.
- Tracción total permanente: mejora la tracción y la gestión del par, y permite pasar de 0 a 100 km/h en torno a 1,8 segundos.
- Más energía disponible: 55 kWh para la carrera, un 43 % más que el GEN3 Evo. Con más potencia y más energía, la eficiencia en el despliegue y la recuperación pesa más que nunca.
- Sostenibilidad: es el primer coche de carreras 100 % reciclable o reutilizable, con al menos un 20 % de materiales reciclados en neumáticos, baterías, chasis y kit de potencia delantero.
El GEN4 competirá en dos formatos: el E-Prix, centrado en la gestión de la energía, y el E-Prix Unleashed, donde el coche se lleva al límite en algunos de los circuitos más conocidos del mundo.
COMSOL Multiphysics® v2027: velocidad, eficiencia y precisión
La nueva versión promete cálculos más rápidos, modelado a nivel de sistema y más herramientas para crear y desplegar simulaciones. Destacan dos novedades:
Electric Motor Module. Este nuevo módulo ofrece un entorno optimizado para modelar motores eléctricos y generadores, desde aplicaciones industriales hasta coches de calle. Permite evaluar rendimiento, rangos de operación, pérdidas, efectos de los materiales y fallos, tanto en 2D como en 3D (Figura 1), para optimizar eficiencia y aprovechamiento de materiales.
Figura 1. Un modelo 3D de un motor de flujo axial para un vehículo eléctrico, que ilustra las capacidades de modelado detallado de máquinas eléctricas del Electric Motor Module.
COMSOL Systems™. Este producto añade un entorno para analizar sistemas completos sin perder el detalle multifísico donde hace falta. Con una biblioteca de casi 5000 componentes listos para usar, es posible construir diagramas de circuitos eléctricos, diagramas de flujo de procesos y modelos de sistema basados en ecuaciones, y conectarlos con modelos multifísicos 1D, 2D o 3D.
En un coche como el GEN4, esto permitiría modelar el tren motriz eléctrico a nivel de sistema e incorporar modelos detallados del motor, la batería o el sistema de frenada regenerativa. Así se podría ampliar el foco sobre el motor para estudiar pérdidas electromagnéticas, generación de calor y efecto de la temperatura, sin perder la visión global del vehículo. La Figura 2 muestra un modelo de circuito eléctrico creado en COMSOL Systems™ acoplado a un modelo multifísico 3D detallado creado en COMSOL Multiphysics®, que permite analizar conjuntamente la física a nivel de circuito y a nivel de componente.
Figura 2. Un modelo de circuito eléctrico creado en COMSOL Systems™ acoplado a un modelo multifísico 3D detallado creado en COMSOL Multiphysics®, que permite analizar conjuntamente la física a nivel de circuito y a nivel de componente.
Una alianza con objetivos compartidos
Tanto competir en la élite del motorsport eléctrico como desarrollar un buen producto de ingeniería exigen optimización y eficiencia. Por eso la alianza resulta beneficiosa para ambas partes: la Fórmula E presenta su coche más rápido sin renunciar a la eficiencia, y COMSOL ofrece nuevas capacidades para modelar máquinas eléctricas, analizar sistemas interconectados e investigar las interacciones multifísicas que determinan el rendimiento real.
Por separado, ambos son líderes que impulsan la innovación. Juntos, pueden acelerarla.
Referencia
[1] Post original (en inglés): Multiphysics Simulation Brings Fast, Reliable Innovation to Electric Motorsport, por Joseph Carew, COMSOL Blog (7 de octubre de 2026).
- Detalles
- Categoría: Minitab
- Visto: 293
Por Joshua Zable.
Los sistemas de gestión de calidad se han convertido en la columna vertebral de los programas de calidad de la fabricación moderna. Organizan la documentación, respaldan el cumplimiento normativo y gestionan las acciones correctivas.
Sin embargo, muchos fabricantes aún tienen dificultades para responder a una pregunta crucial:
"¿Nuestro proceso de fabricación está estadísticamente bajo control?"
Esa pregunta no suele responderse únicamente con un sistema de gestión de calidad (SGC).
Requiere software de calidad estadística.
Ahí es donde Prolink QC-CALC y las soluciones de Minitab aportan un valor significativo.
¿Qué hace un SGC?
Un SGC (Sistema de Gestión de Calidad) está diseñado para estandarizar y gestionar los procesos de calidad.
Las capacidades típicas incluyen:
- Control de documentos
- CAPA
- Auditorías
- Calidad del proveedor
- Gestión de quejas
- Capacitación
- Calibración
- Gestión del cambio
- Gestión de riesgos
- Informes de cumplimiento
Estos sistemas son indispensables para gestionar operaciones de calidad.
Sin embargo, por lo general no están diseñados para realizar análisis estadísticos avanzados de procesos ni para automatizar la recopilación de datos de inspección de equipos de metrología. De hecho, incluso cuando ofrecen módulos de calidad para la recopilación de datos, no pueden gestionar el volumen ni el tipo de datos necesarios para el análisis.
¿Qué es Prolink QC-CALC?
Prolink QC-CALC es un software para la fabricación de recopilación de datos de calidad y control estadístico de procesos (SPC).
Recopila automáticamente datos de inspección de cientos de dispositivos de medición, entre los que se incluyen:
- Máquinas de medición por coordenadas (MMC)
- Sistemas de visión
- Manómetros con cables
- medidores inalámbricos
- Escáneres láser
- Dispositivos de medición portátiles
- Equipos de medición de superficies
En lugar de importar manualmente los resultados de las inspecciones a hojas de cálculo, QC-CALC recopila los datos automáticamente y los analiza de inmediato. No solo elimina la entrada manual de mediciones, sino que proporciona análisis SPC instantáneos y alertas en tiempo real. Puede generar informes de inspección, análisis de tendencias y se integra a la perfección con Minitab para ofrecer análisis personalizados realizados por Minitab.
Vea el vídeo para descubrir cómo Prolink permite la recopilación de datos en tiempo real
El ecosistema de calidad completo necesita soluciones de Prolink y Minitab
QC-CALC es excelente para recopilar y monitorear datos de calidad.
Minitab destaca por comprender por qué se produce la variación y por determinar cómo eliminarla.
Una vez que QC-CALC identifica un problema, Minitab proporciona capacidades analíticas avanzadas, como control estadístico de procesos, análisis de capacidad de proceso, análisis de sistemas de medición, diseño de experimentos (tanto clásicos como modernos), así como modelado predictivo como regresión y métodos de aprendizaje automático más avanzados.
Con la solución Simul8 de Minitab, simule una mejora propuesta para el proceso antes de implementarla, para asegurarse de que se está tomando la medida correcta.
Un sistema de gestión de calidad (SGC) con Minitab es una potente combinación
Los fabricantes obtienen los mejores resultados cuando los sistemas de calidad funcionan de forma conjunta.
Un SGC proporciona gobernanza y cumplimiento normativo.
Prolink QC-CALC proporciona información automatizada para la inspección.
Las soluciones de Minitab transforman los datos de calidad en información estadística que impulsa una mejora duradera de los procesos.
Si bien la documentación de calidad es esencial, los conocimientos sobre calidad son los que permiten a los fabricantes mejorar continuamente.
Al combinar un sistema de gestión de calidad (SGC) con las soluciones Prolink QC-CALC y Minitab, los fabricantes van más allá de documentar la calidad: obtienen la capacidad de comprenderla, predecirla y optimizarla.
- Detalles
- Categoría: Argus
- Visto: 319
Es el mismo agente de IA de Cosmon que ya conoce, ahora con capacidades más potentes para ayudarle a acelerar aún más su flujo de trabajo de diseño a producción.
Esto es lo nuevo en Argus:
- Capacidad de entrega: Argus entiende mejor la ingeniería y la intención de diseño con modelos más recientes como Claude Opus 5.5 y GPT-6 Astra, por lo que los entregables son más precisos y precisos.
- Flujos de trabajo, habilidades y SDK: Acelere su productividad escalando tareas repetitivas con "habilidades" y "flujos de trabajo", que pueden compartirse entre su equipo. Use el "SDK" para impulsar Argus desde su propio código, pila y agentes.
- Integraciones: Argus ahora se conecta con Onshape, Creo y 15 herramientas más de CAD, CAE y PLM, como NX, SolidWorks, CATIA y COMSOL.
- Detalles
- Categoría: BIOVIA
- Visto: 265
Descubra cómo los laboratorios y equipos de I+D pueden acelerar el desarrollo de nuevos productos mediante un enfoque digital, predictivo y conectado. En esta guía conocerá cómo BIOVIA Formulation Design, integrado en la plataforma 3DEXPERIENCE®, ayuda a optimizar formulaciones, reducir los ciclos de ensayo y error, controlar los costes de las materias primas y garantizar el cumplimiento normativo desde las primeras etapas del diseño.
Además, encontrará información sobre simulación predictiva, gestión centralizada del conocimiento, trazabilidad de formulaciones, colaboración entre equipos de I+D, Calidad y Regulatory, así como la integración con las operaciones de laboratorio para crear un entorno de innovación más eficiente y conectado.
Descargue el documento y descubra cómo transformar el desarrollo de formulaciones en un proceso más rápido, inteligente y orientado a resultados.
- Detalles
- Categoría: Comsol
- Visto: 315
La caracterización de la estructura porosa de los hidrogeles es fundamental para comprender sus propiedades de transporte. Sin embargo, obtener una representación cuantitativa de esta microestructura puede resultar especialmente complejo cuando se trabaja con materiales blandos y completamente hidratados.
Investigadores de la Brno University of Technology, Zhurauliova y sus colaboradores, combinan microscopía de fuerza atómica (AFM) y COMSOL Multiphysics® para desarrollar un procedimiento de caracterización de la superficie de un hidrogel de agarosa. Sus resultados han sido publicados recientemente en la revisa “Materials Today” de Elsevier [1].
El procedimiento parte de una imagen de topografía obtenida mediante AFM sobre el hidrogel en estado completamente hidratado. La información experimental se incorpora posteriormente a COMSOL Multiphysics® mediante el add-on Image to Curve, que permite transformar los contornos identificados en la imagen en una geometría computacional, como se muestra en la Figura 1.
Figura 1. Procedimiento para el procesamiento de imágenes de AFM de hidrogeles con el fin de calcular la fracción de área de poros y la permeabilidad aparente: a) Imagen de AFM original de la estructura del hidrogel, de 9×9 μm; b) Segmentación de los poros con los bordes marcados (líneas verdes) mediante el complemento Image to Curve en COMSOL Multiphysics®.
La Figura 2 muestra las condiciones de contorno aplicadas en el modelo de COMSOL Multiphysics®.
Figura 2. condiciones de contorno aplicadas en el modelo de COMSOL Multiphysics®.
A partir de esta geometría bidimensional se utiliza la interfaz física Creeping Flow, basada en las ecuaciones de Stokes, para analizar el transporte a través de las regiones identificadas como poros. Los resultados del campo de velocidades y del gradiente de presión permiten calcular, mediante la ley de Darcy, un descriptor de permeabilidad aparente.
La fracción de área de poros obtenida mediante COMSOL Multiphysics® fue aproximadamente 0,75, frente a 0,81 obtenida mediante ImageJ a partir de la misma imagen AFM. Además, se obtuvo una permeabilidad aparente del orden de 3 × 10⁻¹⁵ m².
Uno de los aspectos más interesantes del trabajo es precisamente la conexión entre caracterización experimental y modelización numérica: en lugar de construir una geometría idealizada del material, la simulación parte directamente de una microestructura obtenida experimentalmente.
El trabajo constituye así un ejemplo de cómo COMSOL Multiphysics® puede utilizarse para incorporar datos experimentales directamente en un modelo numérico, facilitando el análisis cuantitativo de microestructuras complejas.
Referencia
[1] D. Zhurauliova, M. Pekař, J. Smilek, Evaluation of AFM-derived Pore Area Fraction and Apparent Permeability Using COMSOL Multiphysics, Materials Today Communications, 2026. DOI: 10.1016/j.mtcomm.2026.116253
- Detalles
- Categoría: Lakes
- Visto: 259
La versión contiene las siguientes implementaciones:
- Modelos actualizados: Nuevos ejecutables EPA EE.UU. AERMOD, AERMET, AERMINUTE & AERSURFACE (versión 26135).
- Versión actualizada de AERMOD Paralelo: AERMOD MPI ha sido actualizado para la versión 26135.
- Archivos de emisiones por hora: Soporte para múltiples archivos de emisiones por hora en un solo proyecto y una utilidad Creador de Archivos de Emisiones por Hora completamente actualizada.
- Principales mejoras en la vista AERMET: Incluyendo nuevo soporte para formatos de datos de superficie GHCNh, cálculos de rugosidad superficial basados en anillos y otras actualizaciones de la interfaz.
- Notas adicionales: Revise las notas completas de la versión para una lista detallada de todos los cambios.
- Detalles
- Categoría: Minitab
- Visto: 253
Por Alyssa Sarro.
Antes, el aprendizaje automático requería que los equipos escribieran código, probaran algoritmos manualmente y dedicaran mucho tiempo a ajustar modelos individuales para adaptarlos a las necesidades específicas del negocio. El aprendizaje automático de bajo código y el aprendizaje automático automatizado (AutoML) están transformando esta experiencia al hacer que el modelado predictivo sea más accesible y reduciendo pasos monótonos.
Simplificar el desarrollo de modelos requiriendo menos código no facilita todas las etapas de la implementación del aprendizaje automático. Las organizaciones aún deben preparar sus datos, validar si un modelo tiene sentido práctico, integrarlo en los sistemas operativos y gestionar su rendimiento a lo largo del tiempo.
¿Qué son Low-Code ML y AutoML?
Aunque los términos se utilizan a menudo juntos, no son intercambiables.
El aprendizaje automático de bajo código se refiere a plataformas y flujos de trabajo que reducen la programación necesaria para desarrollar y utilizar modelos de aprendizaje automático. Las interfaces guiadas permiten que analistas, ingenieros y expertos en la materia participen sin tener que programar cada componente desde cero.
El aprendizaje automático automatizado, o AutoML, automatiza tareas de modelado específicas. Dependiendo de la plataforma, esto puede incluir probar algoritmos, ajustar modelos, comparar el rendimiento y recomendar un candidato prometedor.
En términos sencillos, el enfoque low-code describe cómo interactúa una persona con la tecnología; AutoML describe el trabajo de modelado que la tecnología realiza automáticamente. Ambos pueden acelerar el análisis, pero ninguno automatiza todas las decisiones relacionadas con un modelo.
¿Cómo funciona AutoML con Minitab?
El módulo de analítica predictiva de Minitab muestra cómo AutoML puede ayudar tanto a profesionales principiantes como a expertos.
Para un resultado binario, por ejemplo, si una unidad fabricada pasará la inspección, la herramienta Descubrir el Mejor Modelo de Minitab puede comparar la regresión logística binaria, CART®, la clasificación TreeNet® y la clasificación Random Forests®. En lugar de construir cada modelo de forma independiente, los usuarios pueden comparar su rendimiento utilizando criterios como el área bajo la curva ROC.
Imaginemos a un fabricante intentando predecir si un lote de producción no superará la inspección final. El equipo dispone de datos históricos sobre materiales, proveedores, configuración de equipos, temperatura, presión, humedad y resultados de las inspecciones. AutoML puede evaluar varios enfoques e identificar rápidamente el más adecuado.
Se trata de un avance significativo, pero no es el final del proyecto. Los expertos en procesos deben determinar si las relaciones del modelo tienen sentido físico y operativo. El equipo debe verificar que sus datos representen las condiciones de producción reales y que los datos de entrada necesarios estén disponibles al realizar las predicciones. Posteriormente, los responsables técnicos deben conectar el modelo con los sistemas y flujos de trabajo donde se toman las decisiones.
Aquí es donde el conocimiento del dominio se vuelve esencial. Una variable puede mejorar el rendimiento predictivo histórico, pero aun así ser inapropiada para la producción porque es difícil de medir, aparece demasiado tarde en el proceso o refleja una correlación sin una explicación operativa plausible. Un resultado estadístico sólido también debe superar una revisión práctica.
Por qué un modelado más rápido no siempre significa una implementación más rápida
Esta distinción es fundamental en el reciente informe de G2, State of Low-Code Machine Learning in 2026: Why Deplyment Takes 4.5 Months. Basándose en más de 3400 reseñas verificadas en diversas categorías de aprendizaje automático, G2 descubrió que las plataformas de aprendizaje automático de bajo código tardaban un promedio de 4,5 meses en ponerse en marcha. Las empresas encuestadas reportaron un promedio de 5,47 meses.
Minitab fue uno de los cuatro proveedores que contribuyeron a la investigación. Los proveedores coincidieron en general sobre las principales causas de retraso: la disponibilidad de los datos, la integración con los sistemas de producción y los procesos organizativos, y no solo la construcción del modelo.
El informe también revela una aparente contradicción. Minitab y otros dos proveedores participantes informaron que AutoML puede reducir el tiempo de implementación en más del 75 %, mientras que los datos de revisión por categorías de G2 no mostraron la misma reducción. En lugar de descartar cualquiera de los hallazgos, las organizaciones deberían preguntarse qué incluye cada medición y dónde se generan los ahorros mediante la automatización.
Los resultados ponen de manifiesto una diferencia crucial en la medición. La automatización del desarrollo de modelos puede reducir el tiempo necesario para probar algoritmos, refinar modelos y comparar resultados. Un cliente que mide el tiempo total de puesta en marcha también tiene en cuenta la preparación de datos, las revisiones de gobernanza, la integración del sistema, los cambios de proceso y la adopción por parte de los usuarios.
Estas actividades varían significativamente según la organización y el caso de uso. Un equipo pequeño que trabaje con datos accesibles y bien preparados puede avanzar rápidamente. Una empresa global que opere en múltiples sistemas, grupos de aprobación y entornos regulados puede requerir una coordinación mucho mayor, incluso cuando el desarrollo del modelo en sí sea eficiente.
Puede que el modelo esté listo, pero la organización no.
Las responsabilidades que AutoML no elimina
Aquí es donde la supervisión humana en el aprendizaje automático cobra importancia. Las organizaciones pueden prepararse tratando AutoML como una parte de un ciclo de vida analítico más amplio:
- Disponibilidad de los datos: ¿Los datos son completos, representativos, fiables y relevantes?
- Validación del dominio: ¿Las relaciones del modelo tienen sentido práctico y sus predicciones son aplicables?
- Integración operativa: ¿Puede el modelo conectarse con los sistemas y flujos de trabajo donde se toman las decisiones?
- Gestión del ciclo de vida: ¿Quién supervisará, gestionará, actualizará o sustituirá el modelo a medida que cambien las condiciones?
Minitab Model Ops facilita la transición desde la creación del modelo a la producción mediante la implementación, la monitorización del rendimiento, la evaluación de la estabilidad y la desviación, el control de acceso y la gobernanza. Estas capacidades son fundamentales porque la implementación no es el punto final. Un modelo de producción se convierte en una responsabilidad organizacional continua.
Esa responsabilidad debe asignarse antes de la implementación. Los equipos necesitan criterios claros para un rendimiento aceptable, respuestas definidas cuando el rendimiento disminuye y un acuerdo sobre quién puede aprobar los cambios en el modelo. Estas decisiones no pueden delegarse a un algoritmo a posteriori.
La automatización y la experiencia funcionan mejor juntas
AutoML puede facilitar la participación de más personas en el análisis predictivo, al tiempo que permite a los profesionales experimentados centrarse en la validación, la implementación y la supervisión. Su mayor valor no reside en excluir a las personas del proceso, sino en permitirles contribuir donde su criterio es más importante.
El futuro del análisis predictivo no reside en elegir entre automatización y experiencia. Se trata de combinar tecnología accesible con el criterio humano y la disciplina operativa necesarios para convertir un modelo prometedor en una decisión empresarial fiable.
La automatización acorta el proceso de modelado; no elimina la responsabilidad que rodea al modelo.