¿Cuánta confianza merece una simulación?

¿Qué tan confiable es un resultado de simulación? Incluso las desviaciones en las condiciones de frontera, propiedades del material o parámetros operativos pueden cambiar la evaluación de un diseño. Los análisis de sensibilidad ayudan a identificar las variables de influencia decisiva.

Dipl.-Ing. (TU) Stefan Merkle, Socio gerente de Merkle CAE Solutions GmbH.

Un resultado de simulación de 78 °C con una temperatura de componente permitida de 80 °C parece claramente aceptable. Pero, ¿está realmente diseñado el componente de forma segura con esto? ¿Qué sucede si la potencia de pérdida, las propiedades del material, el flujo volumétrico o la transferencia de calor varían dentro de su dispersión real? Cuanto más influyen los modelos virtuales en las decisiones de desarrollo, más importante se vuelve una pregunta que hasta ahora a menudo se subestimaba: ¿Qué tan confiable es realmente el resultado?

La actualidad también se refleja en la estandarización. En febrero de 2026, la NASA publicó la nueva guía para buenas prácticas de modelado y simulación, NASA-HDBK-7009B. La ASME también amplía su marco normativo sobre Verificación, Validación y Cuantificación de Incertidumbre (VVUQ). Detrás de esto hay un cambio fundamental: no es el resultado de simulación que parezca lo más preciso lo que determina la calidad de un modelo, sino su credibilidad demostrada para el caso de uso previsto.

Calcular con precisión no significa automáticamente ser confiable

"El resultado de simulación más peligroso no es necesariamente uno incorrecto, sino uno que parece preciso y por eso ya no se cuestiona", dice Dipl.-Ing. (TU) Stefan Merkle, socio gerente de Merkle CAE Solutions GmbH. "La experiencia también se demuestra al reconocer qué suposiciones dominan un resultado y dónde una reserva de seguridad aparentemente cómoda puede volverse repentinamente crítica."

En modelos multiphysics, esta pregunta adquiere aún más importancia. Las incertidumbres pueden propagarse a través de varias disciplinas físicas: una potencia de pérdida diferente, por ejemplo, modifica el campo de temperatura, lo que afecta las propiedades del material y la expansión térmica, y finalmente las tensiones o deformaciones.

De 78 °C a una decisión confiable

Para el desarrollador, esto significa un cambio de perspectiva. En lugar de simplemente calcular un valor nominal, se varían sistemáticamente las variables de entrada relevantes. Los análisis de parámetros y sensibilidad muestran si, por ejemplo, el flujo del refrigerante, la resistencia de contacto o la potencia de pérdida influyen significativamente en el resultado.

A partir de la declaración "78 °C", surge una información mucho más valiosa desde el punto de vista técnico: ¿bajo qué condiciones el concepto mantiene su límite y cuándo no? De esto pueden derivarse decisiones inmediatas: cambiar el canal de refrigeración, ajustar la potencia de la bomba, endurecer las tolerancias, cambiar el material o liberar conscientemente el diseño existente.

Más simulación requiere más conocimiento de ingeniería

La verificación comprueba si el modelo matemático se resuelve correctamente numéricamente. La validación investiga qué tan bien describe la aplicación real. La Cuantificación de Incertidumbre finalmente evalúa cómo las incertidumbres de las variables de entrada y del modelo afectan el resultado. Esta separación se vuelve más importante cuando las simulaciones físicas se complementan cada vez más con experimentos.

En este contexto, vale: un modelo más complejo no es automáticamente un mejor modelo. Especialmente en simulaciones multiphysics acopladas, la elección adecuada de condiciones de frontera, modelos de material, métodos de acoplamiento y simplificaciones sensatas determina la validez de la conclusión. No se trata de la máxima complejidad del modelo, sino de tener un modelo cuya precisión y límites sean conocidos para la decisión de desarrollo concreta.

Para los departamentos de desarrollo, esto implica un enfoque pragmático: primero, definir la decisión que se desea tomar con la simulación. En segundo lugar, identificar las incertidumbres y variables relevantes. En tercer lugar, asegurar específicamente aquellas variables mediante experimentos que realmente dominan el resultado. La simulación y las pruebas físicas no se consideran como alternativas, sino como un proceso iterativo: los datos de medición validan y mejoran el modelo; a su vez, el modelo muestra qué experimentos aportan el mayor conocimiento.

Precisamente, esta comparación entre el modelo virtual y la realidad es crucial. En la práctica de Merkle CAE, los métodos de simulación se comparan y desarrollan específicamente con datos experimentales. Así, un resultado de cálculo se convierte en una base de decisión confiable.

Porque, en última instancia, solo importa una cosa: "¿Mi modelo está validado para la decisión exacta que quiero tomar con él?"