Usuario:
Modelo Conceptual
Descripción
Modelo D8 - Modelado Computacional
El modelo conceptual busca comprender los mecanismos que dan origen a un comportamiento, y describirlos de la forma más simple posible. Para eso, el comportamiento se segmenta en temas (grupos): cada uno identifica los objetos o variables que participan —tanto en su funcionamiento normal como en sus posibles anomalías o desviaciones— y describe, mediante verbos, la forma en que esos objetos interactúan entre sí. El resultado es lo que llamamos una red semántica: la estructura con la que representamos y comunicamos el modelo conceptual, antes de introducir ecuación alguna.
ID:3358
Estructura de los Grupos
Descripción
El primer paso consiste en analizar la descripción general del modelo e identificar los distintos aspectos que intervienen en el fenómeno y que deben ser representados. Cada uno de estos aspectos se organiza como un grupo, entendido como una unidad conceptual coherente que describe una parte específica del funcionamiento del modelo.
Cada grupo reúne los objetos o conceptos relevantes para ese aspecto y las relaciones o verbos que describen cómo interactúan, se modifican o dependen unos de otros. De esta manera, cada grupo constituye una parte de la red semántica del modelo, mientras que el conjunto de los grupos permite representar de forma estructurada su funcionamiento global.
La división en grupos facilita además separar mecanismos, condiciones, procesos y resultados que cumplen funciones diferentes dentro del modelo, manteniendo al mismo tiempo las relaciones que existen entre ellos. Los grupos no son, por tanto, componentes aislados: pueden compartir conceptos y establecer relaciones entre sí, formando conjuntamente una única representación semántica del fenómeno.
La imagen anterior ofrece una visión general de los distintos aspectos en que se ha estructurado el modelo. A continuación se presentan los grupos identificados, indicando para cada uno su título y una breve descripción del aspecto del modelo que representa.
Grupo 1: Grupo 1: Integración y simulación computacional
¿Cómo se integran las ecuaciones físicas para predecir el comportamiento biomecánico?
Grupo 2: Grupo 2: Dinámica musculoesquelética directa e inversa
¿Cómo se relacionan movimiento, fuerzas musculares y estructura musculoesquelética?
Grupo 3: Grupo 3: Redundancia y optimización muscular
¿Cómo se selecciona una activación muscular entre infinitas combinaciones equivalentes?
Grupo 4: Grupo 4: Integración temporal adaptativa
¿Cómo se mantiene precisión cuando distintas partes del sistema evolucionan a velocidades diferentes?
Grupo 5: Grupo 5: Elementos finitos de hueso y tejido
¿Cómo se obtienen campos de tensión y deformación bajo carga fisiológica?
Grupo 6: Grupo 6: Aprendizaje automático supervisado
¿Cómo se predicen variables biomecánicas desde señales experimentales económicas?
Grupo 7: Grupo 7: Optimización multiobjetivo y frente de Pareto
¿Cómo se representan soluciones cuando varios objetivos biomecánicos compiten?
Grupo 8: Grupo 8: Validación, error y límites del modelo
¿Cómo se evalúa la fidelidad del modelo y por qué empeora fuera de condiciones normales?
ID:1144
Grupo 1: Grupo 1: Integración y simulación computacional
Descripción
¿Cómo se integran las ecuaciones físicas para predecir el comportamiento biomecánico?
Pregunta clave: ¿Cómo se integran las ecuaciones físicas para predecir el comportamiento biomecánico?
El modelado computacional integra las ecuaciones físicas de todos los subsistemas descritos hasta ahora dentro de entornos de simulación que permiten predecir el comportamiento biomecánico, optimizar diseños y poner a prueba hipótesis que resultaría imposible verificar de forma experimental. Estos modelos van desde la simulación directa, que integra numéricamente las ecuaciones de movimiento del sistema, hasta el aprendizaje automático, que en vez de partir de esas ecuaciones extrae patrones directamente de grandes conjuntos de datos experimentales. Para avanzar esas ecuaciones en el tiempo se necesitan métodos numéricos que ajustan automáticamente el tamaño de cada paso temporal, porque distintas partes del sistema cambian a velocidades muy distintas entre sí, y solo un paso que se adapta a la parte que cambia más rápido garantiza que el cálculo mantenga precisión durante toda la simulación.
ID:6081
Grupo 2: Grupo 2: Dinámica musculoesquelética directa e inversa
Descripción
¿Cómo se relacionan movimiento, fuerzas musculares y estructura musculoesquelética?
Pregunta clave: ¿Cómo se relacionan movimiento, fuerzas musculares y estructura musculoesquelética?
Las simulaciones biomecánicas musculoesqueléticas resuelven, a partir de esas ecuaciones de movimiento, el problema de calcular el movimiento que producen ciertas fuerzas musculares o, a la inversa, las fuerzas musculares que producen cierto movimiento, tratando el cuerpo como un sistema de segmentos rígidos articulados entre sí y representando cada músculo como la combinación de un elemento que se contrae activamente con elementos puramente elásticos dispuestos en serie y en paralelo con él. Como el cuerpo tiene más músculos que grados de libertad de movimiento, existen infinitas combinaciones de activación muscular capaces de producir el mismo movimiento; este problema de redundancia se resuelve buscando, entre todas esas combinaciones posibles, la que minimiza alguna medida de costo, como el gasto metabólico, el estrés muscular o una combinación ponderada de cuánto se activa cada músculo. El aprendizaje automático mencionado al comienzo, en su variante supervisada, entrena redes que procesan la información por capas sucesivas y que resultan especialmente capaces de reconocer patrones espaciales: estas redes han demostrado ser capaces de predecir variables biomecánicas como los momentos articulares o las fuerzas musculares con una precisión comparable a la que entrega calcular el movimiento inverso a partir de las fuerzas medidas, pero partiendo de señales mucho más baratas de obtener, como un video del animal moviéndose o una señal eléctrica muscular registrada sobre la piel. Además de las simulaciones musculoesqueléticas que modelan el movimiento del cuerpo completo, el modelado computacional también se usa para modelar cómo se deforma un hueso o un tejido bajo carga: se divide ese hueso o tejido en muchos elementos volumétricos pequeños y se resuelven, elemento por elemento, las ecuaciones que relacionan la fuerza aplicada con la deformación resultante, ya sea en su forma más simple, proporcional, o en una forma más completa que captura comportamientos no proporcionales. De esa resolución elemento por elemento se obtienen los campos completos de tensión y de deformación dentro del hueso o el tejido bajo las cargas fisiológicas que se le apliquen.
ID:6082
Grupo 3: Grupo 3: Redundancia y optimización muscular
Descripción
¿Cómo se selecciona una activación muscular entre infinitas combinaciones equivalentes?
Pregunta clave: ¿Cómo se selecciona una activación muscular entre infinitas combinaciones equivalentes?
Como el cuerpo tiene más músculos que grados de libertad de movimiento, existen infinitas combinaciones de activación muscular capaces de producir el mismo movimiento; este problema de redundancia se resuelve buscando, entre todas esas combinaciones posibles, la que minimiza alguna medida de costo, como el gasto metabólico, el estrés muscular o una combinación ponderada de cuánto se activa cada músculo. Cuando, en vez de un solo costo a minimizar como en el problema de redundancia muscular, coexisten varios objetivos que compiten entre sí —por ejemplo, maximizar la velocidad de desplazamiento y al mismo tiempo minimizar el costo metabólico— la optimización ya no entrega una única solución óptima sino un conjunto de soluciones igualmente válidas, ninguna de las cuales puede mejorar en un objetivo sin empeorar en el otro; algoritmos inspirados en la selección natural exploran el espacio de soluciones posibles hasta encontrar ese conjunto completo. El aprendizaje automático mencionado al comienzo, en su variante supervisada, entrena redes que procesan la información por capas sucesivas y que resultan especialmente capaces de reconocer patrones espaciales: estas redes han demostrado ser capaces de predecir variables biomecánicas como los momentos articulares o las fuerzas musculares con una precisión comparable a la que entrega calcular el movimiento inverso a partir de las fuerzas medidas, pero partiendo de señales mucho más baratas de obtener, como un video del animal moviéndose o una señal eléctrica muscular registrada sobre la piel.
ID:6083
Grupo 4: Grupo 4: Integración temporal adaptativa
Descripción
¿Cómo se mantiene precisión cuando distintas partes del sistema evolucionan a velocidades diferentes?
Pregunta clave: ¿Cómo se mantiene precisión cuando distintas partes del sistema evolucionan a velocidades diferentes?
Para avanzar esas ecuaciones en el tiempo se necesitan métodos numéricos que ajustan automáticamente el tamaño de cada paso temporal, porque distintas partes del sistema cambian a velocidades muy distintas entre sí, y solo un paso que se adapta a la parte que cambia más rápido garantiza que el cálculo mantenga precisión durante toda la simulación.
ID:6084
Grupo 5: Grupo 5: Elementos finitos de hueso y tejido
Descripción
¿Cómo se obtienen campos de tensión y deformación bajo carga fisiológica?
Pregunta clave: ¿Cómo se obtienen campos de tensión y deformación bajo carga fisiológica?
Además de las simulaciones musculoesqueléticas que modelan el movimiento del cuerpo completo, el modelado computacional también se usa para modelar cómo se deforma un hueso o un tejido bajo carga: se divide ese hueso o tejido en muchos elementos volumétricos pequeños y se resuelven, elemento por elemento, las ecuaciones que relacionan la fuerza aplicada con la deformación resultante, ya sea en su forma más simple, proporcional, o en una forma más completa que captura comportamientos no proporcionales. De esa resolución elemento por elemento se obtienen los campos completos de tensión y de deformación dentro del hueso o el tejido bajo las cargas fisiológicas que se le apliquen. Las simulaciones biomecánicas musculoesqueléticas resuelven, a partir de esas ecuaciones de movimiento, el problema de calcular el movimiento que producen ciertas fuerzas musculares o, a la inversa, las fuerzas musculares que producen cierto movimiento, tratando el cuerpo como un sistema de segmentos rígidos articulados entre sí y representando cada músculo como la combinación de un elemento que se contrae activamente con elementos puramente elásticos dispuestos en serie y en paralelo con él. El comportamiento esperado de todos estos modelos, del modelado computacional con el que se abrió esta descripción, es que reproducen los patrones cinemáticos y de fuerza de reacción del suelo con errores menores a entre un cinco y un diez por ciento cuando se los compara contra mediciones reales en condiciones de marcha normal.
ID:6085
Grupo 6: Grupo 6: Aprendizaje automático supervisado
Descripción
¿Cómo se predicen variables biomecánicas desde señales experimentales económicas?
Pregunta clave: ¿Cómo se predicen variables biomecánicas desde señales experimentales económicas?
El aprendizaje automático mencionado al comienzo, en su variante supervisada, entrena redes que procesan la información por capas sucesivas y que resultan especialmente capaces de reconocer patrones espaciales: estas redes han demostrado ser capaces de predecir variables biomecánicas como los momentos articulares o las fuerzas musculares con una precisión comparable a la que entrega calcular el movimiento inverso a partir de las fuerzas medidas, pero partiendo de señales mucho más baratas de obtener, como un video del animal moviéndose o una señal eléctrica muscular registrada sobre la piel. Las simulaciones biomecánicas musculoesqueléticas resuelven, a partir de esas ecuaciones de movimiento, el problema de calcular el movimiento que producen ciertas fuerzas musculares o, a la inversa, las fuerzas musculares que producen cierto movimiento, tratando el cuerpo como un sistema de segmentos rígidos articulados entre sí y representando cada músculo como la combinación de un elemento que se contrae activamente con elementos puramente elásticos dispuestos en serie y en paralelo con él. Estos modelos van desde la simulación directa, que integra numéricamente las ecuaciones de movimiento del sistema, hasta el aprendizaje automático, que en vez de partir de esas ecuaciones extrae patrones directamente de grandes conjuntos de datos experimentales.
ID:6086
Grupo 7: Grupo 7: Optimización multiobjetivo y frente de Pareto
Descripción
¿Cómo se representan soluciones cuando varios objetivos biomecánicos compiten?
Pregunta clave: ¿Cómo se representan soluciones cuando varios objetivos biomecánicos compiten?
Cuando, en vez de un solo costo a minimizar como en el problema de redundancia muscular, coexisten varios objetivos que compiten entre sí —por ejemplo, maximizar la velocidad de desplazamiento y al mismo tiempo minimizar el costo metabólico— la optimización ya no entrega una única solución óptima sino un conjunto de soluciones igualmente válidas, ninguna de las cuales puede mejorar en un objetivo sin empeorar en el otro; algoritmos inspirados en la selección natural exploran el espacio de soluciones posibles hasta encontrar ese conjunto completo.
ID:6087
Grupo 8: Grupo 8: Validación, error y límites del modelo
Descripción
¿Cómo se evalúa la fidelidad del modelo y por qué empeora fuera de condiciones normales?
Pregunta clave: ¿Cómo se evalúa la fidelidad del modelo y por qué empeora fuera de condiciones normales?
El comportamiento esperado de todos estos modelos, del modelado computacional con el que se abrió esta descripción, es que reproducen los patrones cinemáticos y de fuerza de reacción del suelo con errores menores a entre un cinco y un diez por ciento cuando se los compara contra mediciones reales en condiciones de marcha normal. Ese error crece, sin embargo, en situaciones extremas o patológicas, precisamente porque muchos de estos modelos simplifican el comportamiento del cuerpo suponiendo relaciones proporcionales que dejan de cumplirse cuando el sistema se aleja de las condiciones para las que el modelo fue ajustado. Además de las simulaciones musculoesqueléticas que modelan el movimiento del cuerpo completo, el modelado computacional también se usa para modelar cómo se deforma un hueso o un tejido bajo carga: se divide ese hueso o tejido en muchos elementos volumétricos pequeños y se resuelven, elemento por elemento, las ecuaciones que relacionan la fuerza aplicada con la deformación resultante, ya sea en su forma más simple, proporcional, o en una forma más completa que captura comportamientos no proporcionales.
ID:6088