Periodic Table Research (PTR) es un marco abierto y reproducible para transformar fenómenos físico-químicos, evidencia científica, modelos y simulaciones en casos de ingeniería trazables que progresan desde la comprensión fundamental hasta la decisión industrial.
PTR no se organiza como una colección aislada de simulaciones, datasets o dashboards. Cada caso constituye una implementación End-to-End que aporta conocimiento reutilizable a una arquitectura común:
elementos → sustancias → estructura y propiedades → interacciones → fenómenos → modelos → evidencia → simulación → validación → proceso → energía → ambiente → economía → operaciones → supply chain → decisión → control
El objetivo es construir progresivamente un ecosistema donde nuevos casos puedan reutilizar entidades, datos, evidencia, modelos, métodos, estándares y decisiones de casos anteriores, evitando silos y aumentando el valor acumulativo del repositorio.
El Case 102 — Methanol–Water Distillation, derivado de un caso FOSSEE/DWSIM, constituye la primera implementación fundacional del nuevo modelo PTR.
El caso utiliza el sistema Methanol–Water para desarrollar y validar progresivamente la arquitectura completa:
composición molecular y propiedades → equilibrio vapor–líquido → modelos termodinámicos → simulación DWSIM → evidencia experimental independiente → comparación y validación de modelos → balances de masa y energía → sensibilidad e incertidumbre → impacto energético y ambiental → CAPEX/GHG cuando exista evidencia suficiente → alternativas y trade-offs → decisión industrial
La comparación entre Raoult's Law, NRTL, UNIQUAC y Modified UNIFAC (Dortmund) permite establecer el primer patrón reproducible para distinguir:
- evidencia experimental;
- cálculos y correlaciones;
- resultados simulados;
- estimaciones;
- hipótesis;
- decisiones derivadas.
Case 102 no representa una plantilla rígida que todos los casos deban replicar completamente. Representa el primer Digital Thread científico-industrial de referencia desde el cual nuevos casos pueden adoptar únicamente las capas que correspondan a su dominio.
Cada caso puede evolucionar mediante capas interoperables:
Element → Substance → Structure → Property → Interaction → Phenomenon
Identificación química, propiedades físico-químicas, mecanismos moleculares y fenómenos relevantes.
Evidence → Assumption → Hypothesis → Model → Parameter
Literatura primaria, datasets experimentales, ecuaciones, modelos constitutivos, parámetros y límites de aplicabilidad.
Model → SimulationRun → Result → Sensitivity → Validation
DWSIM funciona como laboratorio computacional principal para simulación de procesos. Python, SQL y otras herramientas se incorporan cuando mejoran extracción, transformación, comparación, optimización o reproducibilidad.
Unit Operation → Process → Energy → Safety → Environment → Economics
Los resultados científicos se proyectan progresivamente hacia desempeño de proceso, consumo energético, seguridad, emisiones, CAPEX/OPEX y otras variables industriales cuando el caso disponga de evidencia suficiente.
Plant → Logistics → Supply Chain → Customer → Scenario
Los casos que lo requieran pueden extenderse hacia producción, inventario, transporte, servicio, demanda, clientes y cadena de suministro.
Evidence → Alternatives → Constraints → Uncertainty → Trade-off → Decision → Control
El objetivo final no es producir un resultado numérico aislado, sino documentar qué evidencia sustenta una decisión, bajo qué supuestos, restricciones e incertidumbre.
PTR utiliza una fuente canónica gobernada desde la cual se generan diferentes proyecciones:
Scientific / Industrial Sources
│
▼
Deterministic ETL
│
▼
Canonical Governed Data
│
┌──────┼───────────────┐
▼ ▼ ▼
SQL Knowledge Metadata /
DuckDB Graph Provenance
│ │ │
└──────┴───────┬───────┘
▼
Analytical Views
┌───────────┼───────────┐
▼ ▼ ▼
Power BI Obsidian Reports
Power BI, Obsidian y otras interfaces son proyecciones del conocimiento; no constituyen la fuente canónica.
La arquitectura busca permitir que cada caso pueda proyectarse simultáneamente como:
- documentación técnica;
- dataset gobernado;
- modelo relacional;
- Knowledge Graph;
- simulación reproducible;
- análisis estadístico;
- modelo Power BI;
- evidencia para una decisión.
PTR prioriza:
Reproducibilidad Un resultado debe poder reconstruirse a partir de sus fuentes, parámetros, software y transformaciones.
Trazabilidad Cada artefacto debe mantener relaciones explícitas con su origen y sus derivados.
Validación independiente Una simulación no valida otra simulación. Cuando corresponda, los modelos deben contrastarse contra evidencia experimental, metrológica o documental independiente.
Interoperabilidad Entidades y relaciones deben poder reutilizarse entre casos, repositorios y herramientas.
Semántica común Sustancias, propiedades, modelos, observaciones, corridas, evidencia y decisiones deben utilizar identificadores y estructuras consistentes.
Separación epistemológica Los datos deben distinguir explícitamente entre:
experimental · calculated · simulated · estimated · documentary · synthetic · hypothetical
FAIR · SI · IUPAC · QC · Provenance Los datos y modelos deben permanecer encontrables, accesibles cuando sea posible, interoperables, reutilizables y técnicamente auditables.
Cada nuevo caso debe aportar conocimiento reutilizable.
Case 102
│
├── Methanol
├── Water
├── VLE
├── Raoult
├── NRTL
├── UNIQUAC
├── UNIFAC
├── Distillation
└── Experimental Evidence
│
▼
Shared PTR Knowledge
│
┌────┼────┬────┐
▼ ▼ ▼ ▼
Case A Case B Case C ...
Un compuesto, propiedad, modelo, fuente experimental o método validado en un caso no debería investigarse y modelarse nuevamente desde cero cuando pueda ser reutilizado con provenance explícito.
De esta forma:
cada caso amplía el Knowledge Graph y cada nuevo caso puede comenzar desde un nivel de conocimiento superior al anterior.
PTR puede integrar, según la naturaleza de cada caso:
- termodinámica;
- fenómenos de transporte;
- equilibrio de fases;
- operaciones unitarias;
- ingeniería de reacciones;
- simulación de procesos;
- caracterización físico-química;
- metrología y QA/QC;
- análisis estadístico;
- optimización;
- análisis energético;
- seguridad de procesos;
- CAPEX/OPEX;
- emisiones GHG;
- logística;
- supply chain;
- análisis comercial;
- decisiones industriales.
No todas las capas son obligatorias.
La profundidad de un caso está determinada por la pregunta de ingeniería, disponibilidad de evidencia y decisión que debe soportar.
Periodic Table Research — From Elements to Industrial Decisions busca convertir casos individuales de ingeniería química en una infraestructura creciente de conocimiento científico-industrial.
El resultado esperado no es solamente un repositorio de ejemplos.
Es una arquitectura capaz de conservar la cadena:
qué conocemos → de dónde proviene → cómo fue modelado → cómo fue probado → qué incertidumbre permanece → qué alternativas existen → por qué se tomó una decisión.
Roberto Andrés Flores Núñez Ingeniero en Química Industrial — INACAP
Periodic Table Research — From Elements to Industrial Decisions
Correo: roberto.flores.n1987@gmail.com
Teléfono: +56 9 7903 8910