Resolución Numérica de PDEs para Difusión de Calor en Reactor Farma
Visión general
De qué trata este proyecto.
Implementa Crank-Nicolson y FTCS (Forward-Time Central-Space) explícito para la ecuación del calor 2D en coordenadas cilíndricas. Discretiza el reactor en una malla 200 x 80 (radial x axial). Resuelve el sistema lineal resultante de Crank-Nicolson con scipy.sparse.linalg (algoritmo: GMRES con precondicionador ILU). Valida contra 4 lotes reales: termopares en 6 posiciones, datos cada 30 segundos durante 4 horas. Analiza estabilidad numérica del esquema explícito y cuándo viola la condición CFL (Courant-Friedrichs-Lewy). Entrega: código Python documentado, validación contra los 4 lotes (error RMS por termopar), informe técnico de 12 páginas, recomendación de perfil de enfriamiento.
El Briefing
Lo que harás y lo que demostrarás.
Resolver numéricamente la ecuación del calor 2D en un reactor cilíndrico validando contra datos reales con error RMS menor a 1,5 grados Celsius y proponer perfil de enfriamiento.
Earning criteria — what you'll demonstrate
- Discretizar PDEs con diferencias finitas en coordenadas curvilíneas
- Comparar esquemas implícitos y explícitos por estabilidad y coste
- Resolver sistemas lineales grandes y dispersos con métodos iterativos
- Validar simulaciones contra datos reales con métricas de error claras
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador Científico
Resolver una PDE con métodos numéricos en un caso industrial real es exactamente la combinación teoría + aplicación que se busca en investigación aplicada en farma, energía o aeroespacial.
Este proyecto afina
- numerical-pdes
- crank-nicolson
- validation
Ingeniero de Datos
Los ingenieros de datos que pueden modelar fenómenos físicos numéricamente, no solo correlaciones estadísticas, encuentran trabajo en plantas industriales digitalizadas.
Este proyecto afina
- scientific-python
- numerical-stability
- validation
Ingeniero de Aprendizaje Automático
Combinar simulación física y datos reales es la base de los modelos híbridos (physics-informed ML) que están reemplazando enfoques puramente data-driven en ingeniería.
Este proyecto afina
- numerical-pdes
- scientific-python
- validation