SorbFlow es una herramienta en Python para modelar, simular, calibrar y diseñar procesos de adsorción en fase acuosa, en reactores batch y en columnas de lecho fijo. Reúne en una sola biblioteca isotermas de equilibrio, modelos cinéticos LDF y HSDM, integración numérica rígida con control de balance de masa, calibración de parámetros, propagación de incertidumbre, diseño hidráulico y optimización multiobjetivo, con unidades SI explícitas y resultados trazables por huella SHA-256.
Se usa desde Python, desde la línea de comandos (sorbflow) o desde una
interfaz web local; las tres vías ejecutan los mismos motores de cálculo.
Antes se llamaba PyFAST.
- Cualquier soluto y adsorbente. Contaminantes, materiales y recetas son datos de
configuración, no código: sirve para colorantes, metales, compuestos orgánicos u
otros solutos con sus parámetros. Las mezclas de N adsorbentes se describen con
fracciones de masa seca (
AdsorbentBlend). - Modelos intercambiables. Isotermas lineal, Langmuir y Freundlich; cinética LDF o HSDM con película; dispersión axial y fronteras de Danckwerts. Cambiar de modelo es cambiar una línea del archivo de configuración.
- Unidades seguras. Entradas con unidades (mg/L, min, cm, g…) convertidas a SI de forma explícita; base seca y velocidades superficial e intersticial diferenciadas.
- Control numérico completo. Celdas axiales y radiales, integradores BDF o Radau, tolerancias por tipo de estado, Jacobiano analítico y modo streaming.
- Resultados verificables. Cada simulación comprueba el balance global de masa y la positividad, y guarda configuración, versiones, revisión del código y huellas.
- Del laboratorio al diseño. Importación de curvas de ruptura con unidades, ajuste de isotermas y constantes cinéticas, Monte Carlo, EBCT, Ergun, costo de operación, DXF del lecho y optimización NSGA-II con restricciones.
| Motor | Qué resuelve | Punto de entrada |
|---|---|---|
| Batch LDF | Recipiente cerrado: concentración y carga hasta el equilibrio | sorbflow.simulate.batch |
| Columna LDF | Lecho fijo con volúmenes finitos axiales, dispersión y Danckwerts | sorbflow.simulate.column (kind: "ldf") |
| Columna HSDM | Lecho fijo con difusión radial en la partícula y resistencia de película | sorbflow.simulate.column (kind: "hsdm") |
| Integración rígida | BDF/Radau (SciPy), Jacobiano disperso analítico opcional, historia en streaming | sorbflow.solvers.SolverOptions |
| Calibración | Ajuste de isotermas y k_LDF, SVD, perfiles de verosimilitud, objetivos multiensayo |
sorbflow.fit, sorbflow.calibration |
| Incertidumbre | Monte Carlo reproducible y sensibilidad local | sorbflow.uncertainty |
| Optimización | NSGA-II multiobjetivo con restricciones y reevaluación | sorbflow.optimize.nsga2 |
| Diseño | EBCT, residencia, Ergun, potencia, costo y DXF | sorbflow.design |
| Entrada/salida | CSV con unidades, JSON, CSV y Parquet con huellas | sorbflow.io |
| Interfaz local | Servidor seguro en 127.0.0.1 sobre los mismos motores |
python -m sorbflow.web |
Arquitectura y detalle de cada motor en motores de cálculo.
Isotermas:
Cinética LDF y difusión superficial homogénea (HSDM) con película:
Columna de lecho fijo con fronteras de Danckwerts:
Batch:
![]() |
![]() |
| Isotermas lineal, Langmuir y Freundlich | Cinética batch LDF hasta el equilibrio |
![]() |
![]() |
| Convergencia al refinar la malla axial | Jacobiano analítico y modo streaming |
Todas se regeneran con python scripts/make_figures.py a partir de simulaciones
reales de los ejemplos incluidos. Ver la galería.
Instalación (Python 3.11 o superior):
pip install sorbflow # núcleo: Pint, NumPy, SciPy
pip install "sorbflow[optimize,parquet]" # NSGA-II y exportación ParquetLínea de comandos, con los ejemplos de examples/:
sorbflow batch examples/batch_ldf.json --output runs/batch
sorbflow column examples/column_ldf.json --output runs/columna_ldf --cells 100
sorbflow column examples/column_hsdm.json --output runs/columna_hsdm --cells 40 --radial-cells 12Python:
from pathlib import Path
from sorbflow import SimulationConfig
from sorbflow.simulate import column
from sorbflow.solvers import SolverOptions
from sorbflow.io import export_result
config = SimulationConfig.from_json(Path("examples/column_ldf.json").read_text())
result = column(config, options=SolverOptions(axial_cells=200, jacobian="analytic"))
print(result.outlet_concentration_kg_m3[-1])
export_result(result, Path("runs/mi_columna")) # result.json, timeseries.csv, huellasInterfaz web local:
python -m sorbflow.web --output runs/gui # abre http://127.0.0.1:8765Cada ejecución crea una carpeta nueva y nunca sobrescribe resultados anteriores.
| Capacidad | Resultado |
|---|---|
| Jacobiano analítico (columna LDF, 620 celdas) | 7,77 s frente a 17,09 s: 2,2 veces más rápido |
| Modo streaming | 956,7 MB frente a 1.632,9 MB de memoria privada, con la misma curva de salida |
| Alta resolución | 7.440 celdas y 4.767 instantes de salida en ≤262,4 s |
Mediciones en el equipo de desarrollo (Windows, Python 3.11); detalle en rendimiento.
- 588 pruebas automatizadas con cobertura del 95 %; integración continua en Windows y Linux con Python 3.11, 3.12 y 3.13, y documentación en modo estricto.
- Verificación numérica (E01): 219 criterios en 40 integraciones frente a soluciones analíticas, 138 criterios frente a una solución continua de advección–dispersión y un suplemento de 29 casos y 148 criterios; todos aprobados, con protocolos fijados antes de ejecutar.
- Inferencia (E02): 3.000 conjuntos sintéticos y 6.000 perfiles de verosimilitud.
- Diseño robusto (E03): 0 incumplimientos en 40 escenarios independientes para los diseños robustos, frente a 6 y 13 de los deterministas.
- Caso de columna (E04): calibración con datos publicados y convergencia local.
Resultados y protocolos en benchmarks ejecutados y estado de los estudios.
| Herramienta | Licencia | Lecho fijo | Batch | LDF | Difusión intrapartícula | Multicomponente | Calibración / UQ | Optimización | API Python |
|---|---|---|---|---|---|---|---|---|---|
| SorbFlow | Apache-2.0 | Sí | Sí | Sí | HSDM | Hoja de ruta | Sí | NSGA-II | Sí |
| FAST 2.1 | CC BY-NC-ND 3.0 | Sí | n. d. | Sí | HSDM | n. d. | n. d. | n. d. | n. d. |
| Aspen Adsorption | Propietaria | Sí | n. d. | Sí | Sí | Sí | n. d. | Sí | n. d. |
| CADET | GPL-3.0 | Sí (cromatografía) | n. d. | n. d. | Sí | Sí | Sí | Sí | Sí |
| pysorb | MIT | Sí | n. d. | n. d. | Crank | Sí | Ajuste | n. d. | Sí |
Comparación por funciones documentadas en las fuentes oficiales de cada herramienta ("n. d.": no documentado en la fuente consultada). Tabla completa, AdDesignS, RUPTURA, pyGAPS y fuentes en comparación.
Documentación completa: https://sorbflow.readthedocs.io (también se construye
localmente con python scripts/build_docs.py).
- Qué es SorbFlow · Primeros pasos · Tutoriales · Galería de ejemplos
- Modelos y ecuaciones · Motores de cálculo · Configuraciones · Referencia de API
- Interfaz web · Preguntas frecuentes
Sistemas multicomponente, efectos térmicos, alimentación variable en el tiempo, incertidumbre con discrepancia de modelo, exportación CAD/STEP y adaptadores de interoperabilidad. Etapas y criterios en DEVELOPMENT_ROADMAP.md.
- K. A. Sanchez Hernandez (Karel Aldrin Sanchez Hernandez) — Universidad de Cundinamarca, Ingeniería Ambiental. Responsable del proyecto y desarrollo.
- D. E. Rodriguez Saiz (David Esteban Rodriguez Saiz) — pruebas del software.
- D. X. Cabrera Obando (Dayana Ximena Cabrera Obando) — pruebas del software.
- G. J. Romo Cadena (Gabriela Johana Romo Cadena) — validación técnica de los fenómenos químicos.
Para citar SorbFlow use CITATION.cff o la página cómo citar.
SorbFlow se distribuye bajo la licencia Apache-2.0 (archivo LICENSE). Es un
desarrollo independiente: no incluye código, ejecutables ni recursos de otros
programas de adsorción. El complemento [optimize] usa pymoo (Apache-2.0), que
depende de moocore (LGPL-2.1-or-later).




