En los últimos años, se ha logrado un progreso considerable en cuanto a solucionadores de alto rendimiento para ecuaciones diferenciales parciales (EDP), lo que ha dado lugar a posibles mejoras en eficiencia en comparación con las herramientas estándar de la industria. Sin embargo, estas últimas siguen siendo en gran medida el status quo para científicos e ingenieros que se centran en aplicar herramientas de simulación a problemas específicos en la práctica. Atribuimos esta creciente brecha técnica a la creciente complejidad y conocimiento necesarios para elegir y ensamblar métodos de vanguardia. Por lo tanto, con este trabajo, iniciamos un esfuerzo para construir una taxonomía común para los esquemas de aproximación basados en mallas más populares para realizar comparaciones en cuanto a precisión y eficiencia computacional. Luego, nos basamos en esta base e introducimos un método para guiar sistemáticamente a un experto en aplicaciones a través de la clasificación de un determinado problema de EDP y la identificación de un esquema numérico adecuado. Se tiene un gran cuidado para garantizar que la elección de esta manera sea inequívoca, es decir, el objetivo es obtener una recomendación clara y reproducible. Nuestro método no solo ayuda a identificar y ensamblar esquemas adecuados, sino que también permite la combinación única de múltiples métodos en una base por campo. Demostramos este proceso y su efectividad utilizando diferentes problemas modelo, comparando en cada caso el esquema numérico resultante de nuestro método con la siguiente mejor opción. Tanto para las ecuaciones de Allen-Cahn como para las de advección, mostramos que se pueden lograr sustanciales ganancias computacionales para los métodos numéricos recomendados en cuanto a precisión y eficiencia. Por último, delineamos cómo se puede analizar y clasificar sistemáticamente un problema de acoplamiento multiphysics de considerable complejidad con seis cantidades desconocidas diferentes, obteniendo una discretización mixta eficiente que en configuración se compara bien con implementaciones de alto rendimiento de la literatura.