이득:
- 열물성 특성에 대한 사전 예측 및 예측 방법(그룹 기여) 가이드로 인공지능을 활용하고 임의의 값을 요청하는 기능입니다.
- 신뢰할 수 있는 데이터베이스(DIPPR/NIST) 또는 실험으로 각 중요 기능을 검증하여 환각을 포착하는 능력
- 재료 선택은 부식 데이터와 승인 승인이 필요한 안전에 중요한 결정이라는 것을 이해하는 능력.
모든 공정 계산은 궁극적으로 유체의 밀도, 점도, 열용량, 증기압, 끓는점 등의 숫자로 귀결됩니다. 결의안; 부식에 대한 재료의 저항성. 이를 총칭하여 열물리적 특성, 즉 물질의 열, 흐름 및 위상 거동을 결정하는 물리량이라고 합니다. 증류탑, 열 교환기 또는 펌프는 이러한 기능이 올바른 경우에만 올바르게 설계됩니다. 이 단원에서는 특성 예측 및 재료 선택(공정 조건을 견딜 수 있는 금속, 개스킷, 코팅 선택)에서 예비 예측 및 비교 도구로 인공 지능을 사용하는 방법을 배웁니다. 하지만 왜 이러한 값을 신뢰할 수 있는 데이터베이스나 실험을 통해 검증해야 하는지 알아보겠습니다.
중요한 사실은 다음과 같습니다. 기능 추정은 설계의 수치적 기반입니다. 여기서 오류는 전체 계정으로 퍼집니다. AI는 자신있게 증기압이나 점도를 제공할 수 있지만 그 값은 다른 화합물에 대한 것일 수도 있고 온도가 잘못되었거나 완전히 환각일 수도 있습니다. 따라서 기능 데이터의 황금률은 모든 중요한 기능이 신뢰할 수 있는 소스(DIPPR, NIST, 제조업체 데이터 시트) 또는 실험을 기반으로 해야 한다는 것입니다.
특징 예측을 위한 단계별 AI 지원
1. 어떤 조건에서 어떤 기능이 필요합니까? 온도, 압력, 위상 및 농도는 특성을 변경합니다. AI에게 조건을 주지 않고 취한 값은 오해의 소지가 있다.
2. 추정 방법 선택. 실험 데이터가 없는 경우 AI는 그룹 기여 방법(분자를 여러 부분으로 나누고 각 부분의 기여를 추가하여 특성을 예측하는 방법)과 같은 예측 접근 방식을 회상합니다. 예를 들어 Joback, UNIFAC — 어느 것이 적절한지 설명합니다.
3. 예비 가치와 불확실성. AI는 예비적인 가치를 제공할 수 있지만 확실히 "이것은 예측이므로 불확실성이 높습니다. 검증하십시오"라는 틀 내에서 이루어집니다. 또한 AI에게 값의 일반적인 오차 한계에 대해 물어보세요.
4. 소스와의 비교. AI의 가치를 열역학 데이터베이스 또는 제조업체 시트와 비교하십시오. 편차가 크면 해당 값은 사용되지 않습니다.
5. 재료적합성 예비심사. YZ는 유체-재료 쌍에 대해 알려진 부식/비호환성 위험(예: 염화물 함유 환경에서 스테인레스 강의 공식 부식)을 회상합니다. 이는 사전 경고입니다. 호환성 차트와 전문가 평가를 거쳐 최종 선택됩니다.
6. 합리성 필터. 순위 측면에서 가치가 의미가 있습니까? 물의 경우 밀도는 ~1000kg/m³ 정도입니까? 간단한 주문 확인으로 대부분의 오류를 찾아낼 수 있습니다.
Tip: AI에게 특성값을 물을 때 “소스와 추정 방법을 명시하고 실험인지 추정인지 알려주세요”라고 말하세요. AI가 출처를 인용할 수 없는 경우 해당 값을 추측으로 표시하고 독립적으로 확인합니다.
재료 선택: 안전성과 내구성
재료 선택은 경제적이고 안전이 중요한 결정입니다. 잘못된 재료를 사용하면 부식으로 인해 약해져서 압력 용기가 터지거나 유독성 유체가 누출될 수 있습니다. AI는 출발 물질 목록과 알려진 비호환성을 기억할 수 있습니다. 그러나 온도, 압력, 농도 및 불순물의 결합된 효과는 복잡하며 재료 공학 데이터(호환성 차트, 부식 속도 데이터) 및 필요한 경우 테스트를 통해 최종 선택이 이루어집니다.
주의: AI가 "이 물질은 이 유체에 적합합니다"라고 말하는 것은 보증이 아닙니다. 가압 장비 및 독성/인화성 유체의 경우 재료 선택에는 자격을 갖춘 엔지니어 승인과 검증된 부식 데이터가 필요합니다.
세 개의 미니 케이스
사례 1 - 빠른 예측. 한 엔지니어가 문헌에 데이터가 부족한 새로운 용매 혼합물의 열용량에 대한 예비 추정치를 원했습니다. AI는 그룹 기여 방식을 통해 범위를 부여했다. 엔지니어는 이 예비 값을 사용하여 대략적인 에너지 계산을 수행한 다음 이를 실험실에서 측정했습니다. 측정값은 예측의 6% 이내였습니다. 가속화된 계획을 예측하지만 디자인은 실험적 가치로 전환되었습니다.
사례 2 — 환각이 포착되었습니다. YZ는 화합물의 표준 끓는점을 78°C로 지정했습니다. 엔지니어가 이를 NIST와 비교했을 때 실제 값은 118°C라는 것을 발견했습니다. AI가 그 이름을 다른 유사한 화합물과 혼동한 것입니다. 소스와의 비교를 통해 컬럼 설계에 40°C 오류가 입력되는 것을 방지했습니다.
사례 3 - 중대한 경고. YZ는 염화물 이온 함유 수성 흐름에 대한 304 스테인리스강의 선택을 "공식 및 응력 부식 균열의 위험"으로 표시하고 저항성이 더 높은 합금을 인용했습니다. 재료 엔지니어는 호환성 데이터를 확인하고 더 높은 합금 재료를 선택했습니다. AI는 위험을 의제로 가져왔고, 결정은 데이터를 통해 이루어졌습니다.
복사 가능한 템플릿 4개
1) 특징 예측(소스 필요):
귀하의 역할: 체격 전문가. 화합물: [이름/공식], 조건: [T, P, 상]. 내가 원하는 기능: [예: 증기압]. 제공: (1) 가능한 경우 실험값 및 소스(DIPPR/NIST/제조업체), (2) 그렇지 않은 경우 추정 방법 및 추정값 및 불확실성 한계. 실험적인지 예측적인지 명확하게 기술하세요. 출처를 인용할 수 없는 경우 '검증이 필요한 예측'으로 표시하세요. 가치를 조작하지 마십시오. 확실하지 않다면 말해 주세요.
2) 그룹 기여 방법 안내:
실험 데이터가 없는 화합물이 있습니다: [구조/스마일]. [재산]에는 어떤 단체기여방식(Joback, UNIFAC 등)이 적합한가요? 그리고 그 이유는 무엇인가요? 방법의 단계와 필수 그룹 매개변수를 설명합니다. 결과는 추정치이며 일반적인 오차 한계임을 명시합니다. 실험/데이터베이스를 통해 최종 값을 검증하겠습니다.
3) 가치 비교/검증:
다음은 기능에 대한 다양한 소스의 값입니다. 이를 표로 비교하고 편차를 계산한 후 어느 쪽이 더 신뢰할 수 있는지 순위를 매깁니다(경험적 > 평가된 > 예측). 편차가 큰 경우 가능한 원인(다른 조건, 다른 이성질체)을 표시합니다. 출처: [붙여넣기]
4) 재료적합성 예비심사:
유체: [조성, 농도, 불순물], 조건: [T, P].후보 물질: [목록]. 각각에 대해 알려진 부식/비호환성 위험(점식, 응력 균열, 일반 부식)을 기억하십시오. 이것은 예비 스캔입니다. 최종 선택에는 부식 데이터와 공인 엔지니어 승인이 필요합니다. 위험한 쌍을 명확하게 표시하십시오.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
톨루엔의 점도는 얼마입니까?
열도 없고 용접도 없습니다. AI는 숫자를 제공하지만 어떤 조건에서 얼마나 신뢰할 수 있는지는 불분명합니다.
강력한 프롬프트:
귀하의 역할: 체격 전문가. 액상 톨루엔의 동점도, 25°C, 1 atm. 제공: 가치, 단위, 소스 및 실험적 추정치. 가능하다면 두 개의 독립적인 소스와 상태 일관성을 제공하세요. 출처를 인용할 수 없는 경우 추측으로 표시하세요. 가치 피팅. 열역학적 데이터베이스로 결과를 검증하겠습니다.
차이점은 분명합니다. 조건, 자원 의무사항, 검증 프레임워크가 가치를 제공합니다.
기능 및 소재 결정의 역할 분배
사업
AI의 역할
인간의 결정/출처
실험적 기능
소스 알림
데이터베이스 확인
데이터가 없습니다. 추측해 보세요.
방법 + 기본값
실험/데이터베이스 검증
가치 비교
표, 편차
신뢰성 판단
소재 후보
위험 알림
규정 준수 데이터, 승인
순위 제어
마킹
신체적 합리성
일반적인 실수
- 출처가 없는 가치를 사용합니다. AI가 제공하는 모든 중요한 기능은 데이터베이스/실험을 통해 확인됩니다.
- 조건을 명시하지 않습니다. 온도/압력/위상을 지정하지 않고 취한 값은 잘못된 조건에 속할 수 있습니다.
- 추정된 값을 경험적인 값으로 착각합니다. 그룹 기여 추정치는 불확실합니다. 설계 시 이 점을 고려하십시오.
- 한 문장의 확인으로 재료를 선택합니다. 부식은 다변량입니다. 데이터와 확인이 필요합니다.
- 순위 확인을 우회합니다. 간단한 "이 숫자가 말이 되나요?" 통제는 대부분의 환각을 포착합니다.
요약하면
재산 및 재료 예측 분야의 AI; 예비 가치를 생성하고, 추정 방법을 상기시키며, 자원 가치를 비교하고 중대한 위험을 표시하는 강력한 도우미입니다. 그러나 모든 중요한 기능은 신뢰할 수 있는 데이터베이스나 실험을 기반으로 해야 합니다. 재료 선택은 부식 데이터와 공인 엔지니어 승인이 필요한 안전에 중요한 결정입니다. AI는 예측과 경고를 제공합니다. 엔지니어는 소스에 연결하고 확인하고 선택합니다.
응용과제
화합물과 속성(예: 용매의 증기압, 40°C)을 선택합니다. "속성 예측(리소스 필요)" 템플릿을 사용하여 AI에서 값과 해당 소스를 가져옵니다. 그런 다음 이를 열역학적 데이터베이스와 비교하고 편차를 기록합니다. 그런 다음 유체-재료 쌍에 대한 "예비 재료 호환성 검사" 템플릿을 사용하고 호환성 차트를 통해 결과 위험을 확인합니다.
체크리스트
- 조건(T, P, 위상)과 함께 [ ] 기능을 원했습니다.
- [ ] AI가 부여한 값을 신뢰할 수 있는 데이터베이스/실험과 비교했습니다.
- [ ] 추정값과 실험값을 구별하고 불확실성에 주목했습니다.
- [ ] 부식 데이터 및 승인 승인을 통해 재료 선택을 확인했습니다.
- [ ] 각 임계 수치에 순위/타당성 검사를 적용했습니다.