Печалби:
- Възможност за отпечатване на код на Python и разбиране и приемане на кода ред по ред за почистване на данни, автоматизиране на акаунти и моделиране с изкуствен интелект
- Способност да се разбере, че нетестваният код е хипотеза, да се провери всеки код с известен резултат и да се тестват единици и крайни случаи
- Способност да се разбере, че критичните за сигурността кодове на акаунти изискват както тестване, така и проверка от оторизиран инженер.
Тихият двигател на съвременното химическо инженерство вече е Python (широко използван, лесен за научаване език за програмиране). Почистване на данни от сензори, автоматизиране на баланс на масата, монтиране на кинетичен модел към данни, сравняване на стотици резултати от симулация, създаване на графика – всичко това отнема часове на ръка, но секунди с няколко реда на Python. В този модул ще научите как да използвате AI като помощ при писане, обяснение и отстраняване на грешки в Python код; Но ще научим защо всеки произведен код не трябва да се използва без тестване и проверка.
Химикът обикновено не е професионален разработчик на софтуер; Това е мястото, където AI добавя голяма сила. Инженер казва „Искам скрипт, който прави това“ и пише чернова за AI. Но този принцип остава постоянен: кодът, който AI пише, не е правилен, защото изглежда правилно; Това е хипотеза, докато не бъде тествана с известен резултат. Тихата грешка - грешна единица, грешен индекс, изместена формула - може да доведе до опасни резултати в инженерно изчисление.
Python с AI в химическото инженерство: стъпка по стъпка
1. Определете ясно работата. Какъв е входът (CSV, масив, уравнение), какъв трябва да бъде изходът, в какви единици? Двусмислената подкана означава лош код.
2. Поискайте чернова на код. AI произвежда скица с подходящи библиотеки (pandas за данни, numpy за числена обработка, matplotlib за графики, scipy за оптимизация/решение).
3. Разберете библиотеката и предположенията. Накарайте AI да обясни всеки ред и предположение (единица, формат на данните, приемане). Не изпълнявайте код, който не разбирате.
4. Тест с известен резултат. Изпълнете кода на прост пример, за който вече знаете отговора. Кодът на баланса трябва да дава правилния резултат в пример, който може да бъде дешифриран на ръка.
5. Контрол на състоянието на модула и ръба. Какво прави кодът в крайни случаи като нула, отрицателни, много големи стойности, липсващи данни? В химическото инженерство повредата на блока е класическа катастрофа.
6. Тествайте резултата с физика. Кодът генерира число - запазена ли е масата, реалистична ли е стойността? Само защото кодът работи не доказва, че резултатът е правилен.
Съвет: Когато изисквате код от AI, кажете „напишете единицата на всяка променлива в реда за коментар и посочете изрично входните единици“. Значителна част от грешките в химическото инженерство възникват от объркване на единиците (bar/Pa, kg/g, °C/K); Вграждането на единици в кода прави тези грешки видими.
Нетестваният код е хипотеза
AI произвежда гладък, работещ код; Но „работи“ и „правилно“ са две различни неща. Кодът може да работи без грешки и да генерира неправилно число: грешка в знака във формула, отместване (изместване по едно) в масив, неправилно преобразуване на единица. Така че златното правило: всеки код се тества в тестов случай, където правилният отговор е известен независимо. Прост аналитичен пример, ръчно изчисление или референтни данни доказват надеждността на кода. Нито едно инженерно решение не трябва да се основава на код без преминаване на тестване.
Внимание: Кодът, който извършва изчисление за безопасност, оразмеряване или сигурност, не може да се счита за надежден само защото „работи“. Кодовете на акаунти с критично значение за сигурността трябва да бъдат тествани с известен резултат и резултатите трябва да бъдат независимо проверени от оторизирания инженер.
три мини калъфа
Случай 1 — Автоматизация за почистване на данни. Инженер почистваше ръчно 3 месеца данни (приблизително 1,1 милиона реда) от 8 сензора всеки месец. Скрипт на pandas, написан с AI, намали това до минути. Инженерът първо тества кода върху малък, известен примерен файл; забеляза, че една колона е анализирана неправилно, поправи го и след това го приложи към всички данни.
Случай 2 — Грешка при безшумен звук. YZ написа код за изчисляване на спад на налягането, но обърка входа, като прие bar и формулата Pa. Кодът работи без грешки, но резултатът беше грешен с коефициент 100 000. Инженерът улови разликата в поръчката с изчисление за ръчно управление. След добавяне на коментари към модула грешката беше изяснена и коригирана.
Случай 3 — Тестването е запазено. Един екип получи код от AI за решаване на масов баланс. Първо го тестваха в двукомпонентна, ръчно разтворима проба; кодът затваряше loopback неправилно и не се добавяше. Грешката беше уловена, преди да бъде приложена към реалния, сложен модел. Без тестване грешката ще се разпространи във всички резултати.
Четири копируеми шаблона
1) Проект на код за анализ на данни:
Вашата роля: помощник на Python за химическо инженерство. Задача: [описание]. Вход: [CSV/масив, колони, ЕДИНИЦИ]. Изход: [какво, в коя единица].използвайте pandas/numpy. В кода: (1) интерпретирайте единицата на всяка променлива, (2) посочете входните допускания в началото, (3) обработете крайни случаи (липсващи данни, нула). Ще тествам кода с известен пример; не използвайте магически числа, дефинирайте константите изрично.
2) Обяснение и проверка на кода:
Обяснете следния код на Python ред по ред: какво прави, какви допускания прави, какви единици очаква. Маркирайте възможни точки за грешка (объркване на единици, изместване на индекса, деление на нула, преливане). Предложете какъв прост, известен тестов случай мога да използвам, за да проверя този код. Код: [поставете]
3) Настройване на тест с известен резултат:
Напишете набор от тестове, за да проверите тази функция: поне 3 прости случая, за които отговорът е известен аналитично или ръчно. За всеки тест опишете очаквания резултат и защо очакваме този резултат. Няма да прилагам кода към реални данни без тестване. Функция: [поставяне]
4) Отстраняване на грешки:
Този код дава следната грешка/грешен резултат: [съобщение за грешка или очакван vsactual резултат]. Избройте възможните причини по реда на вероятността и ми кажете как да тествам за всяка. Не казвайте директно „поправих го“; Нека първо заедно проверим първопричината. Също така предлагайте проверка на единица и поръчка. Код и данни: [поставяне]
Слаба подкана / Силна подкана
Слаба подкана:
Напишете ми код за изчисляване на пада на налягането.
Форматът на въвеждане, единицата, уравнението, условието не са ясни. AI крие предположенията си, може да обърка единици.
Мощна подкана:
Вашата роля: химическо инженерство Python помощник. Задача: предизвикан от триене спад на налягането в кръгла тръба. Вход: дебит [m3/s], диаметър [m], дължина [m], плътност [kg/m3], вискозитет [Pa·s]. Изход: спад на налягането [Pa]. Използвайте Darcy-Weisbach; Проверете режима на потока (Re) за коефициента на триене. Коментирайте всяка единица, посочете допускания (пълно натоварване, стабилен поток). Ще тествам кода срещу ръчно изчисление на ламинарен пример.
Разликата е ясна: входните единици, методът, изходната единица и целта на теста правят кода надежден.
Разпределение на ролите при използване на Python
бизнес
Роля на AI
мъжко решение
писане на код
Създайте чернова
Длъжностна характеристика, единици
Избор на библиотека
Предложение
Потвърждаване на съответствието
Описание
ред по ред
Приеми с разбиране
тест
Препоръка за набор от тестове
Валидиране с известен резултат
Отстраняване на грешки
хипотеза, посока
Потвърждение на първопричината
Заключение
Генериране на числа
Тестване с физика
Често срещани грешки
- Използване на код без тестване. Работният код не е правилен код; Не може да му се вярва, освен ако не е тестван с известен резултат.
- Оставяне на единици неопределени. Объркването на единиците е най-честата и опасна грешка в химическото инженерство.
- Работа без разбиране. Не се доверявайте на резултатите, без да разбирате кода, написан от AI ред по ред.
- Заобикаляне на крайни състояния. Нулеви, отрицателни, липсващи данни могат тихо да доведат кода до грешно заключение.
- Базиране на изчислението на сигурността само на кода. Критичните за сигурността кодове изискват тестване + независима авторитетна проверка.
В обобщение
AI в химическото инженерство с Python; Това е мощен помощник, който чертае, обяснява и предоставя насоки за отстраняване на грешки за почистване на данни, автоматизация на счетоводството, моделиране и графики. Но кодът на AI е надежден не защото изглежда правилно, а защото е тестван с известен резултат. От съществено значение е изрично да посочите единиците, да разберете кода, да тествате крайни случаи и да проверите резултата с физика; Критични за безопасността изчисления също изискват проверка от оторизиран инженер.
Задача за приложение
Изберете изчисление (напр. спад на налягането в тръбата или двукомпонентен масов баланс). Вземете код от AI с шаблона „анализ на данни/проект на код на акаунт“, ясно посочете единиците. След това проверете кода в ръчно декодируем пример с модела „настройка на тест с известен резултат“; Ако резултатът не съвпада, намерете основната причина с модела "debug".
контролен списък
- [ ] Ясно посочих входно/изходните единици и метод.
- [ ] Разбрах кода ред по ред и видях неговите допускания.
- [ ] Тествах кода на известен/ръчно дешифрируем пример.
- [ ] Тествах крайни случаи (нула, отрицателни, липсващи данни).
- [ ] Проверих резултата с физика (запазване на масата, ред); Имах и акаунта за сигурност, потвърден от длъжностното лице.