zisky:
- Schopnost používat umělou inteligenci jako předběžnou metodu predikce a predikce (příspěvek skupiny) pro termofyzikální vlastnosti a požadovat jakoukoli hodnotu.
- Schopnost zachytit halucinace ověřením každé kritické vlastnosti pomocí spolehlivé databáze (DIPPR/NIST) nebo experimentu
- Schopnost pochopit, že výběr materiálu je kritickým rozhodnutím z hlediska bezpečnosti, které vyžaduje údaje o korozi a autorizované schválení.
Každý výpočet procesu nakonec sestává z čísla: hustota kapaliny, viskozita, tepelná kapacita, tlak par, bod varu; usnesení; odolnost materiálu vůči korozi. Ty se souhrnně nazývají termofyzikální vlastnosti – fyzikální veličiny, které určují teplo, proudění a fázové chování látky. Destilační kolona, výměník tepla nebo čerpadlo jsou správně navrženy pouze tehdy, pokud jsou tyto vlastnosti správné. V této lekci se naučíte, jak používat umělou inteligenci jako nástroj předběžné predikce a srovnání při predikci vlastností a výběru materiálu (výběr kovů, těsnění, povlaků, aby vydržely podmínky procesu); ale dozvíme se, proč je třeba tyto hodnoty ověřit pomocí spolehlivé databáze nebo experimentu.
Kritická pravda je tato: odhad vlastností je numerickým základem návrhu; Chyba se zde rozšíří na celý účet. AI může s jistotou udávat tlak par nebo viskozitu, ale tato hodnota může být pro jinou sloučeninu, může mít špatnou teplotu nebo může být zcela halucinační. Takže zlaté pravidlo údajů o vlastnostech: každá kritická vlastnost by měla být založena na spolehlivém zdroji (DIPPR, NIST, datový list výrobce) nebo experimentu.
Podrobná podpora umělé inteligence pro predikci funkcí
1. Jakou funkci potřebujete a za jakých podmínek? Teplota, tlak, fáze a koncentrace mění vlastnost. Hodnota získaná bez zadání podmínky AI je zavádějící.
2. Výběr metody odhadu. Pokud neexistují žádná experimentální data, AI připomíná predikční přístupy, jako jsou metody skupinového příspěvku – metody, které předpovídají vlastnosti rozdělením molekuly na její části a přidáním příspěvků každé části; např. Joback, UNIFAC – a vysvětluje, který z nich je vhodný.
3. Předběžná hodnota a nejistota. AI může dát předběžnou hodnotu, ale rozhodně v rámci "toto je předpověď, její nejistota je vysoká, ověřte si to". Zeptejte se také AI na typickou chybovost hodnoty.
4. Porovnání se zdrojem. Porovnejte hodnotu AI s termodynamickou databází nebo listem výrobce. Pokud je odchylka velká, hodnota se nepoužije.
5. Předběžný screening materiálové kompatibility. YZ připomíná známá rizika koroze/nekompatibility pro pár kapalina-materiál (např. důlková koroze nerezové oceli v prostředí obsahujícím chloridy). Toto je varování; Konečný výběr se provádí pomocí tabulek kompatibility a expertního hodnocení.
6. Filtr rozumnosti. Dává hodnota smysl z hlediska hodnosti? Je hustota vody kolem ~1000 kg/m³? Jednoduchá kontrola objednávky zachytí většinu chyb.
Tip: Když se zeptáte AI na hodnotu funkce, řekněte „specifikujte zdroj a metodu odhadu, řekněte mi, zda je experimentální nebo odhadovaná“. Pokud AI nemůže citovat zdroj, označte tuto hodnotu jako odhad a ověřte ji nezávisle.
Výběr materiálu: bezpečnost a odolnost
Výběr materiálu je ekonomickým i bezpečnostním rozhodnutím. Nesprávný materiál může korozí oslabit a způsobit prasknutí tlakové nádoby nebo únik toxické kapaliny. AI může vyvolat seznam výchozích materiálů a známé nekompatibility; Kombinované účinky teploty, tlaku, koncentrace a nečistot jsou však složité a konečný výběr se provádí na základě dat materiálového inženýrství (tabulky kompatibility, údaje o rychlosti koroze) a testování, je-li to nutné.
Pozor: AI říká „tento materiál je vhodný pro tuto tekutinu“ není zárukou. V případě tlakového zařízení a toxických/hořlavých kapalin vyžaduje výběr materiálu schválení kvalifikovaného technika a ověřené údaje o korozi.
tři mini pouzdra
Případ 1 – Rychlá předpověď. Inženýr chtěl předběžný odhad tepelné kapacity pro novou směs rozpouštědel, pro kterou byly údaje v literatuře vzácné. Umělá inteligence poskytla rozsah prostřednictvím metody skupinového příspěvku. Inženýr provedl hrubý energetický výpočet s touto předběžnou hodnotou, pak ji nechal změřit v laboratoři; měření bylo v rozmezí 6 % predikce. Prognózování urychlilo plánování, ale design se posunul k experimentální hodnotě.
Případ 2 – Halucinace zachycena. YZ poskytl normální teplotu varu sloučeniny 78 °C. Když to inženýr porovnal s NIST, zjistil, že skutečná hodnota je 118 °C; AI si jméno spletla s jinou podobnou sloučeninou. Porovnáním se zdrojem se do konstrukce kolony nedostala chyba 40°C.
Případ 3 – Materiální varování. YZ označil volbu nerezové oceli 304 pro vodný proud obsahující chloridové ionty jako „riziko důlkové koroze a praskání pod napětím“ a uvedl odolnější slitinu. Materiálový inženýr potvrdil údaje o kompatibilitě a vybral materiál z vyšší slitiny. AI přinesla riziko do agendy, rozhodnutí bylo učiněno s daty.
Čtyři kopírovatelné šablony
1) Předpověď funkce (vyžadován zdroj):
Vaše role: odborník na fyzičku. Sloučenina: [název/vzorec], podmínka: [T, P, fáze]. Funkce, kterou chci: [např. tlak par]. Uveďte: (1) experimentální hodnotu a ZDROJ (DIPPR/NIST/výrobce), pokud jsou k dispozici, (2) pokud ne, metodu odhadu a odhadovanou hodnotu a hranici nejistoty. Jasně uveďte, zda se jedná o experimentální nebo prediktivní. Pokud nemůžete citovat zdroj, označte jej jako „předpověď, která vyžaduje ověření“. Nevytvářejte hodnotu; Pokud si nejste jisti, řekněte mi to.
2) Průvodce metodou skupinového příspěvku:
Mám sloučeninu, pro kterou neexistují žádná experimentální data: [struktura/SMILES]. Která metoda skupinového příspěvku (Joback, UNIFAC atd.) je vhodná pro [vlastnictví] a proč? Vysvětlete kroky metody a požadované parametry skupiny. Uveďte, že výsledkem je odhad a typická odchylka. Výslednou hodnotu ověřím experimentem/databází.
3) Porovnání/ověření hodnoty:
Níže jsou uvedeny hodnoty z různých zdrojů pro funkci. Porovnejte je v tabulce, vypočítejte odchylku a seřaďte, která z nich je spolehlivější (empirická > vyhodnocená > predikovaná). Pokud je velká odchylka, označte možnou příčinu (jiný stav, jiný izomer). Zdroje: [vložit]
4) Předběžná kontrola kompatibility materiálu:
Kapalina: [složení, koncentrace, nečistoty], stav: [T, P]. Kandidátské materiály: [seznam]. Připomeňte si známá rizika koroze/nekompatibility (důlková tvorba, praskání pod napětím, obecná koroze) pro každý z nich. Toto je PŘEDBĚŽNÝ sken; Konečný výběr vyžaduje údaje o korozi a schválení autorizovaným technikem. Jasně označte rizikové páry.
Slabá výzva / Silná výzva
Slabá výzva:
Jaká je viskozita toluenu?
Žádné teplo, žádné svařování. AI udává číslo, ale za jakých podmínek a jak spolehlivé to je, není jasné.
Výkonná výzva:
Vaše role: odborník na fyzičku. Dynamická viskozita pro toluen v kapalné fázi, 25 °C, 1 atm. Uveďte: hodnotu, jednotku, ZDROJ a experimentální odhad. Pokud je to možné, uveďte dva nezávislé zdroje a uveďte konzistenci. Pokud nemůžete uvést zdroj, označte jej jako odhad. Přizpůsobení hodnoty. Výsledek ověřím termodynamickou databází.
Rozdíl je jasný: podmínka, mandát zdroje a rámec ověřování zpřístupňují hodnotu.
Rozdělení rolí v rozhodování o vlastnostech a materiálu
podnikání
Role AI
Lidské rozhodnutí/zdroj
Experimentální funkce
připomenutí zdroje
Potvrzení databáze
Žádná data, hádejte
Metoda + výchozí
Ověření experimentu/databáze
Porovnání hodnot
Tabulka, odchylka
úsudek spolehlivosti
Materiální kandidáti
připomenutí rizika
Údaje o shodě, schválení
Ovládání hodnosti
značení
fyzická rozumnost
Časté chyby
- Použití nezdrojované hodnoty. Každá kritická funkce poskytnutá AI je potvrzena databází/experimentem.
- Bez uvedení podmínky. Hodnota získaná bez specifikace teploty/tlaku/fáze může patřit k nesprávnému stavu.
- Záměna odhadované hodnoty za empirickou. Odhady příspěvků skupiny jsou nejisté; Berte to v úvahu při návrhu.
- Výběr materiálu s potvrzením o jedné větě. Koroze je mnohorozměrná; jsou vyžadovány údaje a potvrzení.
- Obcházení kontroly hodnosti. Jednoduché "má toto číslo smysl?" kontrola zachytí většinu halucinací.
V souhrnu
AI v predikci majetku a materiálu; Je to výkonný pomocník, který generuje předběžné hodnoty, připomíná metodu odhadu, porovnává hodnoty zdrojů a označuje materiální rizika. Ale každá kritická funkce musí být založena na spolehlivé databázi nebo experimentu; Volba materiálu je rozhodnutí kritické z hlediska bezpečnosti, které vyžaduje údaje o korozi a schválení autorizovaným inženýrem. AI poskytuje předpovědi a varování; Technik se připojí ke zdroji, ověří a vybere.
Aplikační úkol
Vyberte sloučeninu a vlastnost (např. tlak par rozpouštědla, 40 °C). Získejte hodnotu a její zdroj z AI se šablonou „Předpověď atributu (vyžaduje zdroj)“; pak ji porovnejte s termodynamickou databází a zaznamenejte odchylku. Poté použijte šablonu „předběžného screeningu kompatibility materiálu“ pro pár kapalina-materiál a potvrďte výsledná rizika pomocí tabulky kompatibility.
kontrolní seznam
- Chtěl jsem funkci [ ] spolu s podmínkou (T, P, fáze).
- [ ] Porovnal jsem hodnotu udanou AI se spolehlivou databází/experimentem.
- [ ] Odlišil jsem odhadované hodnoty od experimentálních a zaznamenal jsem nejistotu.
- [ ] Výběr materiálu jsem ověřil pomocí údajů o korozi a autorizovaného schválení.
- [ ] U každého kritického čísla jsem provedl kontrolu hodnosti/věrohodnosti.