Gevinster:
- Evne til at bruge kunstig intelligens som en foreløbig forudsigelses- og forudsigelsesmetode (gruppebidrag) guide til termofysiske egenskaber og anmode om enhver værdi.
- Evne til at fange hallucinationer ved at verificere hver kritisk funktion med en pålidelig database (DIPPR/NIST) eller eksperiment
- Evne til at forstå, at materialevalg er en sikkerhedskritisk beslutning, der kræver korrosionsdata og autoriseret godkendelse.
Hver procesberegning kommer i sidste ende ned på et tal: en væskes densitet, viskositet, varmekapacitet, damptryk, kogepunkt; en opløsning; et materiales modstandsdygtighed over for korrosion. Disse kaldes tilsammen termofysiske egenskaber - fysiske størrelser, der bestemmer et stofs varme-, strømnings- og faseadfærd. En destillationskolonne, en varmeveksler eller en pumpe er kun designet korrekt, hvis disse funktioner er korrekte. I denne enhed lærer du at bruge kunstig intelligens som et foreløbigt forudsigelses- og sammenligningsværktøj i egenskabsforudsigelse og materialevalg (valg af metaller, pakninger, belægninger til at modstå procesforhold); men vi vil lære, hvorfor disse værdier skal verificeres med en pålidelig database eller eksperiment.
Den kritiske sandhed er denne: egenskabsestimering er det numeriske grundlag for design; En fejl her spreder sig til hele kontoen. AI kan sikkert give et damptryk eller en viskositet, men den værdi kan være for en anden forbindelse, kan have den forkerte temperatur eller kan være helt hallucinatorisk. Så den gyldne regel for funktionsdata: enhver kritisk funktion skal være baseret på en pålidelig kilde (DIPPR, NIST, producentdatablad) eller eksperiment.
Trin-for-trin AI-understøttelse til forudsigelse af funktioner
1. Hvilken funktion har du brug for, under hvilke forhold? Temperatur, tryk, fase og koncentration ændrer egenskaben. Værdien taget uden at give betingelsen til AI er vildledende.
2. Valg af estimeringsmetode. Hvis der ikke er nogen eksperimentelle data, minder AI om forudsigelsesmetoder såsom gruppebidragsmetoder - metoder, der forudsiger egenskaber ved at bryde molekylet i dets dele og tilføje bidragene fra hver del; f.eks. Joback, UNIFAC — og forklarer, hvilken der er passende.
3. Foreløbig værdi og usikkerhed. AI kan give en foreløbig værdi, men absolut inden for rammerne af "dette er en forudsigelse, dens usikkerhed er høj, verificer den". Spørg også AI om den typiske fejlmargin for værdien.
4. Sammenligning med kilden. Sammenlign værdien af AI med en termodynamisk database eller producentark. Hvis afvigelsen er stor, bruges værdien ikke.
5. Materialekompatibilitet foreløbig screening. YZ minder om kendte korrosions-/inkompatibilitetsrisici for et væske-materiale-par (f.eks. grubetæring af rustfrit stål i et chloridholdigt miljø). Dette er et forvarsel; Det endelige valg foretages ved hjælp af kompatibilitetsdiagrammer og ekspertevaluering.
6. Rimelighedsfilter. Giver værdien mening i forhold til rang? For vand, er densiteten omkring ~1000 kg/m³? Enkel ordrekontrol fanger de fleste fejl.
Tip: Når du beder AI om en funktionsværdi, skal du sige "angiv kilden og estimeringsmetoden, fortæl mig, om den er eksperimentel eller estimeret." Hvis AI ikke kan citere en kilde, skal du markere denne værdi som et gæt og kontrollere den uafhængigt.
Materialevalg: sikkerhed og holdbarhed
Materialevalg er både en økonomisk og sikkerhedskritisk beslutning. Det forkerte materiale kan svækkes med korrosion, hvilket får en trykbeholder til at sprænge eller en giftig væske til at lække. AI kan genkalde en startmaterialeliste og kendte inkompatibiliteter; Men de kombinerede effekter af temperatur, tryk, koncentration og urenheder er komplekse, og det endelige valg foretages af materialetekniske data (kompatibilitetsdiagrammer, korrosionshastighedsdata) og test, hvor det er nødvendigt.
Bemærk: AI siger "dette materiale er egnet til denne væske" er ikke en garanti. I tilfælde af tryksat udstyr og giftige/brandbare væsker kræver materialevalg kvalificeret ingeniørgodkendelse og verificerede korrosionsdata.
tre minisager
Case 1 - Hurtig forudsigelse. En ingeniør ønskede et foreløbigt skøn over varmekapaciteten for en ny opløsningsmiddelblanding, for hvilken der var knappe data i litteraturen. AI gav en rækkevidde via en gruppebidragsmetode. Ingeniøren lavede en groft energiberegning med denne foreløbige værdi og fik den derefter målt i laboratoriet; målingen var inden for 6 % af forudsigelsen. Forecasting accelererede planlægningen, men designet skiftede til eksperimentel værdi.
Tilfælde 2 - Hallucination fanget. YZ gav det normale kogepunkt for en forbindelse som 78°C. Da ingeniøren sammenlignede det med NIST, fandt han ud af, at den faktiske værdi var 118°C; AI havde forvekslet navnet med en anden lignende forbindelse. Sammenligning med en kilde forhindrede en 40°C fejl i at komme ind i søjledesignet.
Tilfælde 3 — Materialeadvarsel. YZ markerede valget af 304 rustfrit stål til en chloridionholdig vandig strøm som "risiko for grubetæring og spændingskorrosion" og nævnte en mere modstandsdygtig legering. Materialeingeniøren bekræftede med kompatibilitetsdata og valgte et højere legeret materiale. AI bragte risikoen på dagsordenen, beslutningen blev truffet med data.
Fire kopierbare skabeloner
1) Funktionsforudsigelse (kilde påkrævet):
Din rolle: fysikekspert. Forbindelse: [navn/formel], tilstand: [T, P, fase]. Funktion jeg ønsker: [f.eks. damptryk]. Angiv: (1) eksperimentel værdi og KILDE (DIPPR/NIST/producent), hvis tilgængelig, (2) hvis ikke, estimeringsmetode og estimeret værdi og usikkerhedsmargin. Angiv tydeligt, om det er eksperimentelt eller prædiktivt. Hvis du ikke kan citere en kilde, skal du markere den som "forudsigelse, der skal bekræftes". Fremstil ikke værdien; Hvis du ikke er sikker, så fortæl mig det.
2) Metodevejledning til gruppebidrag:
Jeg har en forbindelse, som der ikke er nogen eksperimentelle data for: [struktur/SMILES]. Hvilken gruppebidragsmetode (Joback, UNIFAC osv.) er velegnet til [ejendom], og hvorfor? Forklar metodens trin og de nødvendige gruppeparametre. Angiv, at resultatet er et skøn og den typiske fejlmargin. Jeg vil verificere den endelige værdi med eksperiment/database.
3) Værdisammenligning/bekræftelse:
Nedenfor er værdier fra forskellige kilder for en funktion. Sammenlign dem i en tabel, beregn afvigelsen, og rangord, hvilken der er mest pålidelig (empirisk > vurderet > forudsagt). Hvis der er en stor afvigelse, markeres den mulige årsag (anden tilstand, anden isomer). Kilder: [indsæt]
4) Materialekompatibilitet foreløbig screening:
Væske: [sammensætning, koncentration, urenheder], tilstand: [T, P].Kandidatmaterialer: [liste]. Husk kendte korrosions-/inkompatibilitetsrisici (gruber, spændingsrevner, generel korrosion) for hver. Dette er en FORELØBIG scanning; Endeligt valg kræver korrosionsdata og autoriseret ingeniørgodkendelse. Markér tydeligt risikable par.
Svag prompt / Stærk prompt
Svag prompt:
Hvad er viskositeten af toluen?
Ingen varme, ingen svejsning. AI giver et tal, men under hvilke forhold og hvor pålideligt det er, er uklart.
Kraftig prompt:
Din rolle: fysikekspert. Dynamisk viskositet for toluen i flydende fase, 25°C, 1 atm. Angiv: værdi, enhed, KILDE og eksperimentelt estimat. Hvis det er muligt, angiv to uafhængige kilder og angiv sammenhæng. Hvis du ikke kan citere kilden, så marker det som et gæt. Værditilpasning. Jeg vil verificere resultatet med en termodynamisk database.
Forskellen er klar: betingelsen, ressourcemandatet og valideringsrammen gør værdien tilgængelig.
Rollefordeling i feature- og materialebeslutning
forretning
AI's rolle
Menneskelig beslutning/kilde
Eksperimentel funktion
kildepåmindelse
Database bekræftelse
Ingen data, gæt
Metode + standard
Eksperiment/databasevalidering
Værdi sammenligning
Tabel, afvigelse
pålidelighedsvurdering
Materiale kandidater
påmindelse om risiko
Overholdelsesdata, godkendelse
Rangkontrol
mærkning
fysisk rimelighed
Almindelige fejl
- Brug af usourcet værdi. Hver kritisk funktion givet af AI bekræftes af databasen/eksperimentet.
- Angiver ikke tilstanden. Værdien taget uden at angive temperatur/tryk/fase kan tilhøre den forkerte tilstand.
- Forveksler den estimerede værdi som empirisk. Koncernbidragsskøn er usikre; Tag dette i betragtning i designet.
- Foretage materialevalg med en bekræftelse på én sætning. Korrosion er multivariat; data og bekræftelse påkrævet.
- Omgå rangkontrollen. Et simpelt "giver dette tal mening?" kontrol fanger de fleste hallucinationer.
Sammenfattende
AI i ejendoms- og materialeforudsigelse; Det er en kraftfuld assistent, der genererer foreløbige værdier, minder dig om estimeringsmetoden, sammenligner ressourceværdier og markerer væsentlige risici. Men enhver kritisk funktion skal være baseret på en pålidelig database eller eksperiment; Materialevalg er en sikkerhedskritisk beslutning, der kræver korrosionsdata og autoriseret ingeniørgodkendelse. AI giver forudsigelser og advarsler; Teknikeren opretter forbindelse til kilden, verificerer og vælger.
Ansøgningsopgave
Vælg en forbindelse og en egenskab (f.eks. damptryk af et opløsningsmiddel, 40°C). Hent værdien og dens kilde fra AI med skabelonen "Attribut-forudsigelse (ressource påkrævet)"; sammenligne det derefter med en termodynamisk database og noter afvigelsen. Brug derefter skabelonen "foreløbig materialekompatibilitetsscreening" for et væske-materiale-par, og bekræft de resulterende risici med et kompatibilitetsdiagram.
tjekliste
- Jeg ville have [ ]-funktionen sammen med betingelsen (T, P, fase).
- [ ] Jeg sammenlignede værdien givet af AI med en pålidelig database/eksperiment.
- [ ] Jeg skelnede estimerede værdier fra eksperimentelle og noterede usikkerheden.
- [ ] Jeg verificerede materialevalget med korrosionsdata og autoriseret godkendelse.
- [ ] Jeg anvendte en rang/plausibilitetskontrol på hvert kritisk tal.