Κέρδη:
- Δυνατότητα χρήσης τεχνητής νοημοσύνης ως προκαταρκτικής μεθόδου πρόβλεψης και πρόβλεψης (ομαδική συνεισφορά) οδηγός για θερμοφυσικές ιδιότητες και αίτηση οποιασδήποτε τιμής.
- Δυνατότητα καταγραφής παραισθήσεων επαληθεύοντας κάθε κρίσιμο χαρακτηριστικό με αξιόπιστη βάση δεδομένων (DIPPR/NIST) ή πείραμα
- Ικανότητα κατανόησης ότι η επιλογή υλικού είναι μια κρίσιμη για την ασφάλεια απόφαση που απαιτεί δεδομένα διάβρωσης και εξουσιοδοτημένη έγκριση.
Κάθε υπολογισμός διεργασίας καταλήγει τελικά σε έναν αριθμό: πυκνότητα ρευστού, ιξώδες, θερμοχωρητικότητα, πίεση ατμών, σημείο βρασμού. ένα ψήφισμα? αντοχή ενός υλικού στη διάβρωση. Αυτές ονομάζονται συλλογικά θερμοφυσικές ιδιότητες - φυσικά μεγέθη που καθορίζουν τη συμπεριφορά θερμότητας, ροής και φάσης μιας ουσίας. Μια στήλη απόσταξης, ένας εναλλάκτης θερμότητας ή μια αντλία σχεδιάζονται σωστά μόνο εάν αυτά τα χαρακτηριστικά είναι σωστά. Σε αυτή την ενότητα, θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη ως προκαταρκτικό εργαλείο πρόβλεψης και σύγκρισης στην πρόβλεψη ιδιοτήτων και στην επιλογή υλικών (επιλογή μετάλλων, παρεμβυσμάτων, επιστρώσεων για να αντέχουν στις συνθήκες διεργασίας). αλλά θα μάθουμε γιατί αυτές οι τιμές πρέπει να επαληθεύονται με μια αξιόπιστη βάση δεδομένων ή πείραμα.
Η κρίσιμη αλήθεια είναι η εξής: η εκτίμηση χαρακτηριστικών είναι η αριθμητική βάση του σχεδιασμού. Ένα σφάλμα εδώ εξαπλώνεται σε ολόκληρο τον λογαριασμό. Το AI μπορεί με βεβαιότητα να δώσει μια τάση ατμών ή ένα ιξώδες, αλλά αυτή η τιμή μπορεί να είναι για άλλη ένωση, μπορεί να είναι σε λάθος θερμοκρασία ή μπορεί να είναι εντελώς παραισθησιογόνα. Επομένως, ο χρυσός κανόνας των δεδομένων χαρακτηριστικών: κάθε κρίσιμο χαρακτηριστικό πρέπει να βασίζεται σε μια αξιόπιστη πηγή (DIPPR, NIST, φύλλο δεδομένων κατασκευαστή) ή πείραμα.
Βήμα προς βήμα υποστήριξη AI για πρόβλεψη χαρακτηριστικών
1. Ποιο χαρακτηριστικό χρειάζεστε, υπό ποιες προϋποθέσεις; Η θερμοκρασία, η πίεση, η φάση και η συγκέντρωση αλλάζουν την ιδιότητα. Η τιμή που λαμβάνεται χωρίς να δοθεί η συνθήκη στο AI είναι παραπλανητική.
2. Επιλογή της μεθόδου εκτίμησης. Εάν δεν υπάρχουν πειραματικά δεδομένα, η τεχνητή νοημοσύνη ανακαλεί προσεγγίσεις πρόβλεψης, όπως μεθόδους ομαδικής συνεισφοράς — μεθόδους που προβλέπουν ιδιότητες σπάζοντας το μόριο στα μέρη του και προσθέτοντας τις συνεισφορές κάθε μέρους. π.χ. Joback, UNIFAC — και εξηγεί ποιο είναι κατάλληλο.
3. Προκαταρκτική αξία και αβεβαιότητα. Η τεχνητή νοημοσύνη μπορεί να δώσει μια προκαταρκτική αξία, αλλά σίγουρα στο πλαίσιο του «αυτή είναι μια πρόβλεψη, η αβεβαιότητά της είναι υψηλή, επαληθεύστε την». Ρωτήστε επίσης το AI για το τυπικό περιθώριο σφάλματος της τιμής.
4. Σύγκριση με την πηγή. Συγκρίνετε την τιμή του AI με μια βάση δεδομένων θερμοδυναμικής ή ένα φύλλο κατασκευαστή. Εάν η απόκλιση είναι μεγάλη, η τιμή δεν χρησιμοποιείται.
5. Προκαταρκτικός έλεγχος συμβατότητας υλικού. Το YZ υπενθυμίζει τους γνωστούς κινδύνους διάβρωσης/ασυμβατότητας για ένα ζεύγος υγρού-υλικού (π.χ. διάβρωση από ανοξείδωτο χάλυβα σε περιβάλλον που περιέχει χλώριο). Αυτή είναι μια προειδοποίηση. Η τελική επιλογή γίνεται με διαγράμματα συμβατότητας και αξιολόγηση ειδικών.
6. Φίλτρο λογικότητας. Έχει νόημα η τιμή όσον αφορά την κατάταξη; Για το νερό, η πυκνότητα είναι περίπου ~1000 kg/m³; Ο απλός έλεγχος παραγγελίας εντοπίζει τα περισσότερα λάθη.
Συμβουλή: Όταν ζητάτε από το AI μια τιμή χαρακτηριστικού, πείτε «καθορίστε την πηγή και τη μέθοδο εκτίμησης, πείτε μου αν είναι πειραματική ή εκτιμώμενη». Εάν το AI δεν μπορεί να αναφέρει μια πηγή, σημειώστε αυτήν την τιμή ως εικασία και επαληθεύστε την ανεξάρτητα.
Επιλογή υλικού: ασφάλεια και αντοχή
Η επιλογή υλικού είναι τόσο οικονομική όσο και κρίσιμη για την ασφάλεια απόφαση. Το λάθος υλικό μπορεί να εξασθενήσει λόγω της διάβρωσης, προκαλώντας τη διάρρηξη ενός δοχείου πίεσης ή τη διαρροή ενός τοξικού υγρού. Το AI μπορεί να ανακαλέσει μια λίστα αρχικών υλικών και γνωστές ασυμβατότητες. Αλλά οι συνδυασμένες επιδράσεις θερμοκρασίας, πίεσης, συγκέντρωσης και ακαθαρσιών είναι πολύπλοκες και η τελική επιλογή γίνεται από δεδομένα μηχανικής υλικών (διαγράμματα συμβατότητας, δεδομένα ρυθμού διάβρωσης) και δοκιμές όπου χρειάζεται.
Προσοχή: Το AI που λέει "αυτό το υλικό είναι κατάλληλο για αυτό το υγρό" δεν αποτελεί εγγύηση. Στην περίπτωση εξοπλισμού υπό πίεση και τοξικών/εύφλεκτων υγρών, η επιλογή υλικού απαιτεί έγκριση ειδικευμένου μηχανικού και επαληθευμένα δεδομένα διάβρωσης.
τρεις μίνι θήκες
Περίπτωση 1 — Γρήγορη πρόβλεψη. Ένας μηχανικός ήθελε μια προκαταρκτική εκτίμηση της θερμικής ικανότητας για ένα νέο μείγμα διαλυτών για το οποίο τα δεδομένα ήταν σπάνια στη βιβλιογραφία. Το AI έδωσε ένα εύρος μέσω μιας μεθόδου ομαδικής συνεισφοράς. Ο μηχανικός έκανε έναν πρόχειρο υπολογισμό ενέργειας με αυτήν την προκαταρκτική τιμή και στη συνέχεια τη μέτρησε στο εργαστήριο. Η μέτρηση ήταν εντός του 6% της πρόβλεψης. Η πρόβλεψη επιτάχυνε τον προγραμματισμό, αλλά ο σχεδιασμός μετατοπίστηκε σε πειραματική αξία.
Περίπτωση 2 — Πιάστηκε ψευδαίσθηση. Το ΥΖ έδωσε το κανονικό σημείο βρασμού μιας ένωσης ως 78°C. Όταν ο μηχανικός το συνέκρινε με το NIST, διαπίστωσε ότι η πραγματική τιμή ήταν 118°C. Το AI είχε μπερδέψει το όνομα με μια άλλη παρόμοια ένωση. Η σύγκριση με μια πηγή εμπόδισε ένα σφάλμα 40°C να εισέλθει στο σχέδιο της στήλης.
Περίπτωση 3 — Υλική προειδοποίηση. Η YZ επισήμανε την επιλογή του ανοξείδωτου χάλυβα 304 για ένα υδατικό ρεύμα που περιέχει ιόντα χλωρίου ως "κίνδυνο ρωγμών από διάβρωση και διάβρωση λόγω καταπόνησης" και ανέφερε ένα πιο ανθεκτικό κράμα. Ο μηχανικός υλικών επιβεβαίωσε με δεδομένα συμβατότητας και επέλεξε ένα υλικό υψηλότερου κράματος. Το AI έφερε τον κίνδυνο στην ατζέντα, η απόφαση πάρθηκε με δεδομένα.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Πρόβλεψη λειτουργιών (απαιτείται πηγή):
Ο ρόλος σας: ειδικός στη σωματική διάπλαση. Ένωση: [όνομα/τύπος], κατάσταση: [Τ, Ρ, φάση]. Χαρακτηριστικό που θέλω: [π.χ. πίεση ατμών]. Δώστε: (1) πειραματική τιμή και ΠΗΓΗ (DIPPR/NIST/κατασκευαστής), εάν είναι διαθέσιμη, (2) εάν όχι, μέθοδος εκτίμησης και εκτιμώμενη τιμή και περιθώριο αβεβαιότητας. Δηλώστε ξεκάθαρα αν είναι πειραματικό ή προγνωστικό. Εάν δεν μπορείτε να αναφέρετε μια πηγή, σημειώστε την ως "πρόβλεψη που χρειάζεται επαλήθευση". Μην κατασκευάζετε την αξία. Αν δεν είσαι σίγουρος, πες μου.
2) Οδηγός μεθόδου συνεισφοράς ομάδας:
Έχω μια ένωση για την οποία δεν υπάρχουν πειραματικά δεδομένα: [δομή/ΧΑΜΟΓΕΛΑ]. Ποια μέθοδος ομαδικής συνεισφοράς (Joback, UNIFAC, κ.λπ.) είναι κατάλληλη για [περιουσία] και γιατί; Εξηγήστε τα βήματα της μεθόδου και τις απαιτούμενες παραμέτρους της ομάδας. Δηλώστε ότι το αποτέλεσμα είναι μια εκτίμηση και το τυπικό περιθώριο σφάλματος. Θα επαληθεύσω την τελική τιμή με πείραμα/βάση δεδομένων.
3) Σύγκριση/επαλήθευση τιμών:
Ακολουθούν τιμές από διαφορετικές πηγές για ένα χαρακτηριστικό. Συγκρίνετε τα σε έναν πίνακα, υπολογίστε την απόκλιση και κατατάξτε ποιο είναι πιο αξιόπιστο (εμπειρικό > αξιολογημένο > προβλεπόμενο). Εάν υπάρχει μεγάλη απόκλιση, σημειώστε την πιθανή αιτία (διαφορετική κατάσταση, διαφορετικό ισομερές). Πηγές: [επικόλληση]
4) Προκαταρκτικός έλεγχος συμβατότητας υλικού:
Υγρό: [σύνθεση, συγκέντρωση, προσμίξεις], κατάσταση: [T, P]. Υποψήφια υλικά: [κατάλογος]. Υπενθυμίστε τους γνωστούς κινδύνους διάβρωσης/ασυμβατότητας (τρύπημα, ρωγμές λόγω τάσης, γενική διάβρωση) για το καθένα. Αυτή είναι μια ΠΡΟΚΑΤΑΡΚΤΙΚΗ σάρωση. Η τελική επιλογή απαιτεί δεδομένα διάβρωσης και έγκριση εξουσιοδοτημένου μηχανικού. Σημειώστε ξεκάθαρα τα επικίνδυνα ζευγάρια.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ποιο είναι το ιξώδες του τολουολίου;
Χωρίς θερμότητα, χωρίς συγκόλληση. Η τεχνητή νοημοσύνη δίνει έναν αριθμό, αλλά υπό ποιες συνθήκες και πόσο αξιόπιστο είναι είναι ασαφές.
Ισχυρή προτροπή:
Ο ρόλος σας: ειδικός στη σωματική διάπλαση. Δυναμικό ιξώδες για τολουόλιο σε υγρή φάση, 25°C, 1 atm. Δώστε: τιμή, μονάδα, ΠΗΓΗ και πειραματική εκτίμηση. Εάν είναι δυνατόν, δώστε δύο ανεξάρτητες πηγές και δηλώστε συνέπεια. Εάν δεν μπορείτε να αναφέρετε την πηγή, σημειώστε την ως εικασία. Τακτοποίηση αξίας. Θα επαληθεύσω το αποτέλεσμα με μια θερμοδυναμική βάση δεδομένων.
Η διαφορά είναι σαφής: η συνθήκη, η εντολή πόρων και το πλαίσιο επικύρωσης καθιστούν διαθέσιμη την τιμή.
Κατανομή ρόλων στην απόφαση χαρακτηριστικών και υλικού
επιχείρηση
Ο ρόλος της AI
Ανθρώπινη απόφαση/πηγή
Πειραματικό χαρακτηριστικό
υπενθύμιση πηγής
Επιβεβαίωση βάσης δεδομένων
Δεν υπάρχουν δεδομένα, μαντέψτε
Μέθοδος + προεπιλογή
Επικύρωση πειράματος/βάσης δεδομένων
Σύγκριση αξιών
Πίνακας, απόκλιση
κρίση αξιοπιστίας
Υποψήφιοι υλικό
υπενθύμιση κινδύνου
Δεδομένα συμμόρφωσης, έγκριση
Έλεγχος κατάταξης
σήμανση
φυσική λογικότητα
Συνήθη λάθη
- Χρήση αξίας χωρίς πηγή. Κάθε κρίσιμο χαρακτηριστικό που δίνεται από το AI επιβεβαιώνεται από τη βάση δεδομένων/πείραμα.
- Μη δηλώνοντας την προϋπόθεση. Η τιμή που λαμβάνεται χωρίς καθορισμό θερμοκρασίας/πίεσης/φάσης μπορεί να ανήκει σε λάθος συνθήκη.
- Λάθος της εκτιμώμενης τιμής ως εμπειρικής. Οι εκτιμήσεις συνεισφοράς του Ομίλου είναι αβέβαιες. Λάβετε αυτό υπόψη στο σχεδιασμό.
- Επιλογή υλικού με επιβεβαίωση μιας πρότασης. Η διάβρωση είναι πολυπαραγοντική. απαιτούνται δεδομένα και επιβεβαίωση.
- Παράκαμψη του ελέγχου κατάταξης. Ένα απλό "έχει νόημα αυτός ο αριθμός;" ο έλεγχος πιάνει τις περισσότερες παραισθήσεις.
Συνοπτικά
τεχνητή νοημοσύνη στην πρόβλεψη ιδιοκτησίας και υλικού. Είναι ένας ισχυρός βοηθός που δημιουργεί προκαταρκτικές τιμές, σας υπενθυμίζει τη μέθοδο εκτίμησης, συγκρίνει τιμές πόρων και επισημαίνει τους υλικούς κινδύνους. Αλλά κάθε κρίσιμο χαρακτηριστικό πρέπει να βασίζεται σε μια αξιόπιστη βάση δεδομένων ή πείραμα. Η επιλογή υλικού είναι μια κρίσιμη για την ασφάλεια απόφαση που απαιτεί δεδομένα διάβρωσης και έγκριση εξουσιοδοτημένου μηχανικού. Η τεχνητή νοημοσύνη παρέχει προβλέψεις και προειδοποιήσεις. Ο μηχανικός συνδέεται με την πηγή, επαληθεύει και επιλέγει.
Εργασία εφαρμογής
Επιλέξτε μια ένωση και μια ιδιότητα (π.χ. τάση ατμών ενός διαλύτη, 40°C). Λάβετε την τιμή και την πηγή της από το AI με το πρότυπο "Πρόβλεψη χαρακτηριστικών (απαιτείται πόρος)". στη συνέχεια συγκρίνετε το με μια θερμοδυναμική βάση δεδομένων και σημειώστε την απόκλιση. Στη συνέχεια, χρησιμοποιήστε το πρότυπο «προκαταρκτικός έλεγχος συμβατότητας υλικού» για ένα ζεύγος υγρού-υλικού και επιβεβαιώστε τους κινδύνους που προκύπτουν με ένα διάγραμμα συμβατότητας.
λίστα ελέγχου
- Ήθελα το χαρακτηριστικό [ ] μαζί με την συνθήκη (T, P, φάση).
- [ ] Σύγκρισα την τιμή που δόθηκε από το AI με μια αξιόπιστη βάση δεδομένων/πείραμα.
- [ ] Ξεχώρισα τις εκτιμώμενες τιμές από τις πειραματικές και σημείωσα την αβεβαιότητα.
- [ ] Ελέγξα την επιλογή υλικού με δεδομένα διάβρωσης και εξουσιοδοτημένη έγκριση.
- [ ] Εφάρμοσα έναν έλεγχο κατάταξης/αληθοφάνειας σε κάθε κρίσιμο αριθμό.