پیش بینی مواد و خواص: خواص ترموفیزیکی و انتخاب مواد

سود:

• امکان استفاده از هوش مصنوعی به عنوان راهنمای پیش‌بینی و پیش‌بینی اولیه (سهم گروهی) برای خواص ترموفیزیکی و درخواست هر مقدار.
• امکان ثبت توهمات با تأیید هر ویژگی مهم با یک پایگاه داده قابل اعتماد (DIPPR/NIST) یا آزمایش
• توانایی درک اینکه انتخاب مواد یک تصمیم حیاتی ایمنی است که به داده های خوردگی و تایید مجاز نیاز دارد.

هر محاسبه فرآیند در نهایت به یک عدد می رسد: چگالی سیال، ویسکوزیته، ظرفیت حرارتی، فشار بخار، نقطه جوش. یک قطعنامه؛ مقاومت یک ماده در برابر خوردگی اینها در مجموع خواص ترموفیزیکی نامیده می شوند - کمیت های فیزیکی که گرما، جریان و رفتار فاز یک ماده را تعیین می کنند. ستون تقطیر، مبدل حرارتی یا پمپ تنها در صورتی به درستی طراحی می شود که این ویژگی ها درست باشند. در این بخش، نحوه استفاده از هوش مصنوعی به عنوان یک ابزار پیش‌بینی و مقایسه اولیه در پیش‌بینی خواص و انتخاب مواد (انتخاب فلزات، واشر، پوشش‌ها برای تحمل شرایط فرآیند) را یاد می‌گیرید. اما ما یاد خواهیم گرفت که چرا این مقادیر باید با یک پایگاه داده یا آزمایش قابل اطمینان تأیید شوند.

حقیقت حیاتی این است: تخمین ویژگی مبنای عددی طراحی است. یک خطا در اینجا به کل حساب سرایت می کند. هوش مصنوعی ممکن است با اطمینان فشار بخار یا ویسکوزیته بدهد، اما این مقدار ممکن است برای ترکیب دیگری باشد، ممکن است در دمای اشتباه باشد، یا ممکن است کاملاً توهم‌آور باشد. بنابراین قانون طلایی داده های ویژگی: هر ویژگی مهم باید بر اساس یک منبع قابل اعتماد (DIPPR، NIST، برگه داده سازنده) یا آزمایش باشد.

پشتیبانی گام به گام هوش مصنوعی برای پیش بینی ویژگی

1. به چه ویژگی نیاز دارید، تحت چه شرایطی؟ دما، فشار، فاز و غلظت خاصیت را تغییر می دهد. مقداری که بدون دادن شرط به هوش مصنوعی گرفته می شود گمراه کننده است.

2. انتخاب روش برآورد. اگر داده‌های تجربی وجود نداشته باشد، هوش مصنوعی رویکردهای پیش‌بینی مانند روش‌های مشارکت گروهی را به یاد می‌آورد - روش‌هایی که خواص را با شکستن مولکول به قطعات آن و اضافه کردن مشارکت‌های هر بخش پیش‌بینی می‌کنند. به عنوان مثال Joback، UNIFAC - و توضیح می دهد که کدام یک مناسب است.

3. ارزش اولیه و عدم قطعیت. هوش مصنوعی می تواند ارزش اولیه بدهد، اما قطعاً در چارچوب "این یک پیش بینی است، عدم قطعیت آن بالا است، آن را تأیید کنید". همچنین از هوش مصنوعی در مورد حاشیه خطای معمولی مقدار بپرسید.

4. مقایسه با منبع. ارزش هوش مصنوعی را با پایگاه داده ترمودینامیک یا برگه سازنده مقایسه کنید. اگر انحراف زیاد باشد، از مقدار استفاده نمی شود.

5. غربالگری اولیه سازگاری مواد. YZ خطرات شناخته شده خوردگی/ناسازگاری را برای یک جفت ماده سیال به یاد می آورد (مانند خوردگی حفره ای فولاد ضد زنگ در یک محیط حاوی کلرید). این یک هشدار است؛ انتخاب نهایی توسط نمودارهای سازگاری و ارزیابی کارشناسان انجام می شود.

6. فیلتر معقولیت. آیا ارزش از نظر رتبه معنی دارد؟ برای آب، چگالی آن در حدود 1000 کیلوگرم بر متر مکعب است؟ بررسی ساده سفارش بیشتر خطاها را می گیرد.

نکته: وقتی از هوش مصنوعی یک مقدار ویژگی می‌خواهید، بگویید «منبع و روش تخمین را مشخص کنید، به من بگویید آزمایشی است یا تخمینی». اگر هوش مصنوعی نمی تواند منبعی را ذکر کند، آن مقدار را به عنوان حدس علامت گذاری کنید و به طور مستقل آن را تأیید کنید.

انتخاب مواد: ایمنی و دوام

انتخاب مواد هم یک تصمیم اقتصادی و هم از نظر ایمنی حیاتی است. مواد نامناسب می توانند با خوردگی ضعیف شوند و باعث ترکیدن یک مخزن تحت فشار یا نشت مایع سمی شوند. هوش مصنوعی می تواند فهرست مواد اولیه و ناسازگاری های شناخته شده را به یاد بیاورد. اما اثرات ترکیبی دما، فشار، غلظت و ناخالصی‌ها پیچیده است و انتخاب نهایی توسط داده‌های مهندسی مواد (نمودارهای سازگاری، داده‌های نرخ خوردگی) و آزمایش در صورت لزوم انجام می‌شود.

توجه: هوش مصنوعی گفتن "این ماده برای این مایع مناسب است" تضمینی نیست. در مورد تجهیزات تحت فشار و مایعات سمی / قابل اشتعال، انتخاب مواد نیاز به تأیید مهندس واجد شرایط و داده های خوردگی تأیید شده دارد.

سه کیف کوچک

مورد 1 - پیش بینی سریع. یک مهندس تخمین اولیه ظرفیت گرمایی یک مخلوط حلال جدید را می‌خواست که داده‌های مربوط به آن در ادبیات کمیاب بود. هوش مصنوعی از طریق روش مشارکت گروهی محدوده ای را ارائه می دهد. مهندس با این مقدار اولیه یک محاسبه اولیه انرژی انجام داد، سپس آن را در آزمایشگاه اندازه گرفت. اندازه گیری در 6٪ از پیش بینی بود. پیش‌بینی برنامه‌ریزی را تسریع کرد، اما طراحی به ارزش تجربی تغییر کرد.

مورد 2 - توهم کشف شد. YZ نقطه جوش معمولی یک ترکیب را 78 درجه سانتیگراد نشان داد. هنگامی که مهندس آن را با NIST مقایسه کرد، دریافت که مقدار واقعی 118 درجه سانتیگراد بود. هوش مصنوعی این نام را با ترکیب مشابه دیگری اشتباه گرفته بود. مقایسه با منبع از ورود خطای 40 درجه سانتی گراد به طرح ستون جلوگیری کرد.

مورد 3 - هشدار مادی. YZ انتخاب فولاد ضد زنگ 304 را برای یک جریان آبی حاوی یون کلرید به عنوان "خطر ایجاد حفره و ترک خوردگی ناشی از تنش" عنوان کرد و از آلیاژ مقاوم تر نام برد. مهندس مواد با داده های سازگاری تأیید کرد و یک ماده آلیاژ بالاتر را انتخاب کرد. هوش مصنوعی خطر را در دستور کار قرار داد، تصمیم با داده ها گرفته شد.

چهار قالب قابل کپی

1) پیش بینی ویژگی (منبع مورد نیاز):

نقش شما: متخصص فیزیک ترکیب: [نام/فرمول]، شرط: [T، P، فاز]. ویژگی من می خواهم: [به عنوان مثال. فشار بخار]. (1) مقدار آزمایشی و منبع (DIPPR/NIST/سازنده)، در صورت موجود بودن، (2) اگر نه، روش تخمین و ارزش تخمینی و حاشیه عدم قطعیت را ارائه دهید. آزمایشی یا پیش بینی بودن آن را به وضوح بیان کنید. اگر نمی توانید منبعی را ذکر کنید، آن را به عنوان "پیش بینی نیاز به تایید" علامت گذاری کنید. ارزش را جعل نکنید؛ اگر مطمئن نیستی به من بگو

2) راهنمای روش مشارکت گروهی:

من ترکیبی دارم که هیچ داده تجربی برای آن وجود ندارد: [structure/SMILES]. کدام روش مشارکت گروهی (Joback، UNIFAC و غیره) برای [اموال] مناسب است و چرا؟ مراحل روش و پارامترهای گروه مورد نیاز را توضیح دهید. بیان کنید که نتیجه یک تخمین و حاشیه خطای معمولی است. من مقدار نهایی را با آزمایش / پایگاه داده تأیید خواهم کرد.

3) مقایسه/تأیید ارزش:

در زیر مقادیری از منابع مختلف برای یک ویژگی آورده شده است. آنها را در یک جدول مقایسه کنید، انحراف را محاسبه کنید، و رتبه بندی کنید که کدام یک قابل اعتمادتر است (تجربی > ارزیابی شده > پیش بینی شده). در صورت وجود انحراف زیاد، علت احتمالی (شرایط مختلف، ایزومرهای متفاوت) را علامت بزنید. منابع: [چسباندن]

4) غربالگری اولیه سازگاری مواد:

سیال: [ترکیب، غلظت، ناخالصی]، وضعیت: [T، P]. مواد کاندید: [فهرست]. خطرات شناخته شده خوردگی/ناسازگاری (حفره شدن، ترک خوردگی استرس، خوردگی عمومی) را برای هر یک به یاد بیاورید. این یک اسکن اولیه است. انتخاب نهایی به داده های خوردگی و تایید مهندس مجاز نیاز دارد. جفت های پرخطر را به وضوح علامت گذاری کنید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

ویسکوزیته تولوئن چقدر است؟

بدون گرما، بدون جوش. هوش مصنوعی عددی را ارائه می دهد، اما در چه شرایطی و تا چه حد قابل اعتماد است نامشخص است.

اعلان قدرتمند:

نقش شما: متخصص فیزیک ویسکوزیته دینامیکی برای تولوئن در فاز مایع، 25 درجه سانتیگراد، 1 اتمسفر. ارائه کنید: مقدار، واحد، منبع، و تخمین تجربی. در صورت امکان، دو منبع مستقل و قوام بیان کنید. اگر نمی توانید منبع را ذکر کنید، آن را به عنوان حدس علامت بزنید. برازش ارزش من نتیجه را با یک پایگاه داده ترمودینامیکی تأیید خواهم کرد.

تفاوت واضح است: شرط، دستور منبع، و چارچوب اعتبارسنجی ارزش را در دسترس قرار می دهد.

توزیع نقش در تصمیم گیری ویژگی ها و مواد

کسب و کار

نقش هوش مصنوعی

تصمیم/منبع انسانی

ویژگی آزمایشی

یادآوری منبع

تایید پایگاه داده

بدون داده، حدس بزنید

روش + پیش فرض

آزمایش / اعتبار سنجی پایگاه داده

مقایسه ارزش

جدول، انحراف

قضاوت قابلیت اطمینان

نامزدهای مواد

یادآوری خطر

داده های انطباق، تأیید

کنترل رتبه

علامت گذاری

منطقی بودن فیزیکی

اشتباهات رایج

• استفاده از ارزش بدون منبع هر ویژگی حیاتی ارائه شده توسط هوش مصنوعی توسط پایگاه داده / آزمایش تایید می شود.
• عدم بیان شرط مقدار گرفته شده بدون تعیین دما/فشار/فاز ممکن است به شرایط اشتباه تعلق داشته باشد.
• اشتباه گرفتن ارزش تخمینی به عنوان تجربی. برآورد سهم گروه نامشخص است. این را در طراحی در نظر بگیرید.
• انتخاب مواد با تایید یک جمله ای. خوردگی چند متغیره است. داده ها و تایید مورد نیاز است.
• دور زدن چک رتبه یک جمله ساده "آیا این عدد منطقی است؟" کنترل بیشتر توهمات را می گیرد.

به طور خلاصه

هوش مصنوعی در پیش بینی اموال و مواد؛ این یک دستیار قدرتمند است که مقادیر اولیه را تولید می کند، روش تخمین را به شما یادآوری می کند، مقادیر منابع را مقایسه می کند و خطرات مادی را نشان می دهد. اما هر ویژگی حیاتی باید بر اساس یک پایگاه داده یا آزمایش قابل اعتماد باشد. انتخاب مواد یک تصمیم حیاتی ایمنی است که به داده های خوردگی و تایید مهندس مجاز نیاز دارد. هوش مصنوعی پیش بینی ها و هشدارها را ارائه می دهد. مهندس به منبع متصل می شود، تأیید می کند و انتخاب می کند.

وظیفه کاربردی

یک ترکیب و یک ویژگی را انتخاب کنید (مثلاً فشار بخار یک حلال، 40 درجه سانتیگراد). مقدار و منبع آن را از هوش مصنوعی با الگوی "پیش‌بینی ویژگی (منابع مورد نیاز)" دریافت کنید. سپس آن را با پایگاه داده ترمودینامیکی مقایسه کنید و انحراف را یادداشت کنید. سپس از الگوی "غربالگری سازگاری اولیه مواد" برای یک جفت ماده مایع استفاده کنید و خطرات ناشی از آن را با نمودار سازگاری تأیید کنید.

چک لیست

• من ویژگی [ ] را همراه با شرط (T، P، فاز) می خواستم.
• [ ] من مقدار داده شده توسط هوش مصنوعی را با یک پایگاه داده/آزمایش قابل اعتماد مقایسه کردم.
• [ ] من مقادیر تخمینی را از تجربی متمایز کردم و عدم قطعیت را ذکر کردم.
• [ ] من انتخاب مواد را با داده های خوردگی و تأیید مجاز تأیید کردم.
• [ ] من یک بررسی رتبه/قابلیت پذیری برای هر عدد بحرانی اعمال کردم.