સામગ્રી અને સંપત્તિની આગાહી: થર્મોફિઝિકલ પ્રોપર્ટીઝ અને સામગ્રીની પસંદગી

નફો:

• થર્મોફિઝિકલ ગુણધર્મો માટે પ્રારંભિક આગાહી અને આગાહી પદ્ધતિ (જૂથ યોગદાન) માર્ગદર્શિકા તરીકે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા અને કોઈપણ મૂલ્યની વિનંતી.
• વિશ્વસનીય ડેટાબેઝ (DIPPR/NIST) અથવા પ્રયોગ વડે દરેક નિર્ણાયક લક્ષણને ચકાસીને આભાસને પકડવાની ક્ષમતા
• એ સમજવાની ક્ષમતા કે સામગ્રીની પસંદગી એ સલામતી-નિર્ણાયક નિર્ણય છે જેને કાટ લાગવાના ડેટા અને અધિકૃત મંજૂરીની જરૂર છે.

દરેક પ્રક્રિયાની ગણતરી આખરે સંખ્યા પર આવે છે: પ્રવાહીની ઘનતા, સ્નિગ્ધતા, ગરમીની ક્ષમતા, વરાળનું દબાણ, ઉત્કલન બિંદુ; એક ઠરાવ; કાટ માટે સામગ્રીનો પ્રતિકાર. આને સામૂહિક રીતે થર્મોફિઝિકલ પ્રોપર્ટીઝ કહેવામાં આવે છે - ભૌતિક જથ્થાઓ જે પદાર્થની ગરમી, પ્રવાહ અને તબક્કાના વર્તનને નિર્ધારિત કરે છે. નિસ્યંદન કૉલમ, હીટ એક્સ્ચેન્જર અથવા પંપ યોગ્ય રીતે ડિઝાઇન કરવામાં આવે છે જો આ લક્ષણો યોગ્ય હોય. આ એકમમાં, તમે પ્રોપર્ટીની આગાહી અને સામગ્રીની પસંદગી (પ્રક્રિયાની પરિસ્થિતિઓનો સામનો કરવા માટે ધાતુઓ, ગાસ્કેટ્સ, કોટિંગ્સની પસંદગી) માં પ્રારંભિક આગાહી અને સરખામણી સાધન તરીકે કૃત્રિમ બુદ્ધિનો ઉપયોગ કેવી રીતે કરવો તે શીખીશું; પરંતુ આપણે જાણીશું કે શા માટે આ મૂલ્યોને વિશ્વસનીય ડેટાબેઝ અથવા પ્રયોગ સાથે ચકાસવાની જરૂર છે.

નિર્ણાયક સત્ય આ છે: વિશેષતા અંદાજ એ ડિઝાઇનનો સંખ્યાત્મક આધાર છે; અહીં એક ભૂલ સમગ્ર ખાતામાં ફેલાય છે. AI આત્મવિશ્વાસપૂર્વક વરાળનું દબાણ અથવા સ્નિગ્ધતા આપી શકે છે, પરંતુ તે મૂલ્ય અન્ય સંયોજન માટે હોઈ શકે છે, ખોટા તાપમાને હોઈ શકે છે અથવા સંપૂર્ણપણે ભ્રામક હોઈ શકે છે. તેથી સુવિધા ડેટાનો સુવર્ણ નિયમ: દરેક નિર્ણાયક વિશેષતા વિશ્વસનીય સ્ત્રોત (DIPPR, NIST, ઉત્પાદક ડેટા શીટ) અથવા પ્રયોગ પર આધારિત હોવી જોઈએ.

લક્ષણ અનુમાન માટે સ્ટેપ-બાય-સ્ટેપ AI સપોર્ટ

1. કઈ શરત હેઠળ તમને કઈ સુવિધાની જરૂર છે? તાપમાન, દબાણ, તબક્કો અને સાંદ્રતા મિલકતમાં ફેરફાર કરે છે. AI ને શરત આપ્યા વિના લીધેલ મૂલ્ય ભ્રામક છે.

2. અંદાજ પદ્ધતિ પસંદ કરી રહ્યા છીએ. જો ત્યાં કોઈ પ્રાયોગિક ડેટા ન હોય, તો AI આગાહીના અભિગમોને યાદ કરે છે જેમ કે જૂથ યોગદાન પદ્ધતિઓ - પદ્ધતિઓ કે જે તેના ભાગોમાં પરમાણુને તોડીને અને દરેક ભાગના યોગદાનને ઉમેરીને ગુણધર્મોની આગાહી કરે છે; દા.ત. Joback, UNIFAC — અને સમજાવે છે કે કયું યોગ્ય છે.

3. પ્રારંભિક મૂલ્ય અને અનિશ્ચિતતા. AI પ્રારંભિક મૂલ્ય આપી શકે છે, પરંતુ ચોક્કસપણે "આ એક આગાહી છે, તેની અનિશ્ચિતતા વધારે છે, તેને ચકાસો" ના માળખામાં. એઆઈને મૂલ્યની ભૂલના લાક્ષણિક માર્જિન વિશે પણ પૂછો.

4. સ્ત્રોત સાથે સરખામણી. થર્મોડાયનેમિક્સ ડેટાબેઝ અથવા ઉત્પાદક શીટ સાથે AI ના મૂલ્યની તુલના કરો. જો વિચલન મોટું હોય, તો મૂલ્યનો ઉપયોગ થતો નથી.

5. સામગ્રી સુસંગતતા પ્રારંભિક સ્ક્રીનીંગ. YZ પ્રવાહી-સામગ્રીની જોડી માટે જાણીતા કાટ/અસંગતતાના જોખમોને યાદ કરે છે (દા.ત. ક્લોરાઇડ-સમાવતી વાતાવરણમાં સ્ટેનલેસ સ્ટીલનો કાટ લાગવો). આ એક ચેતવણી છે; અંતિમ પસંદગી સુસંગતતા ચાર્ટ અને નિષ્ણાત મૂલ્યાંકન દ્વારા કરવામાં આવે છે.

6. વ્યાજબીતા ફિલ્ટર. શું રેન્કના સંદર્ભમાં મૂલ્યનો અર્થ થાય છે? પાણી માટે, શું ઘનતા ~1000 kg/m³ છે? સરળ ઓર્ડરની ચકાસણી મોટાભાગની ભૂલોને પકડે છે.

ટીપ: જ્યારે તમે AI ને વિશેષતા મૂલ્ય માટે પૂછો, ત્યારે કહો કે "સ્રોત અને અંદાજ પદ્ધતિનો ઉલ્લેખ કરો, મને કહો કે તે પ્રાયોગિક છે કે અંદાજિત." જો AI સ્ત્રોતને ટાંકી શકતું નથી, તો તે મૂલ્યને અનુમાન તરીકે ચિહ્નિત કરો અને તેને સ્વતંત્ર રીતે ચકાસો.

સામગ્રીની પસંદગી: સલામતી અને ટકાઉપણું

સામગ્રીની પસંદગી એ બંને આર્થિક અને સલામતી-નિર્ણાયક નિર્ણય છે. ખોટી સામગ્રી કાટ સાથે નબળી પડી શકે છે, જેના કારણે દબાણયુક્ત જહાજ ફાટી શકે છે અથવા ઝેરી પ્રવાહી લીક થાય છે. AI પ્રારંભિક સામગ્રીની સૂચિ અને જાણીતી અસંગતતાઓને યાદ કરી શકે છે; પરંતુ તાપમાન, દબાણ, એકાગ્રતા અને અશુદ્ધિઓની સંયુક્ત અસરો જટિલ છે અને અંતિમ પસંદગી સામગ્રી એન્જિનિયરિંગ ડેટા (સુસંગતતા ચાર્ટ, કાટ દર ડેટા) અને જ્યાં જરૂરી હોય ત્યાં પરીક્ષણ દ્વારા કરવામાં આવે છે.

ધ્યાન આપો: AI કહે છે કે "આ સામગ્રી આ પ્રવાહી માટે યોગ્ય છે" એ ગેરંટી નથી. દબાણયુક્ત સાધનો અને ઝેરી/જ્વલનશીલ પ્રવાહીના કિસ્સામાં, સામગ્રીની પસંદગી માટે લાયક એન્જિનિયરની મંજૂરી અને ચકાસાયેલ કાટ ડેટાની જરૂર છે.

ત્રણ નાના કેસો

કેસ 1 - ઝડપી આગાહી. એક એન્જિનિયરને નવા દ્રાવક મિશ્રણ માટે ગરમીની ક્ષમતાનો પ્રારંભિક અંદાજ જોઈતો હતો જેના માટે સાહિત્યમાં ડેટાની અછત હતી. AI એ જૂથ યોગદાન પદ્ધતિ દ્વારા શ્રેણી આપી. ઇજનેરે આ પ્રારંભિક મૂલ્ય સાથે ઉર્જા ગણતરી કરી, પછી તેને પ્રયોગશાળામાં માપી; માપન આગાહીના 6% ની અંદર હતું. આગાહીએ ઝડપી આયોજન કર્યું, પરંતુ ડિઝાઇન પ્રાયોગિક મૂલ્યમાં ફેરવાઈ.

કેસ 2 - આભાસ પકડાયો. YZ એ સંયોજનનો સામાન્ય ઉત્કલન બિંદુ 78°C આપ્યો. જ્યારે એન્જિનિયરે તેની સરખામણી NIST સાથે કરી, ત્યારે તેણે જોયું કે વાસ્તવિક મૂલ્ય 118°C હતું; AI એ નામને અન્ય સમાન સંયોજન સાથે ભેળસેળ કરી હતી. સ્ત્રોત સાથેની સરખામણીએ 40°C ભૂલને કૉલમ ડિઝાઇનમાં પ્રવેશતા અટકાવી.

કેસ 3 - સામગ્રી ચેતવણી. YZ એ ક્લોરાઇડ આયન ધરાવતા જલીય સ્ટ્રીમ માટે 304 સ્ટેનલેસ સ્ટીલની પસંદગીને "પિટિંગ અને સ્ટ્રેસ કાટ ક્રેકીંગનું જોખમ" તરીકે ધ્વજાંકિત કર્યું અને વધુ પ્રતિરોધક એલોયનો ઉલ્લેખ કર્યો. મટિરિયલ એન્જિનિયરે સુસંગતતા ડેટા સાથે પુષ્ટિ કરી અને ઉચ્ચ એલોય સામગ્રી પસંદ કરી. AI એ એજન્ડામાં જોખમ લાવ્યું, ડેટા સાથે નિર્ણય લેવામાં આવ્યો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) લક્ષણ અનુમાન (સ્રોત જરૂરી):

તમારી ભૂમિકા: શારીરિક નિષ્ણાત. સંયોજન: [નામ/સૂત્ર], સ્થિતિ: [T, P, તબક્કો]. વિશેષતા મને જોઈએ છે: [દા.ત. વરાળ દબાણ]. આપો: (1) પ્રાયોગિક મૂલ્ય અને સ્ત્રોત (DIPPR/NIST/ઉત્પાદક), જો ઉપલબ્ધ હોય, (2) જો નહીં, તો અંદાજ પદ્ધતિ અને અંદાજિત મૂલ્ય અને અનિશ્ચિતતાનું માર્જિન. સ્પષ્ટપણે જણાવો કે તે પ્રાયોગિક છે કે અનુમાનિત. જો તમે કોઈ સ્ત્રોતને ટાંકી શકતા નથી, તો તેને "અનુમાન કે જેની ચકાસણીની જરૂર છે" તરીકે ચિહ્નિત કરો. મૂલ્ય બનાવશો નહીં; જો તમને ખાતરી ન હોય, તો મને કહો.

2) જૂથ યોગદાન પદ્ધતિ માર્ગદર્શિકા:

મારી પાસે એક સંયોજન છે જેના માટે કોઈ પ્રાયોગિક ડેટા નથી: [સ્ટ્રક્ચર/સ્માઇલ્સ]. કઈ જૂથ યોગદાન પદ્ધતિ (જોબૅક, UNIFAC, વગેરે) [સંપત્તિ] માટે યોગ્ય છે અને શા માટે? પદ્ધતિના પગલાં અને જરૂરી જૂથ પરિમાણો સમજાવો. જણાવો કે પરિણામ એ અંદાજ અને ભૂલનો લાક્ષણિક માર્જિન છે. હું પ્રયોગ/ડેટાબેઝ સાથે અંતિમ મૂલ્યની ચકાસણી કરીશ.

3) મૂલ્યની સરખામણી/ચકાસણી:

નીચે એક વિશેષતા માટે વિવિધ સ્ત્રોતોમાંથી મૂલ્યો છે. કોષ્ટકમાં તેમની સરખામણી કરો, વિચલનની ગણતરી કરો અને કયું વધુ ભરોસાપાત્ર છે તે ક્રમાંક આપો (અનુભાવિક > મૂલ્યાંકન > અનુમાનિત). જો ત્યાં મોટું વિચલન હોય, તો સંભવિત કારણને ચિહ્નિત કરો (વિવિધ સ્થિતિ, અલગ આઇસોમર). સ્ત્રોતો: [પેસ્ટ]

4) સામગ્રી સુસંગતતા પ્રારંભિક તપાસ:

પ્રવાહી: [રચના, સાંદ્રતા, અશુદ્ધિઓ], સ્થિતિ: [T, P].ઉમેદવાર સામગ્રી: [સૂચિ]. દરેક માટે જાણીતા કાટ/અસંગતતાના જોખમો (પિટિંગ, સ્ટ્રેસ ક્રેકીંગ, સામાન્ય કાટ) યાદ કરો. આ એક પ્રારંભિક સ્કેન છે; અંતિમ પસંદગી માટે કાટ ડેટા અને અધિકૃત એન્જિનિયરની મંજૂરીની જરૂર છે. જોખમી જોડીને સ્પષ્ટ રીતે ચિહ્નિત કરો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

ટોલ્યુએનની સ્નિગ્ધતા કેટલી છે?

ગરમી નથી, વેલ્ડીંગ નથી. AI સંખ્યા આપે છે, પરંતુ તે કઈ પરિસ્થિતિઓમાં અને કેટલું વિશ્વસનીય છે તે અસ્પષ્ટ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: શારીરિક નિષ્ણાત. પ્રવાહી તબક્કામાં ટોલ્યુએન માટે ગતિશીલ સ્નિગ્ધતા, 25°C, 1 atm. આપો: મૂલ્ય, એકમ, સ્ત્રોત અને પ્રાયોગિક અંદાજ. જો શક્ય હોય તો, બે સ્વતંત્ર સ્ત્રોતો અને રાજ્ય સુસંગતતા આપો. જો તમે સ્ત્રોત ટાંકી શકતા નથી, તો તેને અનુમાન તરીકે ચિહ્નિત કરો. મૂલ્ય ફિટિંગ. હું થર્મોડાયનેમિક ડેટાબેઝ વડે પરિણામની ચકાસણી કરીશ.

તફાવત સ્પષ્ટ છે: સ્થિતિ, સંસાધન આદેશ અને માન્યતા માળખું મૂલ્ય ઉપલબ્ધ કરાવે છે.

લક્ષણ અને સામગ્રી નિર્ણયમાં ભૂમિકા વિતરણ

વેપાર

AI ની ભૂમિકા

માનવ નિર્ણય/સ્રોત

પ્રાયોગિક લક્ષણ

સ્ત્રોત રીમાઇન્ડર

ડેટાબેઝ પુષ્ટિ

કોઈ ડેટા નથી, અનુમાન કરો

પદ્ધતિ + મૂળભૂત

પ્રયોગ/ડેટાબેઝ માન્યતા

મૂલ્યની સરખામણી

કોષ્ટક, વિચલન

વિશ્વસનીયતા ચુકાદો

સામગ્રી ઉમેદવારો

જોખમ રીમાઇન્ડર

અનુપાલન ડેટા, મંજૂરી

રેન્ક નિયંત્રણ

માર્કિંગ

શારીરિક તર્કસંગતતા

સામાન્ય ભૂલો

• અનસોર્સ્ડ વેલ્યુનો ઉપયોગ. AI દ્વારા આપવામાં આવેલ દરેક નિર્ણાયક લક્ષણની પુષ્ટિ ડેટાબેઝ/પ્રયોગ દ્વારા કરવામાં આવે છે.
• શરત જણાવતા નથી. તાપમાન/દબાણ/તબક્કાનો ઉલ્લેખ કર્યા વિના લેવાયેલ મૂલ્ય ખોટી સ્થિતિ સાથે સંબંધિત હોઈ શકે છે.
• અનુમાનિત મૂલ્યને પ્રયોગમૂલક તરીકે ભૂલવું. જૂથ યોગદાન અંદાજો અનિશ્ચિત છે; ડિઝાઇનમાં આને ધ્યાનમાં લો.
• એક વાક્યની પુષ્ટિ સાથે સામગ્રીની પસંદગી કરવી. કાટ બહુવિધ છે; ડેટા અને પુષ્ટિ જરૂરી છે.
• રેન્ક ચેક બાયપાસ. એક સરળ "શું આ સંખ્યા અર્થપૂર્ણ છે?" નિયંત્રણ મોટા ભાગના આભાસને પકડે છે.

સારાંશમાં

મિલકત અને સામગ્રીની આગાહીમાં AI; તે એક શક્તિશાળી સહાયક છે જે પ્રારંભિક મૂલ્યો જનરેટ કરે છે, તમને અંદાજ પદ્ધતિની યાદ અપાવે છે, સંસાધન મૂલ્યોની તુલના કરે છે અને સામગ્રીના જોખમોને ફ્લેગ કરે છે. પરંતુ દરેક નિર્ણાયક વિશેષતા વિશ્વસનીય ડેટાબેઝ અથવા પ્રયોગ પર આધારિત હોવી જોઈએ; સામગ્રીની પસંદગી એ સલામતી-નિર્ણાયક નિર્ણય છે જેને કાટ લાગવાનો ડેટા અને અધિકૃત ઇજનેર મંજૂરીની જરૂર છે. AI આગાહીઓ અને ચેતવણીઓ પૂરી પાડે છે; એન્જિનિયર સ્ત્રોત સાથે જોડાય છે, ચકાસણી કરે છે અને પસંદ કરે છે.

એપ્લિકેશન કાર્ય

સંયોજન અને ગુણધર્મ પસંદ કરો (દા.ત. દ્રાવકનું બાષ્પ દબાણ, 40°C). "એટ્રિબ્યુટ અનુમાન (સંસાધન જરૂરી)" ટેમ્પલેટ સાથે AI થી મૂલ્ય અને તેના સ્ત્રોત મેળવો; પછી તેને થર્મોડાયનેમિક ડેટાબેઝ સાથે સરખાવો અને વિચલન નોંધો. પછી પ્રવાહી-સામગ્રીની જોડી માટે "પ્રારંભિક સામગ્રી સુસંગતતા સ્ક્રીનીંગ" નમૂનાનો ઉપયોગ કરો અને સુસંગતતા ચાર્ટ સાથે પરિણામી જોખમોની પુષ્ટિ કરો.

ચેકલિસ્ટ

• મને શરત (T, P, તબક્કો) સાથે [ ] લક્ષણ જોઈતું હતું.
• [ ] મેં AI દ્વારા આપવામાં આવેલ મૂલ્યની તુલના વિશ્વસનીય ડેટાબેઝ/પ્રયોગ સાથે કરી.
• [ ] મેં પ્રાયોગિક મૂલ્યોમાંથી અંદાજિત મૂલ્યોને અલગ પાડ્યા અને અનિશ્ચિતતાની નોંધ લીધી.
• [] મેં કાટ ડેટા અને અધિકૃત મંજૂરી સાથે સામગ્રીની પસંદગીની ચકાસણી કરી.
• [ ] મેં દરેક નિર્ણાયક નંબર પર રેન્ક/પ્રતિષ્ઠિતતા તપાસ લાગુ કરી છે.