利益:
- 人工知能を熱物性の事前予測および予測方法 (グループ貢献) ガイドとして使用し、任意の値を要求する機能。
- 信頼できるデータベース (DIPPR/NIST) または実験で各重要な特徴を検証することにより、幻覚を捕捉する機能
- 材料の選択は安全性が重要な決定であり、腐食データと承認が必要であることを理解する能力。
すべてのプロセス計算は、最終的には流体の密度、粘度、熱容量、蒸気圧、沸点などの数値に帰着します。決議；材料の耐腐食性。これらは集合的に熱物性と呼ばれ、物質の熱、流れ、相の挙動を決定する物理量です。蒸留塔、熱交換器、またはポンプは、これらの機能が正しい場合にのみ正しく設計されます。この単元では、特性予測と材料選択 (プロセス条件に耐えられる金属、ガスケット、コーティングの選択) における事前予測および比較ツールとして人工知能を使用する方法を学びます。しかし、なぜこれらの値を信頼できるデータベースや実験で検証する必要があるのかを学びます。
重要な真実は次のとおりです。特徴推定は設計の数値的基礎です。ここでのエラーはアカウント全体に広がります。 AI は自信を持って蒸気圧や粘度を与えるかもしれませんが、その値は別の化合物のものであるか、間違った温度であるか、完全に幻覚である可能性があります。したがって、特徴データの黄金律は、すべての重要な特徴が信頼できるソース (DIPPR、NIST、メーカーのデータシート) または実験に基づいている必要があります。
ステップバイステップの AI による機能予測のサポート
1. どのような条件でどのような機能が必要ですか?温度、圧力、相、濃度により特性が変化します。 AIに条件を与えずに取得した値は誤解を招きます。
2. 推定方法の選択。実験データがない場合、AI はグループ寄与法などの予測アプローチを呼び出します。これは、分子を部分に分割し、各部分の寄与を加算することで特性を予測する方法です。例えばJoback、UNIFAC — どちらが適切であるかを説明します。
3. 暫定値と不確実性。 AIは暫定的な値を与えることができますが、必ず「これは予測であり、不確実性が高いので、検証してください」という枠組み内で提供されます。また、値の一般的な誤差の範囲についても AI に尋ねます。
4. ソースとの比較。 AI の値を熱力学データベースまたはメーカーのシートと比較します。偏差が大きい場合、その値は使用されません。
5. 材料適合性の事前スクリーニング。 YZ は、流体と材料のペアに関する既知の腐食/不適合リスクを思い出します (例: 塩化物を含む環境でのステンレス鋼の孔食)。これは予告です。最終的な選択は、互換性チャートと専門家の評価によって行われます。
6. 合理性フィルター。この値はランクの観点から意味があるのでしょうか?水の場合、密度は約 1000 kg/m3 ですか?単純な注文チェックでほとんどのエラーが検出されます。
ヒント: AI に特徴量を尋ねるときは、「ソースと推定方法を指定して、それが実験的なものか推定されたものか教えてください」と言います。 AI が出典を引用できない場合は、その値を推測としてマークし、独自に検証します。
材料の選択: 安全性と耐久性
材料の選択は、経済的かつ安全性を重視した決定です。間違った材質を使用すると、腐食によって弱くなり、圧力容器が破裂したり、有毒な液体が漏れたりする可能性があります。 AI は出発材料リストと既知の非互換性を思い出すことができます。しかし、温度、圧力、濃度、不純物の複合的な影響は複雑であり、最終的な選択は材料工学データ (適合性チャート、腐食速度データ) と必要に応じたテストによって行われます。
注意：AIが「この材質はこの流体に適しています」と言っているわけではありません。加圧機器および有毒/可燃性流体の場合、材料の選択には資格のあるエンジニアの承認と検証済みの腐食データが必要です。
ミニケース3個
ケース 1 — 簡単な予測。あるエンジニアは、文献にデータが不足している新しい溶媒混合物の熱容量の予備的な推定を必要としていました。 AIはグループ貢献方式で範囲を与えました。エンジニアはこの予備値を使用して大まかなエネルギー計算を行い、それを実験室で測定させました。測定値は予測の 6% 以内でした。予測により計画は加速されましたが、設計は実験値に移行しました。
ケース 2 — 幻覚が見られた。 YZ は、化合物の標準沸点を 78℃と示しました。エンジニアがそれを NIST と比較したところ、実際の値は 118°C であることがわかりました。 AIはその名前を別の同様の化合物と混同していました。ソースとの比較により、カラム設計に 40°C の誤差が入るのを防ぎました。
ケース 3 — 重大な警告。 YZは、塩化物イオンを含む水流に304ステンレス鋼を選択することは「孔食や応力腐食割れのリスクがある」と警告し、より耐性のある合金を挙げた。材料エンジニアは互換性データを確認し、より高合金の材料を選択しました。 AI によってリスクが議題に取り上げられ、意思決定はデータに基づいて行われました。
コピー可能な 4 つのテンプレート
1) 特徴予測 (出典が必要です):
あなたの役割: 身体の専門家。化合物: [名前/式]、条件: [T、P、相]。欲しい機能: [例:蒸気圧]。 (1) 利用可能な場合は実験値とソース (DIPPR/NIST/メーカー)、(2) 利用できない場合は推定方法、推定値、および不確実性のマージンを提示します。それが実験的であるか予測的であるかを明確に述べてください。出典を引用できない場合は「検証が必要な予測」としてマークしてください。値を捏造しないでください。よくわからない場合は、教えてください。
2) グループ貢献方法ガイド:
実験データのない化合物があります: [構造/SMILES]。どのグループ貢献方法 (Joback、UNIFAC など) が [プロパティ] に適していますか?またその理由は何ですか?メソッドの手順と必要なグループ パラメーターについて説明します。結果は推定値であり、典型的な誤差の範囲であることを述べます。最終的な値は実験/データベースで検証します。
3) 値の比較/検証:
以下は、さまざまなソースからの機能の値です。それらを表で比較し、偏差を計算し、どちらがより信頼できるかをランク付けします (経験的 > 評価済み > 予測的)。大きな偏差がある場合は、考えられる原因 (異なる条件、異なる異性体) をマークしてください。出典: [貼り付け]
4) 材料適合性の事前スクリーニング:
流体：[組成、濃度、不純物]、条件：[T、P]、候補材料：[リスト]。それぞれの既知の腐食/不適合リスク (孔食、応力亀裂、全体腐食) を思い出してください。これは予備スキャンです。最終的な選択には、腐食データと認定エンジニアの承認が必要です。危険なペアを明確にマークします。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
トルエンの粘度はどれくらいですか？
熱も溶接もありません。 AIは数値を出してくれますが、どのような条件下でどの程度信頼できるのかは不明です。
強力なプロンプト:
あなたの役割: 身体の専門家。液相のトルエンの動粘度、25°C、1 atm。値、単位、ソース、実験推定値を指定します。可能であれば、2 つの独立したソースと状態の一貫性を提供します。出典を引用できない場合は、推測としてマークしてください。価値観のフィッティング。結果を熱力学データベースで検証してみます。
違いは明らかです。条件、リソースの義務、および検証フレームワークによって値が利用可能になります。
機能と材料の決定における役割分担
ビジネス
AIの役割
人間の決定/情報源
実験的な機能
ソースリマインダー
データベースの確認
データはありません、推測します
メソッド + デフォルト
実験/データベースの検証
値の比較
テーブル、偏差
信頼性判定
素材候補
リスクリマインダー
コンプライアンスデータ、承認
ランクコントロール
マーキング
物理的な合理性
よくある間違い
- 出典のない価値を使用する。 AI によって与えられるすべての重要な機能は、データベース/実験によって確認されます。
- 条件を明記していない。温度/圧力/位相を指定せずに取得した値は、間違った条件に属する可能性があります。
- 推定値を経験的なものと誤解する。グループの貢献の推定値は不確実です。設計時にはこれを考慮してください。
- 一文確認で素材選び。腐食は多変量です。データと確認が必要です。
- ランクチェックを回避します。シンプルに「この数字に意味はありますか？」コントロールはほとんどの幻覚をキャッチします。
要約すれば
特性および材料予測における AI。これは、暫定値を生成し、推定方法を思い出させ、リソースの価値を比較し、重大なリスクにフラグを立てる強力なアシスタントです。ただし、すべての重要な機能は信頼できるデータベースまたは実験に基づいている必要があります。材料の選択は安全性を重視した決定であり、腐食データと認定エンジニアの承認が必要です。 AI は予測と警告を提供します。エンジニアはソースに接続し、検証して選択します。
アプリケーションタスク
化合物と特性 (例: 溶媒の蒸気圧、40°C) を選択します。 「属性予測（リソースが必要）」テンプレートを使用してAIから値とそのソースを取得します。次に、それを熱力学データベースと比較し、偏差を記録します。次に、流体と材料のペアに対して「事前材料適合性スクリーニング」テンプレートを使用し、適合性チャートで結果として生じるリスクを確認します。
チェックリスト
- 条件（T、P、位相）とともに[ ]機能が欲しかった。
- [ ] AIが与えた値を信頼できるデータベース/実験と比較してみました。
- [ ] 推定値と実験値を区別し、不確実性を指摘しました。
- [ ] 材料の選択を腐食データと承認により検証しました。
- [ ] 各重要な数値にランク/妥当性チェックを適用しました。