ಲಾಭಗಳು:
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಥರ್ಮೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ಪೂರ್ವಭಾವಿ ಭವಿಷ್ಯ ಮತ್ತು ಭವಿಷ್ಯ ವಿಧಾನ (ಗುಂಪು ಕೊಡುಗೆ) ಮಾರ್ಗದರ್ಶಿಯಾಗಿ ಬಳಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಯಾವುದೇ ಮೌಲ್ಯವನ್ನು ವಿನಂತಿಸುತ್ತದೆ.
- ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾಬೇಸ್ (DIPPR/NIST) ಅಥವಾ ಪ್ರಯೋಗದೊಂದಿಗೆ ಪ್ರತಿ ನಿರ್ಣಾಯಕ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ಭ್ರಮೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ಸಾಮರ್ಥ್ಯ
- ವಸ್ತುವಿನ ಆಯ್ಕೆಯು ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರವಾಗಿದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವು ತುಕ್ಕು ಡೇಟಾ ಮತ್ತು ಅಧಿಕೃತ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಪ್ರತಿಯೊಂದು ಪ್ರಕ್ರಿಯೆಯ ಲೆಕ್ಕಾಚಾರವು ಅಂತಿಮವಾಗಿ ಒಂದು ಸಂಖ್ಯೆಗೆ ಬರುತ್ತದೆ: ದ್ರವದ ಸಾಂದ್ರತೆ, ಸ್ನಿಗ್ಧತೆ, ಶಾಖ ಸಾಮರ್ಥ್ಯ, ಆವಿಯ ಒತ್ತಡ, ಕುದಿಯುವ ಬಿಂದು; ಒಂದು ನಿರ್ಣಯ; ತುಕ್ಕುಗೆ ವಸ್ತುವಿನ ಪ್ರತಿರೋಧ. ಇವುಗಳನ್ನು ಒಟ್ಟಾಗಿ ಥರ್ಮೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ - ವಸ್ತುವಿನ ಶಾಖ, ಹರಿವು ಮತ್ತು ಹಂತದ ನಡವಳಿಕೆಯನ್ನು ನಿರ್ಧರಿಸುವ ಭೌತಿಕ ಪ್ರಮಾಣಗಳು. ಈ ವೈಶಿಷ್ಟ್ಯಗಳು ಸರಿಯಾಗಿದ್ದರೆ ಮಾತ್ರ ಶುದ್ಧೀಕರಣ ಕಾಲಮ್, ಶಾಖ ವಿನಿಮಯಕಾರಕ ಅಥವಾ ಪಂಪ್ ಅನ್ನು ಸರಿಯಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಪ್ರಾಪರ್ಟಿ ಪ್ರಿಡಿಕ್ಷನ್ ಮತ್ತು ವಸ್ತುವಿನ ಆಯ್ಕೆಯಲ್ಲಿ (ಪ್ರಕ್ರಿಯೆಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ತಡೆದುಕೊಳ್ಳುವ ಲೋಹಗಳು, ಗ್ಯಾಸ್ಕೆಟ್ಗಳು, ಲೇಪನಗಳ ಆಯ್ಕೆ) ಪ್ರಾಥಮಿಕ ಮುನ್ಸೂಚನೆ ಮತ್ತು ಹೋಲಿಕೆ ಸಾಧನವಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂದು ನೀವು ಕಲಿಯುವಿರಿ; ಆದರೆ ಈ ಮೌಲ್ಯಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಪ್ರಯೋಗದೊಂದಿಗೆ ಏಕೆ ಪರಿಶೀಲಿಸಬೇಕು ಎಂದು ನಾವು ಕಲಿಯುತ್ತೇವೆ.
ನಿರ್ಣಾಯಕ ಸತ್ಯ ಇದು: ವೈಶಿಷ್ಟ್ಯದ ಅಂದಾಜು ವಿನ್ಯಾಸದ ಸಂಖ್ಯಾತ್ಮಕ ಆಧಾರವಾಗಿದೆ; ಇಲ್ಲಿರುವ ದೋಷವು ಸಂಪೂರ್ಣ ಖಾತೆಗೆ ಹರಡುತ್ತದೆ. AI ವಿಶ್ವಾಸದಿಂದ ಆವಿಯ ಒತ್ತಡ ಅಥವಾ ಸ್ನಿಗ್ಧತೆಯನ್ನು ನೀಡಬಹುದು, ಆದರೆ ಆ ಮೌಲ್ಯವು ಮತ್ತೊಂದು ಸಂಯುಕ್ತಕ್ಕೆ ಇರಬಹುದು, ತಪ್ಪಾದ ತಾಪಮಾನದಲ್ಲಿರಬಹುದು ಅಥವಾ ಸಂಪೂರ್ಣವಾಗಿ ಭ್ರಮೆಯಾಗಿರಬಹುದು. ಆದ್ದರಿಂದ ವೈಶಿಷ್ಟ್ಯದ ಡೇಟಾದ ಸುವರ್ಣ ನಿಯಮ: ಪ್ರತಿ ನಿರ್ಣಾಯಕ ವೈಶಿಷ್ಟ್ಯವು ವಿಶ್ವಾಸಾರ್ಹ ಮೂಲ (ಡಿಐಪಿಪಿಆರ್, ಎನ್ಐಎಸ್ಟಿ, ತಯಾರಕರ ಡೇಟಾ ಶೀಟ್) ಅಥವಾ ಪ್ರಯೋಗವನ್ನು ಆಧರಿಸಿರಬೇಕು.
ವೈಶಿಷ್ಟ್ಯದ ಭವಿಷ್ಯಕ್ಕಾಗಿ ಹಂತ-ಹಂತದ AI ಬೆಂಬಲ
1. ನಿಮಗೆ ಯಾವ ವೈಶಿಷ್ಟ್ಯ ಬೇಕು, ಯಾವ ಸ್ಥಿತಿಯಲ್ಲಿ? ತಾಪಮಾನ, ಒತ್ತಡ, ಹಂತ ಮತ್ತು ಸಾಂದ್ರತೆಯು ಆಸ್ತಿಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. AI ಗೆ ಸ್ಥಿತಿಯನ್ನು ನೀಡದೆ ತೆಗೆದುಕೊಂಡ ಮೌಲ್ಯವು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ.
2. ಅಂದಾಜು ವಿಧಾನವನ್ನು ಆರಿಸುವುದು. ಯಾವುದೇ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾ ಇಲ್ಲದಿದ್ದರೆ, ಗುಂಪು ಕೊಡುಗೆ ವಿಧಾನಗಳಂತಹ ಮುನ್ಸೂಚನೆಯ ವಿಧಾನಗಳನ್ನು AI ನೆನಪಿಸುತ್ತದೆ - ಅಣುವನ್ನು ಅದರ ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಮತ್ತು ಪ್ರತಿ ಭಾಗದ ಕೊಡುಗೆಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸುವ ವಿಧಾನಗಳು; ಉದಾ. Joback, UNIFAC — ಮತ್ತು ಯಾವುದು ಸೂಕ್ತ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.
3. ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯ ಮತ್ತು ಅನಿಶ್ಚಿತತೆ. AI ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯವನ್ನು ನೀಡಬಹುದು, ಆದರೆ ಖಂಡಿತವಾಗಿಯೂ "ಇದು ಭವಿಷ್ಯ, ಅದರ ಅನಿಶ್ಚಿತತೆ ಹೆಚ್ಚಾಗಿದೆ, ಅದನ್ನು ಪರಿಶೀಲಿಸಿ" ಚೌಕಟ್ಟಿನೊಳಗೆ. ಮೌಲ್ಯದ ದೋಷದ ವಿಶಿಷ್ಟ ಅಂಚು ಬಗ್ಗೆ AI ಅನ್ನು ಕೇಳಿ.
4. ಮೂಲದೊಂದಿಗೆ ಹೋಲಿಕೆ. AI ಮೌಲ್ಯವನ್ನು ಥರ್ಮೋಡೈನಾಮಿಕ್ಸ್ ಡೇಟಾಬೇಸ್ ಅಥವಾ ತಯಾರಕರ ಹಾಳೆಗೆ ಹೋಲಿಸಿ. ವಿಚಲನವು ದೊಡ್ಡದಾಗಿದ್ದರೆ, ಮೌಲ್ಯವನ್ನು ಬಳಸಲಾಗುವುದಿಲ್ಲ.
5. ವಸ್ತು ಹೊಂದಾಣಿಕೆ ಪ್ರಾಥಮಿಕ ಸ್ಕ್ರೀನಿಂಗ್. YZ ದ್ರವ-ವಸ್ತುಗಳ ಜೋಡಿಗೆ ತಿಳಿದಿರುವ ತುಕ್ಕು/ಅಸಾಮರಸ್ಯ ಅಪಾಯಗಳನ್ನು ನೆನಪಿಸುತ್ತದೆ (ಉದಾ. ಕ್ಲೋರೈಡ್-ಹೊಂದಿರುವ ಪರಿಸರದಲ್ಲಿ ಸ್ಟೇನ್ಲೆಸ್ ಸ್ಟೀಲ್ ತುಕ್ಕು ಹಿಡಿಯುವುದು). ಇದು ಮುನ್ನೆಚ್ಚರಿಕೆ; ಅಂತಿಮ ಆಯ್ಕೆಯನ್ನು ಹೊಂದಾಣಿಕೆಯ ಚಾರ್ಟ್ಗಳು ಮತ್ತು ತಜ್ಞರ ಮೌಲ್ಯಮಾಪನದಿಂದ ಮಾಡಲಾಗುತ್ತದೆ.
6. ಸಮಂಜಸತೆ ಫಿಲ್ಟರ್. ಶ್ರೇಣಿಯ ವಿಷಯದಲ್ಲಿ ಮೌಲ್ಯವು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆಯೇ? ನೀರಿಗಾಗಿ, ಸಾಂದ್ರತೆಯು ಸುಮಾರು ~1000 kg/m³ ಆಗಿದೆಯೇ? ಸರಳ ಆದೇಶ ಪರಿಶೀಲನೆಯು ಹೆಚ್ಚಿನ ದೋಷಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ.
ಸಲಹೆ: ನೀವು ವೈಶಿಷ್ಟ್ಯದ ಮೌಲ್ಯಕ್ಕಾಗಿ AI ಅನ್ನು ಕೇಳಿದಾಗ, "ಮೂಲ ಮತ್ತು ಅಂದಾಜು ವಿಧಾನವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ, ಅದು ಪ್ರಾಯೋಗಿಕವಾಗಿದೆಯೇ ಅಥವಾ ಅಂದಾಜಿಸಲಾಗಿದೆಯೇ ಎಂದು ನನಗೆ ತಿಳಿಸಿ" ಎಂದು ಹೇಳಿ. AI ಗೆ ಮೂಲವನ್ನು ಉಲ್ಲೇಖಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಆ ಮೌಲ್ಯವನ್ನು ಊಹೆಯಂತೆ ಗುರುತಿಸಿ ಮತ್ತು ಅದನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಿ.
ವಸ್ತು ಆಯ್ಕೆ: ಸುರಕ್ಷತೆ ಮತ್ತು ಬಾಳಿಕೆ
ವಸ್ತುವಿನ ಆಯ್ಕೆಯು ಆರ್ಥಿಕ ಮತ್ತು ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರವಾಗಿದೆ. ತಪ್ಪಾದ ವಸ್ತುವು ಸವೆತದಿಂದ ದುರ್ಬಲಗೊಳ್ಳಬಹುದು, ಒತ್ತಡದ ಪಾತ್ರೆ ಸಿಡಿಯಲು ಅಥವಾ ವಿಷಕಾರಿ ದ್ರವ ಸೋರಿಕೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. AI ಆರಂಭಿಕ ವಸ್ತುಗಳ ಪಟ್ಟಿ ಮತ್ತು ತಿಳಿದಿರುವ ಅಸಾಮರಸ್ಯಗಳನ್ನು ಮರುಪಡೆಯಬಹುದು; ಆದರೆ ತಾಪಮಾನ, ಒತ್ತಡ, ಏಕಾಗ್ರತೆ ಮತ್ತು ಕಲ್ಮಶಗಳ ಸಂಯೋಜಿತ ಪರಿಣಾಮಗಳು ಸಂಕೀರ್ಣವಾಗಿವೆ ಮತ್ತು ಅಂತಿಮ ಆಯ್ಕೆಯನ್ನು ವಸ್ತುಗಳ ಎಂಜಿನಿಯರಿಂಗ್ ಡೇಟಾ (ಹೊಂದಾಣಿಕೆ ಚಾರ್ಟ್ಗಳು, ತುಕ್ಕು ದರ ಡೇಟಾ) ಮತ್ತು ಅಗತ್ಯವಿರುವಲ್ಲಿ ಪರೀಕ್ಷೆಯಿಂದ ಮಾಡಲಾಗುತ್ತದೆ.
ಗಮನ: "ಈ ವಸ್ತುವು ಈ ದ್ರವಕ್ಕೆ ಸೂಕ್ತವಾಗಿದೆ" ಎಂದು AI ಹೇಳುವುದು ಗ್ಯಾರಂಟಿ ಅಲ್ಲ. ಒತ್ತಡಕ್ಕೊಳಗಾದ ಉಪಕರಣಗಳು ಮತ್ತು ವಿಷಕಾರಿ/ಸುಡುವ ದ್ರವಗಳ ಸಂದರ್ಭದಲ್ಲಿ, ವಸ್ತುವಿನ ಆಯ್ಕೆಗೆ ಅರ್ಹ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆ ಮತ್ತು ಪರಿಶೀಲಿಸಿದ ತುಕ್ಕು ಡೇಟಾದ ಅಗತ್ಯವಿದೆ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ತ್ವರಿತ ಭವಿಷ್ಯ. ಒಬ್ಬ ಎಂಜಿನಿಯರ್ ಹೊಸ ದ್ರಾವಕ ಮಿಶ್ರಣಕ್ಕಾಗಿ ಶಾಖದ ಸಾಮರ್ಥ್ಯದ ಪ್ರಾಥಮಿಕ ಅಂದಾಜನ್ನು ಬಯಸಿದ್ದರು, ಇದಕ್ಕಾಗಿ ಸಾಹಿತ್ಯದಲ್ಲಿ ಡೇಟಾ ವಿರಳವಾಗಿತ್ತು. AI ಗುಂಪು ಕೊಡುಗೆ ವಿಧಾನದ ಮೂಲಕ ಶ್ರೇಣಿಯನ್ನು ನೀಡಿದೆ. ಎಂಜಿನಿಯರ್ ಈ ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯದೊಂದಿಗೆ ಒರಟು ಶಕ್ತಿಯ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮಾಡಿದರು, ನಂತರ ಅದನ್ನು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಅಳೆಯಲಾಯಿತು; ಮಾಪನವು ಮುನ್ಸೂಚನೆಯ 6% ಒಳಗೆ ಇತ್ತು. ಮುನ್ಸೂಚನೆಯು ವೇಗವರ್ಧಿತ ಯೋಜನೆ, ಆದರೆ ವಿನ್ಯಾಸವು ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯಕ್ಕೆ ಬದಲಾಯಿತು.
ಪ್ರಕರಣ 2 - ಭ್ರಮೆ ಸಿಕ್ಕಿತು. YZ ಒಂದು ಸಂಯುಕ್ತದ ಸಾಮಾನ್ಯ ಕುದಿಯುವ ಬಿಂದುವನ್ನು 78°C ಎಂದು ನೀಡಿದೆ. ಇಂಜಿನಿಯರ್ ಅದನ್ನು NIST ನೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ, ನಿಜವಾದ ಮೌಲ್ಯವು 118 ° C ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು; AI ಮತ್ತೊಂದು ಇದೇ ರೀತಿಯ ಸಂಯುಕ್ತದೊಂದಿಗೆ ಹೆಸರನ್ನು ಗೊಂದಲಗೊಳಿಸಿದೆ. ಮೂಲದೊಂದಿಗೆ ಹೋಲಿಕೆಯು ಕಾಲಮ್ ವಿನ್ಯಾಸವನ್ನು ಪ್ರವೇಶಿಸದಂತೆ 40 ° C ದೋಷವನ್ನು ತಡೆಯುತ್ತದೆ.
ಪ್ರಕರಣ 3 - ವಸ್ತು ಎಚ್ಚರಿಕೆ. YZ ಕ್ಲೋರೈಡ್ ಅಯಾನು-ಒಳಗೊಂಡಿರುವ ಜಲೀಯ ಸ್ಟ್ರೀಮ್ಗಾಗಿ 304 ಸ್ಟೇನ್ಲೆಸ್ ಸ್ಟೀಲ್ನ ಆಯ್ಕೆಯನ್ನು "ಪಿಟ್ಟಿಂಗ್ ಮತ್ತು ಒತ್ತಡದ ತುಕ್ಕು ಬಿರುಕುಗೊಳಿಸುವ ಅಪಾಯ" ಎಂದು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದೆ ಮತ್ತು ಹೆಚ್ಚು ನಿರೋಧಕ ಮಿಶ್ರಲೋಹವನ್ನು ಉಲ್ಲೇಖಿಸಿದೆ. ಮೆಟೀರಿಯಲ್ ಇಂಜಿನಿಯರ್ ಹೊಂದಾಣಿಕೆಯ ಡೇಟಾದೊಂದಿಗೆ ದೃಢೀಕರಿಸಿದ್ದಾರೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಮಿಶ್ರಲೋಹದ ವಸ್ತುವನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದಾರೆ. AI ಅಜೆಂಡಾಕ್ಕೆ ಅಪಾಯವನ್ನು ತಂದಿತು, ನಿರ್ಧಾರವನ್ನು ಡೇಟಾದೊಂದಿಗೆ ಮಾಡಲಾಗಿದೆ.
ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ವೈಶಿಷ್ಟ್ಯ ಭವಿಷ್ಯ (ಮೂಲ ಅಗತ್ಯವಿದೆ):
ನಿಮ್ಮ ಪಾತ್ರ: ಮೈಕಟ್ಟು ತಜ್ಞ. ಸಂಯುಕ್ತ: [ಹೆಸರು/ಸೂತ್ರ], ಸ್ಥಿತಿ: [ಟಿ, ಪಿ, ಹಂತ]. ನನಗೆ ಬೇಕಾದ ವೈಶಿಷ್ಟ್ಯ: [ಉದಾ. ಆವಿಯ ಒತ್ತಡ]. ನೀಡಿ: (1) ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯ ಮತ್ತು ಮೂಲ (ಡಿಐಪಿಪಿಆರ್/ಎನ್ಐಎಸ್ಟಿ/ತಯಾರಕರು), ಲಭ್ಯವಿದ್ದಲ್ಲಿ, (2) ಇಲ್ಲದಿದ್ದರೆ, ಅಂದಾಜು ವಿಧಾನ ಮತ್ತು ಅಂದಾಜು ಮೌಲ್ಯ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯ ಅಂಚು. ಇದು ಪ್ರಾಯೋಗಿಕವೇ ಅಥವಾ ಭವಿಷ್ಯಸೂಚಕವೇ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ. ನೀವು ಮೂಲವನ್ನು ಉಲ್ಲೇಖಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅದನ್ನು "ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುವ ಭವಿಷ್ಯ" ಎಂದು ಗುರುತಿಸಿ. ಮೌಲ್ಯವನ್ನು ನಿರ್ಮಿಸಬೇಡಿ; ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, ನನಗೆ ತಿಳಿಸಿ.
2) ಗುಂಪು ಕೊಡುಗೆ ವಿಧಾನ ಮಾರ್ಗದರ್ಶಿ:
ನಾನು ಯಾವುದೇ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾ ಇಲ್ಲದ ಸಂಯುಕ್ತವನ್ನು ಹೊಂದಿದ್ದೇನೆ: [ರಚನೆ/SMILES]. ಯಾವ ಗುಂಪು ಕೊಡುಗೆ ವಿಧಾನ (Joback, UNIFAC, ಇತ್ಯಾದಿ) [ಆಸ್ತಿ] ಗೆ ಸೂಕ್ತವಾಗಿದೆ ಮತ್ತು ಏಕೆ? ವಿಧಾನದ ಹಂತಗಳು ಮತ್ತು ಅಗತ್ಯವಿರುವ ಗುಂಪಿನ ನಿಯತಾಂಕಗಳನ್ನು ವಿವರಿಸಿ. ಫಲಿತಾಂಶವು ಅಂದಾಜು ಮತ್ತು ದೋಷದ ವಿಶಿಷ್ಟ ಅಂಚು ಎಂದು ತಿಳಿಸಿ. ಪ್ರಯೋಗ/ಡೇಟಾಬೇಸ್ನೊಂದಿಗೆ ಅಂತಿಮ ಮೌಲ್ಯವನ್ನು ನಾನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ.
3) ಮೌಲ್ಯ ಹೋಲಿಕೆ/ಪರಿಶೀಲನೆ:
ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ ವಿವಿಧ ಮೂಲಗಳಿಂದ ಮೌಲ್ಯಗಳನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ಅವುಗಳನ್ನು ಕೋಷ್ಟಕದಲ್ಲಿ ಹೋಲಿಸಿ, ವಿಚಲನವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಯಾವುದು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಎಂದು ಶ್ರೇಣೀಕರಿಸಿ (ಅನುಭಾವಿಕ > ಮೌಲ್ಯಮಾಪನ > ಊಹಿಸಲಾಗಿದೆ). ದೊಡ್ಡ ವಿಚಲನವಿದ್ದರೆ, ಸಂಭವನೀಯ ಕಾರಣವನ್ನು ಗುರುತಿಸಿ (ವಿಭಿನ್ನ ಸ್ಥಿತಿ, ವಿಭಿನ್ನ ಐಸೋಮರ್). ಮೂಲಗಳು: [ಅಂಟಿಸಿ]
4) ವಸ್ತು ಹೊಂದಾಣಿಕೆ ಪ್ರಾಥಮಿಕ ಸ್ಕ್ರೀನಿಂಗ್:
ದ್ರವ: [ಸಂಯೋಜನೆ, ಏಕಾಗ್ರತೆ, ಕಲ್ಮಶಗಳು], ಸ್ಥಿತಿ: [ಟಿ, ಪಿ]. ಅಭ್ಯರ್ಥಿ ವಸ್ತುಗಳು: [ಪಟ್ಟಿ]. ಪ್ರತಿಯೊಂದಕ್ಕೂ ತಿಳಿದಿರುವ ತುಕ್ಕು/ಅಸಾಮರಸ್ಯ ಅಪಾಯಗಳನ್ನು (ಪಿಟ್ಟಿಂಗ್, ಸ್ಟ್ರೆಸ್ ಕ್ರ್ಯಾಕಿಂಗ್, ಸಾಮಾನ್ಯ ತುಕ್ಕು) ನೆನಪಿಸಿಕೊಳ್ಳಿ. ಇದು ಪೂರ್ವಭಾವಿ ಸ್ಕ್ಯಾನ್ ಆಗಿದೆ; ಅಂತಿಮ ಆಯ್ಕೆಗೆ ತುಕ್ಕು ಡೇಟಾ ಮತ್ತು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿದೆ. ಅಪಾಯಕಾರಿ ಜೋಡಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಟೊಲ್ಯೂನ್ನ ಸ್ನಿಗ್ಧತೆ ಏನು?
ಶಾಖವಿಲ್ಲ, ವೆಲ್ಡಿಂಗ್ ಇಲ್ಲ. AI ಒಂದು ಸಂಖ್ಯೆಯನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಯಾವ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಮತ್ತು ಅದು ಎಷ್ಟು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಎಂಬುದು ಅಸ್ಪಷ್ಟವಾಗಿದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಮೈಕಟ್ಟು ತಜ್ಞ. ದ್ರವ ಹಂತದಲ್ಲಿ ಟೊಲ್ಯೂನ್ಗೆ ಡೈನಾಮಿಕ್ ಸ್ನಿಗ್ಧತೆ, 25 ° C, 1 atm. ನೀಡಿ: ಮೌಲ್ಯ, ಘಟಕ, ಮೂಲ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಅಂದಾಜು. ಸಾಧ್ಯವಾದರೆ, ಎರಡು ಸ್ವತಂತ್ರ ಮೂಲಗಳನ್ನು ಮತ್ತು ರಾಜ್ಯದ ಸ್ಥಿರತೆಯನ್ನು ನೀಡಿ. ನೀವು ಮೂಲವನ್ನು ಉಲ್ಲೇಖಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅದನ್ನು ಊಹೆ ಎಂದು ಗುರುತಿಸಿ. ಮೌಲ್ಯದ ಫಿಟ್ಟಿಂಗ್. ನಾನು ಥರ್ಮೋಡೈನಾಮಿಕ್ ಡೇಟಾಬೇಸ್ನೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ.
ವ್ಯತ್ಯಾಸವು ಸ್ಪಷ್ಟವಾಗಿದೆ: ಸ್ಥಿತಿ, ಸಂಪನ್ಮೂಲ ಆದೇಶ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ ಚೌಕಟ್ಟು ಮೌಲ್ಯವನ್ನು ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.
ವೈಶಿಷ್ಟ್ಯ ಮತ್ತು ವಸ್ತು ನಿರ್ಧಾರದಲ್ಲಿ ಪಾತ್ರ ವಿತರಣೆ
ವ್ಯಾಪಾರ
AI ನ ಪಾತ್ರ
ಮಾನವ ನಿರ್ಧಾರ/ಮೂಲ
ಪ್ರಾಯೋಗಿಕ ವೈಶಿಷ್ಟ್ಯ
ಮೂಲ ಜ್ಞಾಪನೆ
ಡೇಟಾಬೇಸ್ ದೃಢೀಕರಣ
ಡೇಟಾ ಇಲ್ಲ, ಊಹೆ
ವಿಧಾನ + ಡೀಫಾಲ್ಟ್
ಪ್ರಯೋಗ/ಡೇಟಾಬೇಸ್ ಮೌಲ್ಯೀಕರಣ
ಮೌಲ್ಯ ಹೋಲಿಕೆ
ಟೇಬಲ್, ವಿಚಲನ
ವಿಶ್ವಾಸಾರ್ಹತೆಯ ತೀರ್ಪು
ವಸ್ತು ಅಭ್ಯರ್ಥಿಗಳು
ಅಪಾಯದ ಜ್ಞಾಪನೆ
ಅನುಸರಣೆ ಡೇಟಾ, ಅನುಮೋದನೆ
ಶ್ರೇಣಿಯ ನಿಯಂತ್ರಣ
ಗುರುತು ಹಾಕುವುದು
ದೈಹಿಕ ಸಮಂಜಸತೆ
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಮೂಲವಿಲ್ಲದ ಮೌಲ್ಯವನ್ನು ಬಳಸುವುದು. AI ನೀಡಿದ ಪ್ರತಿಯೊಂದು ನಿರ್ಣಾಯಕ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಡೇಟಾಬೇಸ್/ಪ್ರಯೋಗದಿಂದ ದೃಢೀಕರಿಸಲಾಗುತ್ತದೆ.
- ಸ್ಥಿತಿಯನ್ನು ಹೇಳುತ್ತಿಲ್ಲ. ತಾಪಮಾನ/ಒತ್ತಡ/ಹಂತವನ್ನು ಸೂಚಿಸದೆ ತೆಗೆದುಕೊಂಡ ಮೌಲ್ಯವು ತಪ್ಪಾದ ಸ್ಥಿತಿಗೆ ಸೇರಿರಬಹುದು.
- ಅಂದಾಜು ಮೌಲ್ಯವನ್ನು ಪ್ರಾಯೋಗಿಕ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಗುಂಪು ಕೊಡುಗೆ ಅಂದಾಜುಗಳು ಅನಿಶ್ಚಿತವಾಗಿವೆ; ವಿನ್ಯಾಸದಲ್ಲಿ ಇದನ್ನು ಪರಿಗಣಿಸಿ.
- ಒಂದು ವಾಕ್ಯದ ದೃಢೀಕರಣದೊಂದಿಗೆ ವಸ್ತು ಆಯ್ಕೆಯನ್ನು ಮಾಡುವುದು. ತುಕ್ಕು ಬಹುಮುಖಿಯಾಗಿದೆ; ಡೇಟಾ ಮತ್ತು ದೃಢೀಕರಣದ ಅಗತ್ಯವಿದೆ.
- ಶ್ರೇಣಿಯ ಪರಿಶೀಲನೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು. ಸರಳವಾದ "ಈ ಸಂಖ್ಯೆಯು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆಯೇ?" ನಿಯಂತ್ರಣವು ಹೆಚ್ಚಿನ ಭ್ರಮೆಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಆಸ್ತಿ ಮತ್ತು ವಸ್ತು ಭವಿಷ್ಯದಲ್ಲಿ AI; ಇದು ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಪ್ರಬಲ ಸಹಾಯಕವಾಗಿದೆ, ಅಂದಾಜು ವಿಧಾನವನ್ನು ನಿಮಗೆ ನೆನಪಿಸುತ್ತದೆ, ಸಂಪನ್ಮೂಲ ಮೌಲ್ಯಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ ಮತ್ತು ವಸ್ತು ಅಪಾಯಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ. ಆದರೆ ಪ್ರತಿಯೊಂದು ನಿರ್ಣಾಯಕ ವೈಶಿಷ್ಟ್ಯವು ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಪ್ರಯೋಗವನ್ನು ಆಧರಿಸಿರಬೇಕು; ವಸ್ತುವಿನ ಆಯ್ಕೆಯು ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರವಾಗಿದ್ದು, ತುಕ್ಕು ಡೇಟಾ ಮತ್ತು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. AI ಮುನ್ಸೂಚನೆಗಳು ಮತ್ತು ಎಚ್ಚರಿಕೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ; ಎಂಜಿನಿಯರ್ ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸುತ್ತಾರೆ, ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಂಯುಕ್ತ ಮತ್ತು ಆಸ್ತಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ದ್ರಾವಕದ ಆವಿಯ ಒತ್ತಡ, 40 ° C). "ಗುಣಲಕ್ಷಣದ ಮುನ್ಸೂಚನೆ (ಸಂಪನ್ಮೂಲ ಅಗತ್ಯವಿದೆ)" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ AI ನಿಂದ ಮೌಲ್ಯ ಮತ್ತು ಅದರ ಮೂಲವನ್ನು ಪಡೆಯಿರಿ; ನಂತರ ಅದನ್ನು ಥರ್ಮೋಡೈನಾಮಿಕ್ ಡೇಟಾಬೇಸ್ಗೆ ಹೋಲಿಸಿ ಮತ್ತು ವಿಚಲನವನ್ನು ಗಮನಿಸಿ. ನಂತರ ದ್ರವ-ವಸ್ತುಗಳ ಜೋಡಿಗಾಗಿ "ಪ್ರಾಥಮಿಕ ವಸ್ತು ಹೊಂದಾಣಿಕೆ ಸ್ಕ್ರೀನಿಂಗ್" ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಚಾರ್ಟ್ನೊಂದಿಗೆ ಫಲಿತಾಂಶದ ಅಪಾಯಗಳನ್ನು ದೃಢೀಕರಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- ನಾನು ಷರತ್ತು (T, P, ಹಂತ) ಜೊತೆಗೆ [ ] ವೈಶಿಷ್ಟ್ಯವನ್ನು ಬಯಸುತ್ತೇನೆ.
- [ ] ನಾನು AI ನೀಡಿದ ಮೌಲ್ಯವನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾಬೇಸ್/ಪ್ರಯೋಗದೊಂದಿಗೆ ಹೋಲಿಸಿದೆ.
- [] ನಾನು ಅಂದಾಜು ಮೌಲ್ಯಗಳನ್ನು ಪ್ರಾಯೋಗಿಕದಿಂದ ಪ್ರತ್ಯೇಕಿಸಿದೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಗಮನಿಸಿದೆ.
- [ ] ನಾನು ವಸ್ತುವಿನ ಆಯ್ಕೆಯನ್ನು ತುಕ್ಕು ಡೇಟಾ ಮತ್ತು ಅಧಿಕೃತ ಅನುಮೋದನೆಯೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಪ್ರತಿ ನಿರ್ಣಾಯಕ ಸಂಖ್ಯೆಗೆ ಶ್ರೇಣಿ/ಯೋಗ್ಯತೆಯ ಪರಿಶೀಲನೆಯನ್ನು ಅನ್ವಯಿಸಿದ್ದೇನೆ.