മെറ്റീരിയലും പ്രോപ്പർട്ടി പ്രവചനവും: തെർമോഫിസിക്കൽ പ്രോപ്പർട്ടീസ്, മെറ്റീരിയൽ സെലക്ഷൻ

നേട്ടങ്ങൾ:

• തെർമോഫിസിക്കൽ ഗുണങ്ങൾക്കായുള്ള പ്രാഥമിക പ്രവചനവും പ്രവചന രീതിയും (ഗ്രൂപ്പ് സംഭാവന) ഗൈഡായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കാനും ഏതെങ്കിലും മൂല്യം ആവശ്യപ്പെടാനുമുള്ള കഴിവ്.
• വിശ്വസനീയമായ ഒരു ഡാറ്റാബേസ് (ഡിഐപിപിആർ/എൻഐഎസ്‌ടി) അല്ലെങ്കിൽ പരീക്ഷണം ഉപയോഗിച്ച് ഓരോ നിർണായക ഫീച്ചറും പരിശോധിച്ച് ഭ്രമാത്മകത പിടിച്ചെടുക്കാനുള്ള കഴിവ്
• മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ എന്നത് ഒരു സുരക്ഷാ-നിർണ്ണായക തീരുമാനമാണെന്ന് മനസ്സിലാക്കാനുള്ള കഴിവ്, അതിന് കോറഷൻ ഡാറ്റയും അംഗീകൃത അംഗീകാരവും ആവശ്യമാണ്.

ഓരോ പ്രോസസ്സ് കണക്കുകൂട്ടലും ആത്യന്തികമായി ഒരു സംഖ്യയിലേക്ക് വരുന്നു: ഒരു ദ്രാവകത്തിൻ്റെ സാന്ദ്രത, വിസ്കോസിറ്റി, താപ ശേഷി, നീരാവി മർദ്ദം, തിളപ്പിക്കൽ പോയിൻ്റ്; ഒരു പ്രമേയം; നാശത്തിനെതിരായ ഒരു വസ്തുവിൻ്റെ പ്രതിരോധം. ഇവയെ മൊത്തത്തിൽ തെർമോഫിസിക്കൽ പ്രോപ്പർട്ടികൾ എന്ന് വിളിക്കുന്നു - ഒരു പദാർത്ഥത്തിൻ്റെ ചൂട്, ഒഴുക്ക്, ഘട്ടം സ്വഭാവം എന്നിവ നിർണ്ണയിക്കുന്ന ഭൗതിക അളവ്. ഒരു ഡിസ്റ്റിലേഷൻ കോളം, ഒരു ഹീറ്റ് എക്സ്ചേഞ്ചർ അല്ലെങ്കിൽ പമ്പ് ഈ സവിശേഷതകൾ ശരിയാണെങ്കിൽ മാത്രമേ ശരിയായി രൂപകൽപ്പന ചെയ്തിട്ടുള്ളൂ. ഈ യൂണിറ്റിൽ, പ്രോപ്പർട്ടി പ്രവചനത്തിലും മെറ്റീരിയൽ സെലക്ഷനിലും (പ്രോസസ് സാഹചര്യങ്ങളെ നേരിടാൻ ലോഹങ്ങൾ, ഗാസ്കറ്റുകൾ, കോട്ടിംഗുകൾ എന്നിവയുടെ തിരഞ്ഞെടുപ്പ്) പ്രാഥമിക പ്രവചനവും താരതമ്യ ഉപകരണവും എന്ന നിലയിൽ കൃത്രിമ ബുദ്ധി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും. എന്നാൽ ഈ മൂല്യങ്ങൾ വിശ്വസനീയമായ ഒരു ഡാറ്റാബേസ് അല്ലെങ്കിൽ പരീക്ഷണം ഉപയോഗിച്ച് പരിശോധിക്കേണ്ടത് എന്തുകൊണ്ടാണെന്ന് ഞങ്ങൾ പഠിക്കും.

നിർണായകമായ സത്യം ഇതാണ്: ഫീച്ചർ എസ്റ്റിമേഷൻ ഡിസൈനിൻ്റെ സംഖ്യാ അടിസ്ഥാനമാണ്; ഇവിടെ ഒരു പിശക് മുഴുവൻ അക്കൗണ്ടിലേക്കും വ്യാപിക്കുന്നു. AI ആത്മവിശ്വാസത്തോടെ ഒരു നീരാവി മർദ്ദമോ വിസ്കോസിറ്റിയോ നൽകിയേക്കാം, എന്നാൽ ആ മൂല്യം മറ്റൊരു സംയുക്തത്തിന് വേണ്ടിയുള്ളതാകാം, തെറ്റായ താപനിലയിലായിരിക്കാം, അല്ലെങ്കിൽ പൂർണ്ണമായും ഭ്രമാത്മകമായിരിക്കാം. അതിനാൽ ഫീച്ചർ ഡാറ്റയുടെ സുവർണ്ണ നിയമം: എല്ലാ നിർണായക ഫീച്ചറുകളും ഒരു വിശ്വസനീയമായ ഉറവിടത്തെ അടിസ്ഥാനമാക്കിയുള്ളതായിരിക്കണം (ഡിഐപിപിആർ, എൻഐഎസ്ടി, നിർമ്മാതാവിൻ്റെ ഡാറ്റ ഷീറ്റ്) അല്ലെങ്കിൽ പരീക്ഷണം.

ഫീച്ചർ പ്രവചനത്തിനുള്ള ഘട്ടം ഘട്ടമായുള്ള AI പിന്തുണ

1. നിങ്ങൾക്ക് എന്ത് ഫീച്ചർ ആവശ്യമാണ്, ഏത് വ്യവസ്ഥയിലാണ്? താപനില, മർദ്ദം, ഘട്ടം, ഏകാഗ്രത എന്നിവ വസ്തുവിനെ മാറ്റുന്നു. AI-ക്ക് വ്യവസ്ഥ നൽകാതെ എടുത്ത മൂല്യം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്.

2. എസ്റ്റിമേറ്റ് രീതി തിരഞ്ഞെടുക്കുന്നു. പരീക്ഷണാത്മക ഡാറ്റ ഇല്ലെങ്കിൽ, ഗ്രൂപ്പ് സംഭാവന രീതികൾ പോലെയുള്ള പ്രവചന സമീപനങ്ങൾ AI തിരിച്ചുവിളിക്കുന്നു - തന്മാത്രയെ അതിൻ്റെ ഭാഗങ്ങളായി വിഭജിച്ച് ഓരോ ഭാഗത്തിൻ്റെയും സംഭാവനകൾ ചേർത്ത് ഗുണങ്ങൾ പ്രവചിക്കുന്ന രീതികൾ; ഉദാ. ജോബാക്ക്, യുണിഫാക് - ഏതാണ് ഉചിതമെന്ന് വിശദീകരിക്കുന്നു.

3. പ്രാഥമിക മൂല്യവും അനിശ്ചിതത്വവും. AI-ക്ക് ഒരു പ്രാഥമിക മൂല്യം നൽകാൻ കഴിയും, എന്നാൽ തീർച്ചയായും "ഇതൊരു പ്രവചനമാണ്, അതിൻ്റെ അനിശ്ചിതത്വം ഉയർന്നതാണ്, ഇത് സ്ഥിരീകരിക്കുക" എന്ന ചട്ടക്കൂടിനുള്ളിൽ. മൂല്യത്തിൻ്റെ സാധാരണ മാർജിൻ പിശകിനെക്കുറിച്ചും AI-യോട് ചോദിക്കുക.

4. ഉറവിടവുമായി താരതമ്യം ചെയ്യുക. AI യുടെ മൂല്യം ഒരു തെർമോഡൈനാമിക്സ് ഡാറ്റാബേസുമായോ നിർമ്മാതാവിൻ്റെ ഷീറ്റുമായോ താരതമ്യം ചെയ്യുക. വ്യതിയാനം വലുതാണെങ്കിൽ, മൂല്യം ഉപയോഗിക്കില്ല.

5. മെറ്റീരിയൽ അനുയോജ്യത പ്രാഥമിക സ്ക്രീനിംഗ്. ഒരു ദ്രാവക-വസ്തു ജോടിക്ക് (ഉദാ. ക്ലോറൈഡ് അടങ്ങിയ പരിതസ്ഥിതിയിൽ സ്റ്റെയിൻലെസ് സ്റ്റീലിൻ്റെ പിറ്റിംഗ് കോറോഷൻ) അറിയപ്പെടുന്ന നാശം/പൊരുത്തക്കേടിൻ്റെ അപകടസാധ്യതകൾ YZ ഓർമ്മിപ്പിക്കുന്നു. ഇതൊരു മുൻകരുതലാണ്; കോംപാറ്റിബിലിറ്റി ചാർട്ടുകളും വിദഗ്ധ വിലയിരുത്തലും ഉപയോഗിച്ചാണ് അന്തിമ തിരഞ്ഞെടുപ്പ് നടത്തുന്നത്.

6. ന്യായയുക്തത ഫിൽട്ടർ. റാങ്കിൻ്റെ അടിസ്ഥാനത്തിൽ മൂല്യത്തിന് അർത്ഥമുണ്ടോ? വെള്ളത്തിന്, സാന്ദ്രത ഏകദേശം ~1000 kg/m³ ആണോ? ലളിതമായ ഓർഡർ പരിശോധന മിക്ക പിശകുകളും പിടിക്കുന്നു.

നുറുങ്ങ്: നിങ്ങൾ AI-യോട് ഒരു ഫീച്ചർ മൂല്യം ആവശ്യപ്പെടുമ്പോൾ, "ഉറവിടവും കണക്കാക്കൽ രീതിയും വ്യക്തമാക്കുക, ഇത് പരീക്ഷണാത്മകമാണോ അതോ കണക്കാക്കിയതാണോ എന്ന് എന്നോട് പറയൂ" എന്ന് പറയുക. AI-ക്ക് ഒരു ഉറവിടം ഉദ്ധരിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, ആ മൂല്യം ഒരു ഊഹമായി അടയാളപ്പെടുത്തി അത് സ്വതന്ത്രമായി പരിശോധിച്ചുറപ്പിക്കുക.

മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ: സുരക്ഷയും ഈടുതലും

മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ സാമ്പത്തികവും സുരക്ഷാ-നിർണ്ണായകവുമായ തീരുമാനമാണ്. തെറ്റായ പദാർത്ഥം നാശത്താൽ ദുർബലമാകാം, ഇത് ഒരു മർദ്ദം പാത്രം പൊട്ടിപ്പോകുകയോ വിഷ ദ്രാവകം ഒഴുകുകയോ ചെയ്യും. AI-ക്ക് ഒരു ആരംഭ സാമഗ്രികളുടെ ലിസ്റ്റും അറിയപ്പെടുന്ന പൊരുത്തക്കേടുകളും തിരിച്ചുവിളിക്കാൻ കഴിയും; എന്നാൽ താപനില, മർദ്ദം, ഏകാഗ്രത, മാലിന്യങ്ങൾ എന്നിവയുടെ സംയോജിത ഫലങ്ങൾ സങ്കീർണ്ണമാണ്, അന്തിമ തിരഞ്ഞെടുപ്പ് മെറ്റീരിയൽ എഞ്ചിനീയറിംഗ് ഡാറ്റ (അനുയോജ്യത ചാർട്ടുകൾ, കോറഷൻ റേറ്റ് ഡാറ്റ) കൂടാതെ ആവശ്യമുള്ളിടത്ത് പരിശോധന നടത്തുകയും ചെയ്യുന്നു.

ശ്രദ്ധിക്കുക: "ഈ മെറ്റീരിയൽ ഈ ദ്രാവകത്തിന് അനുയോജ്യമാണ്" എന്ന് AI പറയുന്നത് ഒരു ഗ്യാരണ്ടിയല്ല. സമ്മർദ്ദം ചെലുത്തുന്ന ഉപകരണങ്ങളുടെയും വിഷലിപ്തമായ / തീപിടിക്കുന്ന ദ്രാവകങ്ങളുടെയും കാര്യത്തിൽ, മെറ്റീരിയൽ തിരഞ്ഞെടുക്കുന്നതിന് യോഗ്യതയുള്ള എഞ്ചിനീയർ അംഗീകാരവും പരിശോധിച്ച നാശ ഡാറ്റയും ആവശ്യമാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ദ്രുത പ്രവചനം. സാഹിത്യത്തിൽ ഡാറ്റ കുറവുള്ള ഒരു പുതിയ ലായക മിശ്രിതത്തിൻ്റെ താപ ശേഷിയുടെ പ്രാഥമിക കണക്ക് ഒരു എഞ്ചിനീയർക്ക് ആവശ്യമായിരുന്നു. ഒരു ഗ്രൂപ്പ് സംഭാവന രീതിയിലൂടെ AI ഒരു ശ്രേണി നൽകി. എഞ്ചിനീയർ ഈ പ്രാഥമിക മൂല്യം ഉപയോഗിച്ച് ഒരു പരുക്കൻ ഊർജ്ജ കണക്കുകൂട്ടൽ നടത്തി, തുടർന്ന് അത് ലബോറട്ടറിയിൽ അളന്നു; പ്രവചനത്തിൻ്റെ 6% ഉള്ളിൽ ആയിരുന്നു അളവ്. പ്രവചനം ആസൂത്രണം ത്വരിതപ്പെടുത്തി, പക്ഷേ ഡിസൈൻ പരീക്ഷണാത്മക മൂല്യത്തിലേക്ക് മാറി.

കേസ് 2 - ഹാലുസിനേഷൻ പിടികൂടി. YZ ഒരു സംയുക്തത്തിൻ്റെ സാധാരണ തിളപ്പിക്കൽ പോയിൻ്റ് 78 ° C ആയി നൽകി. എഞ്ചിനീയർ അതിനെ NIST മായി താരതമ്യം ചെയ്തപ്പോൾ, യഥാർത്ഥ മൂല്യം 118 ° C ആണെന്ന് അദ്ദേഹം കണ്ടെത്തി; സമാനമായ മറ്റൊരു സംയുക്തവുമായി AI പേര് ആശയക്കുഴപ്പത്തിലാക്കി. ഒരു ഉറവിടവുമായുള്ള താരതമ്യം കോളം ഡിസൈനിലേക്ക് പ്രവേശിക്കുന്നതിൽ നിന്ന് 40°C പിശക് തടഞ്ഞു.

കേസ് 3 - മെറ്റീരിയൽ മുന്നറിയിപ്പ്. ക്ലോറൈഡ് അയോൺ അടങ്ങിയ ജലീയ സ്ട്രീമിനായി 304 സ്റ്റെയിൻലെസ് സ്റ്റീൽ തിരഞ്ഞെടുത്തത് "പിറ്റിംഗ്, സ്ട്രെസ് കോറോഷൻ ക്രാക്കിംഗ് റിസ്ക്" എന്ന് YZ ഫ്ലാഗ് ചെയ്യുകയും കൂടുതൽ പ്രതിരോധശേഷിയുള്ള ഒരു അലോയ് ഉദ്ധരിക്കുകയും ചെയ്തു. മെറ്റീരിയൽ എഞ്ചിനീയർ അനുയോജ്യതാ ഡാറ്റ ഉപയോഗിച്ച് സ്ഥിരീകരിച്ച് ഉയർന്ന അലോയ് മെറ്റീരിയൽ തിരഞ്ഞെടുത്തു. AI അപകടസാധ്യത അജണ്ടയിലേക്ക് കൊണ്ടുവന്നു, ഡാറ്റ ഉപയോഗിച്ച് തീരുമാനമെടുത്തു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഫീച്ചർ പ്രവചനം (ഉറവിടം ആവശ്യമാണ്):

നിങ്ങളുടെ പങ്ക്: ശാരീരിക വിദഗ്ധൻ. സംയുക്തം: [പേര്/സൂത്രവാക്യം], വ്യവസ്ഥ: [T, P, ഘട്ടം]. എനിക്ക് ആവശ്യമുള്ള ഫീച്ചർ: [ഉദാ. നീരാവി മർദ്ദം]. നൽകുക: (1) പരീക്ഷണാത്മക മൂല്യവും ഉറവിടവും (DIPPR/NIST/നിർമ്മാതാവ്), ലഭ്യമാണെങ്കിൽ, (2) ഇല്ലെങ്കിൽ, കണക്കാക്കൽ രീതിയും കണക്കാക്കിയ മൂല്യവും അനിശ്ചിതത്വത്തിൻ്റെ മാർജിനും. ഇത് പരീക്ഷണമാണോ പ്രവചനമാണോ എന്ന് വ്യക്തമായി പറയുക. നിങ്ങൾക്ക് ഒരു ഉറവിടം ഉദ്ധരിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, അത് "പരിശോധന ആവശ്യമുള്ള പ്രവചനം" എന്ന് അടയാളപ്പെടുത്തുക. മൂല്യം കെട്ടിച്ചമയ്ക്കരുത്; നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ, എന്നോട് പറയുക.

2) ഗ്രൂപ്പ് സംഭാവന രീതി ഗൈഡ്:

പരീക്ഷണാത്മക ഡാറ്റകളില്ലാത്ത ഒരു സംയുക്തം എൻ്റെ പക്കലുണ്ട്: [ഘടന/പുഞ്ചിരി]. ഏത് ഗ്രൂപ്പ് സംഭാവന രീതിയാണ് (ജോബാക്ക്, യുണിഫാക്, മുതലായവ) [പ്രോപ്പർട്ടിക്ക്] അനുയോജ്യമാണ്, എന്തുകൊണ്ട്? രീതിയുടെ ഘട്ടങ്ങളും ആവശ്യമായ ഗ്രൂപ്പ് പാരാമീറ്ററുകളും വിശദീകരിക്കുക. ഫലം ഒരു എസ്റ്റിമേറ്റ് ആണെന്നും പിശകിൻ്റെ സാധാരണ മാർജിൻ ആണെന്നും പ്രസ്താവിക്കുക. പരീക്ഷണം/ഡാറ്റാബേസ് ഉപയോഗിച്ച് ഞാൻ അന്തിമ മൂല്യം പരിശോധിക്കും.

3) മൂല്യ താരതമ്യം/പരിശോധന:

ഒരു ഫീച്ചറിനായുള്ള വ്യത്യസ്ത ഉറവിടങ്ങളിൽ നിന്നുള്ള മൂല്യങ്ങൾ ചുവടെയുണ്ട്. അവയെ ഒരു പട്ടികയിൽ താരതമ്യം ചെയ്യുക, വ്യതിയാനം കണക്കാക്കുക, ഏതാണ് കൂടുതൽ വിശ്വസനീയമെന്ന് റാങ്ക് ചെയ്യുക (അനുഭാവികം > മൂല്യനിർണ്ണയം > പ്രവചിച്ചത്). ഒരു വലിയ വ്യതിയാനം ഉണ്ടെങ്കിൽ, സാധ്യമായ കാരണം അടയാളപ്പെടുത്തുക (വ്യത്യസ്ത അവസ്ഥ, വ്യത്യസ്ത ഐസോമർ). ഉറവിടങ്ങൾ: [ഒട്ടിക്കുക]

4) മെറ്റീരിയൽ അനുയോജ്യത പ്രാഥമിക സ്ക്രീനിംഗ്:

ദ്രാവകം: [രചന, ഏകാഗ്രത, മാലിന്യങ്ങൾ], അവസ്ഥ: [T, P]. സ്ഥാനാർത്ഥി സാമഗ്രികൾ: [ലിസ്റ്റ്]. ഓരോന്നിനും അറിയപ്പെടുന്ന നാശം/പൊരുത്തക്കേടിൻ്റെ അപകടസാധ്യതകൾ (പിറ്റിംഗ്, സ്ട്രെസ് ക്രാക്കിംഗ്, പൊതുവായ നാശം) ഓർക്കുക. ഇതൊരു പ്രാഥമിക സ്കാൻ ആണ്; അന്തിമ തിരഞ്ഞെടുപ്പിന് കോറഷൻ ഡാറ്റയും അംഗീകൃത എഞ്ചിനീയറുടെ അംഗീകാരവും ആവശ്യമാണ്. അപകടസാധ്യതയുള്ള ജോഡികളെ വ്യക്തമായി അടയാളപ്പെടുത്തുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ടോള്യൂണിൻ്റെ വിസ്കോസിറ്റി എന്താണ്?

ചൂട് ഇല്ല, വെൽഡിങ്ങ് ഇല്ല. AI ഒരു നമ്പർ നൽകുന്നു, എന്നാൽ ഏത് സാഹചര്യത്തിലാണ് അത് എത്രത്തോളം വിശ്വസനീയമാണെന്നും വ്യക്തമല്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ പങ്ക്: ശാരീരിക വിദഗ്ധൻ. ലിക്വിഡ് ഫേസ്, 25 ഡിഗ്രി സെൽഷ്യസ്, 1 എടിഎം എന്നിവയിൽ ടോള്യൂണിനുള്ള ചലനാത്മക വിസ്കോസിറ്റി. നൽകുക: മൂല്യം, യൂണിറ്റ്, ഉറവിടം, പരീക്ഷണാത്മക എസ്റ്റിമേറ്റ്. സാധ്യമെങ്കിൽ, രണ്ട് സ്വതന്ത്ര ഉറവിടങ്ങളും സംസ്ഥാന സ്ഥിരതയും നൽകുക. നിങ്ങൾക്ക് ഉറവിടം ഉദ്ധരിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, അത് ഒരു ഊഹമായി അടയാളപ്പെടുത്തുക. മൂല്യ ക്രമീകരണം. ഒരു തെർമോഡൈനാമിക് ഡാറ്റാബേസ് ഉപയോഗിച്ച് ഞാൻ ഫലം പരിശോധിക്കും.

വ്യത്യാസം വ്യക്തമാണ്: വ്യവസ്ഥ, റിസോഴ്സ് മാൻഡേറ്റ്, മൂല്യനിർണ്ണയ ചട്ടക്കൂട് എന്നിവ മൂല്യം ലഭ്യമാക്കുന്നു.

ഫീച്ചറിലും മെറ്റീരിയൽ തീരുമാനത്തിലും പങ്ക് വിതരണം

ബിസിനസ്സ്

AI യുടെ പങ്ക്

മനുഷ്യ തീരുമാനം/ഉറവിടം

പരീക്ഷണാത്മക സവിശേഷത

ഉറവിട ഓർമ്മപ്പെടുത്തൽ

ഡാറ്റാബേസ് സ്ഥിരീകരണം

ഡാറ്റ ഇല്ല, ഊഹിക്കുക

രീതി + സ്ഥിരസ്ഥിതി

പരീക്ഷണം/ഡാറ്റാബേസ് മൂല്യനിർണ്ണയം

മൂല്യ താരതമ്യം

പട്ടിക, വ്യതിയാനം

വിശ്വാസ്യത വിധി

മെറ്റീരിയൽ സ്ഥാനാർത്ഥികൾ

റിസ്ക് റിമൈൻഡർ

പാലിക്കൽ ഡാറ്റ, അംഗീകാരം

റാങ്ക് നിയന്ത്രണം

അടയാളപ്പെടുത്തൽ

ശാരീരിക ന്യായബോധം

സാധാരണ തെറ്റുകൾ

• ഉറവിടമില്ലാത്ത മൂല്യം ഉപയോഗിക്കുന്നു. AI നൽകുന്ന എല്ലാ നിർണായക സവിശേഷതകളും ഡാറ്റാബേസ്/പരീക്ഷണത്തിലൂടെ സ്ഥിരീകരിക്കുന്നു.
• വ്യവസ്ഥ പറയുന്നില്ല. താപനില/മർദ്ദം/ഘട്ടം എന്നിവ വ്യക്തമാക്കാതെ എടുത്ത മൂല്യം തെറ്റായ അവസ്ഥയിലായിരിക്കാം.
• കണക്കാക്കിയ മൂല്യം അനുഭവപരമാണെന്ന് തെറ്റിദ്ധരിക്കുന്നു. ഗ്രൂപ്പ് സംഭാവനയുടെ കണക്കുകൾ അനിശ്ചിതത്വത്തിലാണ്; ഡിസൈനിൽ ഇത് കണക്കിലെടുക്കുക.
• ഒരു വാക്യ സ്ഥിരീകരണത്തോടെ മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ നടത്തുന്നു. നാശം ബഹുവിധമാണ്; ഡാറ്റയും സ്ഥിരീകരണവും ആവശ്യമാണ്.
• റാങ്ക് പരിശോധന മറികടക്കുന്നു. ഒരു ലളിതമായ "ഈ സംഖ്യയ്ക്ക് അർത്ഥമുണ്ടോ?" നിയന്ത്രണം മിക്ക ഹാലൂസിനേഷനുകളും പിടിക്കുന്നു.

ചുരുക്കത്തിൽ

പ്രോപ്പർട്ടിയിലും മെറ്റീരിയൽ പ്രവചനത്തിലും AI; പ്രാഥമിക മൂല്യങ്ങൾ സൃഷ്ടിക്കുന്ന, എസ്റ്റിമേറ്റ് രീതിയെക്കുറിച്ച് നിങ്ങളെ ഓർമ്മപ്പെടുത്തുന്ന, റിസോഴ്സ് മൂല്യങ്ങൾ താരതമ്യം ചെയ്യുന്നതും മെറ്റീരിയൽ അപകടസാധ്യതകൾ ഫ്ലാഗുചെയ്യുന്നതുമായ ഒരു ശക്തമായ സഹായിയാണ് ഇത്. എന്നാൽ എല്ലാ നിർണായക സവിശേഷതകളും വിശ്വസനീയമായ ഒരു ഡാറ്റാബേസ് അല്ലെങ്കിൽ പരീക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതായിരിക്കണം; മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ എന്നത് ഒരു സുരക്ഷാ-നിർണ്ണായക തീരുമാനമാണ്, അതിന് കോറഷൻ ഡാറ്റയും അംഗീകൃത എഞ്ചിനീയറുടെ അംഗീകാരവും ആവശ്യമാണ്. AI പ്രവചനങ്ങളും മുന്നറിയിപ്പുകളും നൽകുന്നു; എഞ്ചിനീയർ ഉറവിടത്തിലേക്ക് കണക്റ്റുചെയ്യുന്നു, പരിശോധിച്ചുറപ്പിക്കുന്നു, തിരഞ്ഞെടുക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു സംയുക്തവും ഒരു വസ്തുവും തിരഞ്ഞെടുക്കുക (ഉദാ. ഒരു ലായകത്തിൻ്റെ നീരാവി മർദ്ദം, 40 ° C). "ആട്രിബ്യൂട്ട് പ്രവചനം (വിഭവം ആവശ്യമാണ്)" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI-ൽ നിന്ന് മൂല്യവും അതിൻ്റെ ഉറവിടവും നേടുക; എന്നിട്ട് അതിനെ ഒരു തെർമോഡൈനാമിക് ഡാറ്റാബേസുമായി താരതമ്യം ചെയ്ത് വ്യതിയാനം ശ്രദ്ധിക്കുക. തുടർന്ന് ഒരു ദ്രാവക-മെറ്റീരിയൽ ജോഡിക്കായി "പ്രാഥമിക മെറ്റീരിയൽ കോംപാറ്റിബിലിറ്റി സ്ക്രീനിംഗ്" ടെംപ്ലേറ്റ് ഉപയോഗിക്കുകയും തത്ഫലമായുണ്ടാകുന്ന അപകടസാധ്യതകൾ ഒരു അനുയോജ്യതാ ചാർട്ട് ഉപയോഗിച്ച് സ്ഥിരീകരിക്കുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• അവസ്ഥയ്‌ക്കൊപ്പം (T, P, ഘട്ടം) എനിക്ക് [ ] ഫീച്ചറും വേണം.
• [ ] ഞാൻ AI നൽകിയ മൂല്യത്തെ ഒരു വിശ്വസനീയമായ ഡാറ്റാബേസ്/പരീക്ഷണവുമായി താരതമ്യം ചെയ്തു.
• [ ] ഞാൻ കണക്കാക്കിയ മൂല്യങ്ങളെ പരീക്ഷണങ്ങളിൽ നിന്ന് വേർതിരിച്ച് അനിശ്ചിതത്വം രേഖപ്പെടുത്തി.
• [ ] കോറഷൻ ഡാറ്റയും അംഗീകൃത അംഗീകാരവും ഉപയോഗിച്ച് മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ ഞാൻ പരിശോധിച്ചു.
• [ ] ഓരോ നിർണായക നമ്പറിനും ഞാൻ ഒരു റാങ്ക്/പ്ലൂസിബിലിറ്റി പരിശോധന പ്രയോഗിച്ചു.