നേട്ടങ്ങൾ:
- സജീവമാക്കിയ സ്ലഡ്ജ്, COD/BOD, സ്ലഡ്ജ് പ്രായം, F/M തുടങ്ങിയ അടിസ്ഥാന പ്രോസസ്സ് പാരാമീറ്ററുകൾ വ്യാഖ്യാനിക്കാനുള്ള കഴിവ്
- AI ഉപയോഗിച്ച് പ്രോസസ്സ് ട്രബിൾഷൂട്ടിംഗും സാഹചര്യ വിശകലനവും കോൺഫിഗർ ചെയ്യാനുള്ള കഴിവ്
- ഡിസ്ചാർജ് പരിധികൾ, മാസ് ബാലൻസ്, ലബോറട്ടറി ഡാറ്റ എന്നിവ ഉപയോഗിച്ച് AI ശുപാർശകൾ പരിശോധിക്കാനുള്ള കഴിവ്
പ്രഭാത ഷിഫ്റ്റിൽ, ബയോളജിക്കൽ ട്രീറ്റ്മെൻ്റ് യൂണിറ്റിൻ്റെ ഓപ്പറേറ്റർ നിങ്ങളെ വിളിക്കുന്നു: കഴിഞ്ഞ രണ്ട് ദിവസമായി, അവസാന സെറ്റിംഗ് ടാങ്കിൽ നിന്ന് ചെളി "രക്ഷപ്പെടുകയാണ്", മലിനജലം മേഘാവൃതമാണ്, എസ്വിഐ മൂല്യം കയറുന്നു. നിങ്ങൾക്ക് MLSS, സ്ലഡ്ജ് പ്രായം, ഇൻലെറ്റ് COD, ഫ്ലോ റേറ്റ് ഡാറ്റ എന്നിവയുണ്ട്. നിങ്ങൾ AI-യോട് സാഹചര്യം വിശദീകരിച്ച് "ഞാൻ എന്ത് ചെയ്യണം?" എന്ന് ചോദിക്കാൻ ആഗ്രഹിക്കുന്നു, എന്നാൽ മോഡൽ മുമ്പ് വ്യാജ നമ്പറുകൾ നൽകുന്നത് നിങ്ങൾ കണ്ടിട്ടുണ്ട്. സജീവമാക്കിയ സ്ലഡ്ജ് പ്രക്രിയയുടെ പ്രധാന പാരാമീറ്ററുകൾ വ്യാഖ്യാനിക്കാനും, ഘടനാപരമായ ട്രബിൾഷൂട്ടിംഗ് പങ്കാളിയായി AI ഉപയോഗിക്കാനും, മാസ് ബാലൻസ്, ഡിസ്ചാർജ് പരിധി, ലബോറട്ടറി ഡാറ്റ എന്നിവ ഉപയോഗിച്ച് അതിൻ്റെ ഓരോ നിർദ്ദേശങ്ങളും സാധൂകരിക്കാനും ഈ യൂണിറ്റ് നിങ്ങളെ പഠിപ്പിക്കുന്നു. കേന്ദ്ര ആശയം ഒന്നുതന്നെയാണ്: AI കുളം കാണുന്നില്ല, നിങ്ങൾ നൽകുന്ന സംഖ്യകളെ അത് വ്യാഖ്യാനിക്കുന്നു; അവസാന വാക്ക് ലബോറട്ടറിയിലാണ്.
സജീവമാക്കിയ സ്ലഡ്ജ് പ്രക്രിയയുടെ അടിസ്ഥാന പാരാമീറ്ററുകൾ
ജൈവ മലിനീകരണം (COD/BOD) സൂക്ഷ്മാണുക്കൾ ഉപയോഗിച്ച് നീക്കം ചെയ്യുന്ന സജീവമായ സ്ലഡ്ജ് സംവിധാനമാണ് ജൈവ ചികിത്സയുടെ ഹൃദയം. ഈ സിസ്റ്റം നിയന്ത്രിക്കുന്നതിന്, കുറച്ച് അടിസ്ഥാന പാരാമീറ്ററുകൾ എങ്ങനെ വായിക്കണമെന്ന് നിങ്ങൾ അറിഞ്ഞിരിക്കണം:
പരാമീറ്റർ
വിപുലീകരണം / അർത്ഥം
സാധാരണ ശ്രേണി
അത് എന്താണ് കാണിക്കുന്നത്?
എം.എൽ.എസ്.എസ്
സസ്പെൻഡഡ് സോളിഡ് കോൺസൺട്രേഷൻ (mg/L)
2000–4000
കുളത്തിലെ മൊത്തം ജൈവസാന്ദ്രത
എം.എൽ.വി.എസ്.എസ്
അസ്ഥിരമായ സസ്പെൻഡ് സോളിഡ് (mg/L)
MLSS-ൻ്റെ 70-80%
സജീവ (ഓർഗാനിക്) ബയോമാസ്
എഫ്/എം
പോഷക/സൂക്ഷ്മജീവി അനുപാതം (കിലോഗ്രാം BOD/kg MLVSS·day)
0.2-0.5
സിസ്റ്റം ലോഡിംഗ് നില
SRT (ചെളിയുടെ പ്രായം)
സിസ്റ്റത്തിലെ ചെളിയുടെ താമസ സമയം (ദിവസങ്ങൾ)
5-15
നൈട്രിഫിക്കേഷനും സെഡിമെൻ്റേഷൻ ശേഷിയും
എസ്.വി.ഐ
സ്ലഡ്ജ് വോളിയം സൂചിക (mL/g)
80-150
സെറ്റിൽബിലിറ്റി; >150 സർജ് മാർക്ക്
COD/BOD നീക്കംചെയ്യൽ
ഇൻപുട്ട്-ഔട്ട്പുട്ട് കാര്യക്ഷമത (%)
85–95%+
ശുദ്ധീകരണ പ്രകടനം
ഈ പരാമീറ്ററുകൾ പരസ്പരാശ്രിതമാണ്. ഉദാഹരണത്തിന്, F/M വളരെ ഉയർന്നതാണെങ്കിൽ (ഓവർലോഡ്) സ്ലഡ്ജ് തീർന്നില്ല, SVI ഉയരുന്നു; SRT വളരെ കുറവാണെങ്കിൽ, നൈട്രിഫൈയിംഗ് ബാക്ടീരിയകൾ സിസ്റ്റത്തിൽ നിലനിൽക്കില്ല. ഈ ബന്ധങ്ങൾ വിശദീകരിക്കുന്നതിൽ AI മികച്ചതാണ്, എന്നാൽ നിങ്ങളുടെ സൗകര്യത്തിൻ്റെ യഥാർത്ഥ നമ്പറുകൾ ഇല്ലാതെ രോഗനിർണയം നടത്താൻ അതിന് കഴിയില്ല.
നുറുങ്ങ്: AI-യോട് ഒരു ഡയഗ്നോസ്റ്റിക് ചോദ്യം ചോദിക്കുമ്പോൾ, പാരാമീറ്ററുകളും സാധാരണ ഡിസൈൻ ശ്രേണിയും ഒരുമിച്ച് നൽകുക. "MLSS 5200 mg/L, SVI 220 mL/g, F/M 0.12" പോലെയുള്ള കോൺക്രീറ്റ് നമ്പറുകൾ വെറും ബ്ലാങ്കറ്റ് ടോക്ക് എന്നതിലുപരി ടാർഗെറ്റുചെയ്ത സാഹചര്യങ്ങളിലേക്ക് മോഡലിനെ പ്രേരിപ്പിക്കുന്നു.
ഉദാഹരണ കണക്കുകൂട്ടൽ: F/M അനുപാതവും നീക്കംചെയ്യൽ കാര്യക്ഷമതയും
നിങ്ങൾക്ക് ഒരു കണക്കുകൂട്ടൽ AI-ലേക്ക് ഔട്ട്സോഴ്സ് ചെയ്യാം, പക്ഷേ ഫലം നേരിട്ട് പരിശോധിക്കുന്നത് ഉറപ്പാക്കുക. ഒരു യഥാർത്ഥ ഉദാഹരണം ഇതാ:
# ഇൻപുട്ടുകൾ (അളന്ന ഫീൽഡ്/ലാബ് ഡാറ്റ) Q * BOI_input / 1000.0 # kg BOI/day = 1600biomass = V * MLVSS / 1000.0 # kg MLVSS = 5600FM = ഇൻകമിംഗ്_ലോഡ് / biomassprint ("ഇൻകമിംഗ്_ലോഡ് / biomassprint:" #, BOI-ൽ 1600.0print("F/M അനുപാതം:", റൗണ്ട്(FM, 3), "kg BOI/kg MLVSS.day") # 0.286
ഇവിടെ F/M = 0.286, 0.2-0.5 എന്ന സാധാരണ ശ്രേണിയിൽ, നീക്കം ചെയ്യൽ 94.4% ആരോഗ്യകരമായി കാണപ്പെടുന്നു. എന്നാൽ സൂക്ഷിക്കുക: ഇൻപുട്ട് നമ്പറുകൾ ശരിയാണെങ്കിൽ മാത്രമേ ഈ ഫലം അർത്ഥപൂർണ്ണമാകൂ. നിങ്ങളുടെ ഫ്ലോ മീറ്റർ ഓഫ് ആണെങ്കിലോ സാമ്പിൾ പ്രതിനിധിയല്ലെങ്കിലോ, കണക്കുകൂട്ടൽ "നല്ലത്" ആയിരിക്കും, പക്ഷേ സത്യമല്ല.
മുന്നറിയിപ്പ്: AI മില്ലിസെക്കൻഡിൽ ഒരു കണക്കുകൂട്ടൽ നടത്തുന്നു, പക്ഷേ അതിന് നിങ്ങളുടെ ഇൻപുട്ടുകളുടെ കൃത്യത അറിയാൻ കഴിയില്ല. ഗാർബേജ് ഇൻ = ഗാർബേജ് ഔട്ട്. ഫ്ലോ റേറ്റ്, സാമ്പിൾ സമയം, ലാബ് രീതി എന്നിവ പരിശോധിക്കാതെ റിപ്പോർട്ടിൽ കാര്യക്ഷമത നമ്പറുകളൊന്നും എഴുതരുത്.
AI ഉപയോഗിച്ചുള്ള ട്രബിൾഷൂട്ടിംഗ്
സ്ലഡ്ജ് ബൾക്കിംഗ് ഒരു ക്ലാസിക് പ്രവർത്തന പ്രശ്നമാണ്. സാധ്യമായ കാരണങ്ങൾ വ്യവസ്ഥാപിതമായി ലിസ്റ്റുചെയ്യാൻ നിങ്ങൾക്ക് AI ഉപയോഗിക്കാം - എന്നാൽ ഇത് ഒരു രോഗനിർണയമല്ല, അനുമാനങ്ങളുടെ ഒരു ലിസ്റ്റ് നിർമ്മിക്കുന്നു.
ശക്തമായ ട്രബിൾഷൂട്ടിംഗ് പ്രോംപ്റ്റ്: "ഒരു ഗാർഹിക+വ്യാവസായിക മിശ്രിത മലിനജല പ്ലാൻ്റിൽ സജീവമായ സ്ലഡ്ജ് ബൾക്കിംഗ് സംഭവിക്കുന്നു. അളന്ന മൂല്യങ്ങൾ:- SVI: 240 mL/g (ഡിസൈൻ < 150)- MLSS: 3600 mg/L- F/M സോൾ: 0.14 കിലോഗ്രാം ഓക്സിജൻ (0.14 കിലോഗ്രാം കുറഞ്ഞ ഓക്സിജൻ 0.8 mg/L (കുറഞ്ഞത്) - ഔട്ട്പുട്ട് സസ്പെൻഡ് ചെയ്ത സോളിഡ്: ഈ ഡാറ്റയെ അടിസ്ഥാനമാക്കി സാധ്യമായ കാരണങ്ങൾ പട്ടികപ്പെടുത്തുക (ഫിലമെൻ്റസ് ബാക്ടീരിയ, കുറഞ്ഞ COO, കുറഞ്ഞ F/M, പോഷക അസന്തുലിതാവസ്ഥ മുതലായവ) ഓരോ കാരണത്തിനും ഞാൻ സ്ഥിരീകരിക്കേണ്ട ലാബ് പരിശോധന അല്ലെങ്കിൽ ഫീൽഡ് അളവ് വ്യക്തമാക്കുക.
അത്തരമൊരു പ്രോംപ്റ്റ് ഇനിപ്പറയുന്ന അനുമാനങ്ങൾ കൊണ്ടുവരുന്നു, ഉദാഹരണത്തിന്: കുറഞ്ഞ അലിഞ്ഞുപോയ ഓക്സിജൻ ഫിലമെൻ്റസ് ബാക്ടീരിയയുടെ വളർച്ചയ്ക്ക് കാരണമായേക്കാം; കുറഞ്ഞ എഫ്/എം "വിശക്കുന്ന" അവസ്ഥയും വർദ്ധിച്ച ഫിലമെൻ്റ് തിരഞ്ഞെടുക്കലും സൃഷ്ടിച്ചിരിക്കാം; നൈട്രജൻ/ഫോസ്ഫറസ് അസന്തുലിതാവസ്ഥ ഉണ്ടാകാം. ഓരോന്നിനും മൂല്യനിർണ്ണയം: മൈക്രോസ്കോപ്പിക് സ്ലഡ്ജ് പരിശോധന, COO പ്രൊഫൈൽ, ന്യൂട്രിയൻ്റ് (N:P) വിശകലനം. AI അനുമാനം നൽകുന്നു; മൈക്രോസ്കോപ്പും ലബോറട്ടറിയും രോഗനിർണയം നടത്തുന്നു.
മാസ് ബാലൻസ് വഴിയുള്ള സ്ഥിരീകരണം
AI നിർദ്ദേശിച്ച ഇടപെടൽ യുക്തിസഹമാണോ എന്നതിൻ്റെ ഏറ്റവും ശക്തമായ പരിശോധന മാസ് ബാലൻസ് ആണ്. ഒരു ലളിതമായ നിയമം: സിസ്റ്റത്തിലേക്ക് പ്രവേശിക്കുന്ന പിണ്ഡം = പിണ്ഡം വിടുന്നത് + നിക്ഷേപിക്കപ്പെട്ടത് (± പ്രതികരണം).
# COD മാസ് ബാലൻസ് കൺട്രോൾ (kg/day) Q = 5000.0 KOI_input = 640.0 # mg/LKOI_output = 45.0 # mg/LdeŞARJ_LIMITI = ഒന്നുമില്ല # മനഃപൂർവ്വം ശൂന്യമാണ്: നിയമത്തിൽ നിന്ന് വായിക്കാൻ, അതിൽ ഉണ്ടാക്കിയതല്ല = Q * 1 kg COD_output / 1000.0 # 225 kg/day നീക്കം = ഇൻപുട്ട് - ഔട്ട്പുട്ട് പ്രിൻ്റ്("COD ഇൻപുട്ട്:", ഇൻപുട്ട്, "kg/day")print("COD ഔട്ട്പുട്ട്:", ഔട്ട്പുട്ട്, "kg/day")print("നീക്കം ചെയ്തു (ബയോളജിക്കൽ+സ്ലഡ്ജ്):", നീക്കംചെയ്തു, "kg/day പരിധി കവിയുന്നുണ്ടോ")# -> ലിമിറ്റ് നിയമത്തിൻ്റെ പ്രിൻ്റിൽ നിന്ന് വരണം ("ഔട്ട്പുട്ട്:", COD_output, "mg/L -> ഡിസ്ചാർജ് പരിധിയുമായി താരതമ്യം ചെയ്യുക (നിയമനിർമ്മാണം)")
ഇവിടെ നിർണ്ണായകമായ പോയിൻ്റ് deSARJ_LIMITI = കോഡിലെ വരി ഒന്നുമില്ല: ഞങ്ങൾ ഉദ്ദേശ്യത്തോടെ പരിധി ശൂന്യമാക്കി. AI നിങ്ങളോട് “COD പരിധി 120 mg/L ആണ്” എന്ന് പറഞ്ഞാൽ പോലും, നിങ്ങളുടെ വ്യവസായം, സ്വീകരിക്കുന്ന അന്തരീക്ഷം, സൗകര്യ തരം എന്നിവയ്ക്കായുള്ള ഔദ്യോഗിക നിയന്ത്രണ പട്ടികയിൽ നിന്ന് യഥാർത്ഥ പരിധി വായിക്കേണ്ടതാണ്. മാസ് ബാലൻസ് നിങ്ങളുടെ ഔട്ട്പുട്ട് കോൺസൺട്രേഷൻ പരിശോധിക്കുന്നു; പരിധിയുമായി താരതമ്യം ചെയ്യുന്നത് നിയമനിർമ്മാണം നിർണ്ണയിക്കുന്നു.
സ്ഥിരീകരണ ശൃംഖല
പടി
ഉറവിടം
അത് എന്താണ് സ്ഥിരീകരിക്കുന്നത്?
1. ഇൻപുട്ട് ഡാറ്റ
ഫ്ലോമീറ്റർ, അംഗീകൃത ലാബ്
അക്കൗണ്ടിൻ്റെ അസംസ്കൃത വസ്തു ശരിയാണോ?
2. അക്കൗണ്ട് നിയന്ത്രണം
കൈ/മേശ
AI ഗണിത കൃത്യമാണോ?
3. മാസ് ബാലൻസ്
പ്രവേശനം/പുറത്ത്/ചെളി
നിർദ്ദേശം ശാരീരികമായി സ്ഥിരതയുള്ളതാണോ?
4. ഡിസ്ചാർജ് പരിധി
ഔദ്യോഗിക നിയമനിർമ്മാണം
ഔട്ട്പുട്ട് ലഭ്യത
5. ഫീൽഡ്/മൈക്രോസ്കോപ്പ്
സാമ്പിൾ
രോഗനിർണയത്തിൻ്റെ യാഥാർത്ഥ്യം
മിനി കേസ്
ഒരു സൗകര്യത്തിൽ ഔട്ട്ലെറ്റ് പ്രക്ഷുബ്ധത വർദ്ധിക്കുമ്പോൾ, ഓപ്പറേറ്റർ AI-യോട് സാഹചര്യത്തെക്കുറിച്ച് ചോദിക്കുന്നു; "MLSS വളരെ കുറവാണ്, സ്ലഡ്ജ് റീസർക്കുലേഷൻ വർദ്ധിപ്പിക്കുക" എന്ന് മോഡൽ ശുപാർശ ചെയ്യുന്നു. ഓപ്പറേറ്റർ റീസർക്കുലേഷൻ വർദ്ധിപ്പിക്കുന്നു, പക്ഷേ പ്രശ്നം കൂടുതൽ വഷളാകുന്നു. സീനിയർ എഞ്ചിനീയർ മൈക്രോസ്കോപ്പിക് പരിശോധന അഭ്യർത്ഥിക്കുന്നു: പ്രശ്നം എംഎൽഎസ്എസ് കുറവല്ല, മറിച്ച് ഫിലമെൻ്റസ് ബാക്ടീരിയ മൂലമുണ്ടാകുന്ന വീക്കമാണ്. റിട്ടേൺ സൈക്കിൾ വർദ്ധിപ്പിക്കുന്നത് ഫിലമെൻ്റ് ലോഡ് കൂടുതൽ അവശിഷ്ട ടാങ്കിലേക്ക് നീക്കി. AI യുടെ നിർദ്ദേശം ന്യായമായ ഒരു സിദ്ധാന്തമായിരുന്നു, പക്ഷേ അത് ലബോറട്ടറി ഡാറ്റ ഉപയോഗിച്ച് സ്ഥിരീകരിക്കാതെ നടപ്പിലാക്കിയതിനാൽ അത് വിപരീതഫലമായി മാറി. ശരിയായ വഴി: ആദ്യം മൈക്രോസ്കോപ്പ്, പിന്നെ COO, F/M ക്രമീകരണം, തുടർന്ന് ഇടപെടൽ.
സാധാരണ തെറ്റുകൾ
- മൈക്രോസ്കോപ്പ്/ലാബ് പരിശോധന കൂടാതെ AI നിർദ്ദേശിച്ച ഇടപെടൽ നടപ്പിലാക്കുന്നു.
- കണക്കുകൂട്ടൽ ശരിയാണെന്നും ഇൻപുട്ട് ഡാറ്റയുടെ (ഫ്ലോ റേറ്റ്, സാമ്പിൾ) ഗുണനിലവാരത്തെ ചോദ്യം ചെയ്യുന്നില്ലെന്നും കരുതുക.
- നിയമനിർമ്മാണം സ്ഥിരീകരിക്കാതെ AI നൽകിയ ഡിസ്ചാർജ് പരിധി ഉപയോഗിക്കുന്നു.
- ഒരൊറ്റ പാരാമീറ്റർ (MLSS മാത്രം) നോക്കുകയും മുഴുവൻ സിസ്റ്റത്തെയും അവഗണിക്കുകയും ചെയ്യുന്നു (F/M, SRT, SVI, COO).
- മാസ് ബാലൻസ് പരിശോധിക്കാതെ റിപ്പോർട്ടിൽ "95% കാര്യക്ഷമത" പോലുള്ള നമ്പറുകൾ ഇടുന്നു.
- കാഴ്ച മങ്ങലിൽ നിന്ന് കുമിളകൾ ഉണ്ടാകുന്നതിൻ്റെ രോഗനിർണയം ഊഹിക്കുക, മൈക്രോസ്കോപ്പിക് സ്ഥിരീകരണം ഒഴിവാക്കുക.
ചുരുക്കത്തിൽ
- സജീവമാക്കിയ സ്ലഡ്ജ് മാനേജ്മെൻ്റിന് MLSS, MLVSS, F/M, SRT, SVI എന്നീ പാരാമീറ്ററുകൾ ഒരുമിച്ച് വായിക്കേണ്ടതുണ്ട്; അവ പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു.
- F/M, നീക്കംചെയ്യൽ കാര്യക്ഷമത തുടങ്ങിയ കണക്കുകൂട്ടലുകൾ ലളിതമാണ്, എന്നാൽ ഇൻപുട്ട് ഡാറ്റ കൃത്യമാണെങ്കിൽ മാത്രമേ ഫലം അർത്ഥപൂർണ്ണമാകൂ.
- ട്രബിൾഷൂട്ടിംഗിൽ പ്രോബബിലിറ്റി-ഓർഡർ ചെയ്ത അനുമാനങ്ങളുടെ ഒരു ലിസ്റ്റ് സൃഷ്ടിക്കുന്നതിൽ AI ശക്തമാണ്; ഇത് രോഗനിർണയം നടത്തുന്നില്ല.
- എല്ലാ AI നിർദ്ദേശങ്ങളും മാസ് ബാലൻസ് ഉള്ള ശാരീരിക സ്ഥിരതയ്ക്കായി പരീക്ഷിച്ചിരിക്കണം.
- ഡിസ്ചാർജ് പരിധി ഒരിക്കലും AI-യിൽ നിന്ന് എടുത്തിട്ടില്ല; സെക്ടറും സ്വീകരിക്കുന്ന അന്തരീക്ഷവും അനുസരിച്ച് ഔദ്യോഗിക നിയമനിർമ്മാണത്തിൽ നിന്ന് ഇത് വായിക്കുന്നു.
- അന്തിമ തീരുമാനം ലബോറട്ടറി (മൈക്രോസ്കോപ്പ്, അംഗീകൃത വിശകലനം), ഫീൽഡ് അളക്കൽ എന്നിവയിലൂടെയാണ് നടത്തുന്നത്; സീനിയർ ഇൻ്റേണിനെപ്പോലെ, AI ത്വരിതപ്പെടുത്തുന്നു, പക്ഷേ സ്ഥിരീകരിക്കുന്നില്ല.
ആപ്ലിക്കേഷൻ ടാസ്ക്
നിങ്ങളുടെ സ്വന്തം പ്ലാൻ്റിൽ നിന്നോ ഒരു സാങ്കൽപ്പിക ആക്റ്റിവേറ്റഡ് സ്ലഡ്ജ് പ്ലാൻ്റിൽ നിന്നോ ഒരു ഡാറ്റ സെറ്റ് സൃഷ്ടിക്കുക: ഫ്ലോ റേറ്റ്, ഇൻലെറ്റ്/ഔട്ട്ലെറ്റ് COD, BOD, MLSS, MLVSS, വായുസഞ്ചാര അളവ്, SVI. ആദ്യം F/M അനുപാതവും നീക്കംചെയ്യൽ കാര്യക്ഷമതയും സ്വമേധയാ കണക്കാക്കുകയും സാധാരണ ഡിസൈൻ ശ്രേണികളുമായി ഫലങ്ങൾ താരതമ്യം ചെയ്യുകയും ചെയ്യുക. തുടർന്ന്, ഈ സൗകര്യത്തിൽ ഒരു സ്ലഡ്ജ് സാഹചര്യം സൃഷ്ടിക്കുക, മുകളിലുള്ള "ശക്തമായ ട്രബിൾഷൂട്ടിംഗ് പ്രോംപ്റ്റ്" പാറ്റേൺ ഉപയോഗിച്ച് കാരണങ്ങളുടെ ഒരു സാധ്യതാ പട്ടികയും ഓരോ കാരണത്തിനും ഒരു പരിശോധനാ പരിശോധനയും AI-യോട് ആവശ്യപ്പെടുക. മോഡലിൻ്റെ ഔട്ട്പുട്ടിലെ ഓരോ നിർദ്ദേശവും ഒരു മാസ് ബാലൻസ് യുക്തിസഹിതം പട്ടികപ്പെടുത്തുക, ഏത് ലബോറട്ടറി പരിശോധന അത് സ്ഥിരീകരിക്കും. അവസാനമായി, നിങ്ങളുടെ ഔട്ട്പുട്ട് COD മൂല്യവുമായി താരതമ്യം ചെയ്യേണ്ട ഔദ്യോഗിക നിയന്ത്രണങ്ങളും പരാമീറ്ററുകളും ഒരു ഖണ്ഡികയിൽ എഴുതുക; ഈ പരിധിക്കായി AI-യോട് ആവശ്യപ്പെടരുത്, നിങ്ങൾ സ്ഥിരീകരണ ഉറവിടം വ്യക്തമാക്കുക.