Keuntungan:
- Keupayaan untuk menggunakan kecerdasan buatan sebagai panduan ramalan dan kaedah ramalan (sumbangan kumpulan) awal untuk sifat termofizik dan meminta sebarang nilai.
- Keupayaan untuk menangkap halusinasi dengan mengesahkan setiap ciri kritikal dengan pangkalan data yang boleh dipercayai (DIPPR/NIST) atau percubaan
- Keupayaan untuk memahami bahawa pemilihan bahan adalah keputusan kritikal keselamatan yang memerlukan data kakisan dan kelulusan yang dibenarkan.
Setiap pengiraan proses akhirnya datang kepada nombor: ketumpatan bendalir, kelikatan, kapasiti haba, tekanan wap, takat didih; resolusi; rintangan sesuatu bahan terhadap kakisan. Ini secara kolektif dipanggil sifat termofizik - kuantiti fizik yang menentukan kelakuan haba, aliran dan fasa sesuatu bahan. Lajur penyulingan, penukar haba atau pam direka bentuk dengan betul hanya jika ciri ini betul. Dalam unit ini, anda akan belajar cara menggunakan kecerdasan buatan sebagai alat ramalan dan perbandingan awal dalam ramalan harta dan pemilihan bahan (pemilihan logam, gasket, salutan untuk menahan keadaan proses); tetapi kita akan belajar mengapa nilai ini perlu disahkan dengan pangkalan data atau percubaan yang boleh dipercayai.
Kebenaran kritikal ialah ini: anggaran ciri ialah asas berangka reka bentuk; Ralat di sini merebak ke seluruh akaun. AI mungkin memberikan tekanan wap atau kelikatan dengan yakin, tetapi nilai itu mungkin untuk sebatian lain, mungkin pada suhu yang salah, atau mungkin halusinasi sepenuhnya. Jadi peraturan emas data ciri: setiap ciri kritikal hendaklah berdasarkan sumber yang boleh dipercayai (DIPPR, NIST, helaian data pengilang) atau percubaan.
Sokongan AI langkah demi langkah untuk ramalan ciri
1. Apakah ciri yang anda perlukan, dalam keadaan apa? Suhu, tekanan, fasa dan kepekatan mengubah sifat. Nilai yang diambil tanpa memberikan syarat kepada AI adalah mengelirukan.
2. Memilih kaedah anggaran. Jika tiada data eksperimen, AI mengingati pendekatan ramalan seperti kaedah sumbangan kumpulan — kaedah yang meramalkan sifat dengan memecahkan molekul kepada bahagiannya dan menambah sumbangan setiap bahagian; cth. Joback, UNIFAC — dan terangkan mana yang sesuai.
3. Nilai awal dan ketidakpastian. AI boleh memberikan nilai awal, tetapi pastinya dalam rangka "ini adalah ramalan, ketidakpastiannya tinggi, sahkannya". Juga tanya AI tentang margin ralat biasa nilai.
4. Perbandingan dengan sumber. Bandingkan nilai AI kepada pangkalan data termodinamik atau helaian pengilang. Jika sisihan besar, nilai tidak digunakan.
5. Saringan awal keserasian bahan. YZ mengingati semula risiko kakisan/ketakserasian yang diketahui untuk pasangan bahan bendalir (cth. kakisan pitting keluli tahan karat dalam persekitaran yang mengandungi klorida). Ini adalah amaran awal; Pemilihan akhir dibuat oleh carta keserasian dan penilaian pakar.
6. Penapis kewajaran. Adakah nilai itu masuk akal dari segi pangkat? Untuk air, adakah ketumpatan sekitar ~1000 kg/m³? Semakan pesanan mudah menangkap kebanyakan ralat.
Petua: Apabila anda meminta AI untuk nilai ciri, sebut "nyatakan sumber dan kaedah anggaran, beritahu saya sama ada ia adalah percubaan atau anggaran." Jika AI tidak boleh memetik sumber, tandakan nilai itu sebagai tekaan dan sahkannya secara bebas.
Pemilihan bahan: keselamatan dan ketahanan
Pemilihan bahan adalah keputusan ekonomi dan kritikal keselamatan. Bahan yang salah boleh menjadi lemah dengan kakisan, menyebabkan bekas tekanan pecah atau cecair toksik bocor. AI boleh memanggil semula senarai bahan permulaan dan ketidakserasian yang diketahui; Tetapi kesan gabungan suhu, tekanan, kepekatan dan kekotoran adalah rumit dan pemilihan akhir dibuat oleh data kejuruteraan bahan (carta keserasian, data kadar kakisan) dan ujian di mana perlu.
Perhatian: AI mengatakan "bahan ini sesuai untuk cecair ini" bukanlah jaminan. Dalam kes peralatan bertekanan dan cecair toksik/mudah terbakar, pemilihan bahan memerlukan kelulusan jurutera yang berkelayakan dan data kakisan yang disahkan.
tiga kes mini
Kes 1 — Ramalan pantas. Seorang jurutera mahukan anggaran awal kapasiti haba untuk campuran pelarut baharu yang datanya terhad dalam literatur. AI memberikan julat melalui kaedah sumbangan kumpulan. Jurutera membuat pengiraan tenaga kasar dengan nilai awal ini, kemudian mengukurnya di makmal; pengukuran adalah dalam lingkungan 6% daripada ramalan. Peramalan mempercepatkan perancangan, tetapi reka bentuk beralih kepada nilai percubaan.
Kes 2 - Halusinasi ditangkap. YZ memberikan takat didih normal sebatian sebagai 78°C. Apabila jurutera membandingkannya dengan NIST, dia mendapati bahawa nilai sebenar ialah 118°C; AI telah mengelirukan nama dengan sebatian lain yang serupa. Perbandingan dengan sumber menghalang ralat 40°C daripada memasuki reka bentuk lajur.
Kes 3 — Amaran bahan. YZ menandakan pilihan keluli tahan karat 304 untuk aliran berair yang mengandungi ion klorida sebagai "risiko retakan kakisan dan tekanan" dan menyebut aloi yang lebih tahan. Jurutera bahan mengesahkan dengan data keserasian dan memilih bahan aloi yang lebih tinggi. AI membawa risiko ke agenda, keputusan dibuat dengan data.
Empat templat yang boleh disalin
1) Ramalan ciri (sumber diperlukan):
Peranan anda: pakar fizikal. Kompaun: [nama/formula], keadaan: [T, P, fasa]. Ciri yang saya mahu: [cth. tekanan wap]. Berikan: (1) nilai percubaan dan SUMBER (DIPPR/NIST/pengilang), jika ada, (2) jika tidak, kaedah anggaran dan nilai anggaran serta margin ketidakpastian. Nyatakan dengan jelas sama ada ia adalah eksperimen atau ramalan. Jika anda tidak boleh memetik sumber, tandai ia sebagai "ramalan yang memerlukan pengesahan". Jangan reka nilai; Jika anda tidak pasti, beritahu saya.
2) Panduan kaedah sumbangan kumpulan:
Saya mempunyai sebatian yang tiada data percubaan: [struktur/SENYUM]. Kaedah sumbangan kumpulan yang manakah (Joback, UNIFAC, dll.) yang sesuai untuk [harta], dan mengapa? Terangkan langkah-langkah kaedah dan parameter kumpulan yang diperlukan. Nyatakan bahawa hasilnya ialah anggaran dan margin ralat biasa. Saya akan mengesahkan nilai akhir dengan percubaan/pangkalan data.
3) Perbandingan/pengesahan nilai:
Di bawah ialah nilai daripada sumber yang berbeza untuk sesuatu ciri. Bandingkannya dalam jadual, kira sisihan, dan peringkatkan yang mana satu lebih dipercayai (empirikal > dinilai > diramal). Jika terdapat sisihan yang besar, tandakan punca yang mungkin (keadaan berbeza, isomer berbeza). Sumber: [tampal]
4) Saringan awal keserasian bahan:
Bendalir: [komposisi, kepekatan, kekotoran], keadaan: [T, P].Bahan calon: [senarai]. Ingat semula risiko kakisan/ketakserasian yang diketahui (pitting, retak tegasan, kakisan am) untuk setiap satu. Ini adalah imbasan AWAL; Pemilihan akhir memerlukan data kakisan dan kelulusan jurutera yang dibenarkan. Tandakan pasangan berisiko dengan jelas.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Apakah kelikatan toluena?
Tiada haba, tiada kimpalan. AI memberikan nombor, tetapi dalam keadaan apa dan sejauh mana ia boleh dipercayai adalah tidak jelas.
Gesaan kuat:
Peranan anda: pakar fizikal. Kelikatan dinamik untuk toluena dalam fasa cecair, 25°C, 1 atm. Berikan: nilai, unit, SUMBER dan anggaran percubaan. Jika boleh, berikan dua sumber bebas dan nyatakan konsistensi. Jika anda tidak boleh memetik sumbernya, tandakan ia sebagai tekaan. Kesesuaian nilai. Saya akan mengesahkan hasilnya dengan pangkalan data termodinamik.
Perbezaannya adalah jelas: syarat, mandat sumber dan rangka kerja pengesahan menjadikan nilai tersedia.
Pengagihan peranan dalam keputusan ciri dan material
perniagaan
Peranan AI
Keputusan/sumber manusia
Ciri eksperimen
peringatan sumber
Pengesahan pangkalan data
Tiada data, rasa
Kaedah + lalai
Eksperimen/pengesahan pangkalan data
Perbandingan nilai
Jadual, sisihan
penghakiman kebolehpercayaan
calon material
peringatan risiko
Data pematuhan, kelulusan
Kawalan pangkat
menanda
kewajaran fizikal
Kesilapan biasa
- Menggunakan nilai tidak bersumber. Setiap ciri kritikal yang diberikan oleh AI disahkan oleh pangkalan data/eksperimen.
- Tidak menyatakan syarat. Nilai yang diambil tanpa menyatakan suhu/tekanan/fasa mungkin tergolong dalam keadaan yang salah.
- Menganggap nilai anggaran sebagai empirikal. Anggaran sumbangan kumpulan tidak pasti; Ambil kira ini dalam reka bentuk.
- Membuat pemilihan bahan dengan pengesahan satu ayat. Kakisan adalah multivariate; data dan pengesahan diperlukan.
- Melangkaui semakan pangkat. Mudah "adakah nombor ini masuk akal?" kawalan menangkap kebanyakan halusinasi.
Secara ringkasnya
AI dalam ramalan harta dan bahan; Ia adalah pembantu yang berkuasa yang menjana nilai awal, mengingatkan anda tentang kaedah anggaran, membandingkan nilai sumber dan menandakan risiko material. Tetapi setiap ciri kritikal mesti berdasarkan pangkalan data atau percubaan yang boleh dipercayai; Pemilihan bahan ialah keputusan kritikal keselamatan yang memerlukan data kakisan dan kelulusan jurutera yang dibenarkan. AI menyediakan ramalan dan amaran; Jurutera menyambung kepada sumber, mengesahkan dan memilih.
Tugasan permohonan
Pilih sebatian dan sifat (cth. tekanan wap pelarut, 40°C). Dapatkan nilai dan sumbernya daripada AI dengan templat "Ramalan atribut (sumber diperlukan)"; kemudian bandingkan dengan pangkalan data termodinamik dan perhatikan sisihan. Kemudian gunakan templat "penyaringan keserasian bahan awal" untuk pasangan bahan cecair dan sahkan risiko yang terhasil dengan carta keserasian.
senarai semak
- Saya mahukan ciri [ ] bersama-sama dengan keadaan (T, P, fasa).
- [ ] Saya membandingkan nilai yang diberikan oleh AI dengan pangkalan data/eksperimen yang boleh dipercayai.
- [ ] Saya membezakan nilai anggaran daripada eksperimen dan mencatat ketidakpastian.
- [ ] Saya mengesahkan pemilihan bahan dengan data kakisan dan kelulusan yang dibenarkan.
- [ ] Saya menggunakan semakan pangkat/kebolehpercayaan pada setiap nombor kritikal.