Winst:
- Mogelijkheid om kunstmatige intelligentie te gebruiken als een voorlopige voorspelling en voorspellingsmethode (groepsbijdrage) als gids voor thermofysische eigenschappen en om elke waarde op te vragen.
- Mogelijkheid om hallucinaties vast te leggen door elk kritiek kenmerk te verifiëren met een betrouwbare database (DIPPR/NIST) of experiment
- Vermogen om te begrijpen dat materiaalkeuze een veiligheidskritische beslissing is waarvoor corrosiegegevens en geautoriseerde goedkeuring vereist zijn.
Elke procesberekening komt uiteindelijk neer op een getal: de dichtheid, viscositeit, warmtecapaciteit, dampdruk, kookpunt van een vloeistof; een resolutie; weerstand van een materiaal tegen corrosie. Dit worden gezamenlijk thermofysische eigenschappen genoemd: fysieke grootheden die de warmte-, stromings- en fasegedrag van een stof bepalen. Een destillatiekolom, een warmtewisselaar of een pomp is alleen correct ontworpen als deze kenmerken correct zijn. In dit onderdeel leer je hoe je kunstmatige intelligentie kunt gebruiken als een voorbereidend voorspellings- en vergelijkingsinstrument bij het voorspellen van eigenschappen en materiaalselectie (selectie van metalen, pakkingen, coatings om procesomstandigheden te weerstaan); maar we zullen leren waarom deze waarden moeten worden geverifieerd met een betrouwbare database of experiment.
De cruciale waarheid is deze: het schatten van kenmerken is de numerieke basis van ontwerp; Een fout hier verspreidt zich naar het hele account. AI kan vol vertrouwen een dampspanning of viscositeit aangeven, maar die waarde kan voor een andere verbinding gelden, kan op de verkeerde temperatuur zijn, of kan volledig hallucinant zijn. Dus de gouden regel voor kenmerkgegevens: elk kritisch kenmerk moet gebaseerd zijn op een betrouwbare bron (DIPPR, NIST, gegevensblad van de fabrikant) of op een experiment.
Stapsgewijze AI-ondersteuning voor functievoorspelling
1. Welke functie heb je nodig, onder welke voorwaarde? Temperatuur, druk, fase en concentratie veranderen de eigenschap. De waarde die wordt genomen zonder de voorwaarde aan de AI te geven, is misleidend.
2. Keuze van de schattingsmethode. Als er geen experimentele gegevens zijn, herinnert AI zich voorspellingsbenaderingen zoals methoden voor groepsbijdragen – methoden die eigenschappen voorspellen door het molecuul in zijn delen op te splitsen en de bijdragen van elk deel op te tellen; bijv. Joback, UNIFAC – en legt uit welke geschikt is.
3. Voorlopige waarde en onzekerheid. AI kan een voorlopige waarde geven, maar zeker binnen het kader van “dit is een voorspelling, de onzekerheid ervan is hoog, verifieer het”. Vraag de AI ook naar de typische foutmarge van de waarde.
4. Vergelijking met de bron. Vergelijk de waarde van AI met een thermodynamische database of een fabrikantenblad. Als de afwijking groot is, wordt de waarde niet gebruikt.
5. Voorafgaande screening van materiaalcompatibiliteit. YZ herinnert aan bekende corrosie-/incompatibiliteitsrisico's voor een vloeistof-materiaalpaar (bijvoorbeeld putcorrosie van roestvrij staal in een chloridehoudende omgeving). Dit is een waarschuwing; De uiteindelijke selectie wordt gemaakt op basis van compatibiliteitstabellen en deskundige evaluatie.
6. Redelijkheidsfilter. Is de waarde zinvol in termen van rang? Voor water: ligt de dichtheid rond ~1000 kg/m³? Met een eenvoudige ordercontrole worden de meeste fouten opgespoord.
Tip: Wanneer je de AI om een kenmerkwaarde vraagt, zeg dan “specificeer de bron en de schattingsmethode, vertel me of deze experimenteel of geschat is.” Als AI geen bron kan noemen, markeer die waarde dan als een gok en verifieer deze onafhankelijk.
Materiaalkeuze: veiligheid en duurzaamheid
Materiaalkeuze is zowel een economische als veiligheidskritische beslissing. Het verkeerde materiaal kan door corrosie verzwakken, waardoor een drukvat barst of een giftige vloeistof lekt. De AI kan zich een lijst met uitgangsmaterialen en bekende onverenigbaarheden herinneren; Maar de gecombineerde effecten van temperatuur, druk, concentratie en onzuiverheden zijn complex en de uiteindelijke selectie wordt gemaakt op basis van materiaaltechnische gegevens (compatibiliteitsgrafieken, gegevens over corrosiesnelheid) en testen waar nodig.
Let op: AI die zegt "dit materiaal is geschikt voor deze vloeistof" is geen garantie. In het geval van apparatuur onder druk en giftige/ontvlambare vloeistoffen vereist de materiaalkeuze de goedkeuring van een gekwalificeerde ingenieur en geverifieerde corrosiegegevens.
drie minikoffers
Geval 1 — Snelle voorspelling. Een ingenieur wilde een voorlopige schatting van de warmtecapaciteit voor een nieuw oplosmiddelmengsel, waarover in de literatuur weinig gegevens beschikbaar waren. De AI gaf een bereik via een groepsbijdragemethode. De ingenieur maakte met deze voorlopige waarde een ruwe energieberekening en liet deze vervolgens in het laboratorium meten; de meting lag binnen 6% van de voorspelling. Het voorspellen versnelde de planning, maar het ontwerp verschoof naar experimentele waarde.
Geval 2 – Hallucinatie betrapt. YZ gaf het normale kookpunt van een verbinding aan als 78°C. Toen de ingenieur het met NIST vergeleek, ontdekte hij dat de werkelijke waarde 118°C was; De AI had de naam verward met een andere soortgelijke verbinding. Vergelijking met een bron voorkwam dat een fout van 40°C in het kolomontwerp terechtkwam.
Geval 3 — Materiële waarschuwing. YZ markeerde de keuze voor 304 roestvrij staal voor een chloride-ionenhoudende waterstroom als "risico op putcorrosie en spanningscorrosie" en noemde een resistentere legering. De materiaalingenieur bevestigde dit met compatibiliteitsgegevens en selecteerde een materiaal met een hogere legering. AI bracht het risico op de agenda, de beslissing werd genomen met data.
Vier kopieerbare sjablonen
1) Functievoorspelling (bron vereist):
Jouw rol: lichaamsbouwexpert. Verbinding: [naam/formule], voorwaarde: [T, P, fase]. Functie die ik wil: [bijv. dampdruk]. Geef: (1) experimentele waarde en SOURCE (DIPPR/NIST/fabrikant), indien beschikbaar, (2) indien niet, schattingsmethode en geschatte waarde en onzekerheidsmarge. Geef duidelijk aan of het experimenteel of voorspellend is. Als u een bron niet kunt citeren, markeer deze dan als 'voorspelling die moet worden geverifieerd'. Verzin de waarde niet; Als je het niet zeker weet, vertel het me dan.
2) Methodegids voor groepsbijdragen:
Ik heb een verbinding waarvoor geen experimentele gegevens bestaan: [structuur/SMILES]. Welke groepsbijdragemethode (Joback, UNIFAC, etc.) is geschikt voor [onroerend goed], en waarom? Leg de stappen van de methode en de vereiste groepsparameters uit. Geef aan dat het resultaat een schatting is en dat de typische foutmarge wordt aangegeven. Ik zal de uiteindelijke waarde verifiëren met experiment/database.
3) Waardevergelijking/verificatie:
Hieronder staan waarden uit verschillende bronnen voor een functie. Vergelijk ze in een tabel, bereken de afwijking en rangschik welke betrouwbaarder is (empirisch > geëvalueerd > voorspeld). Als er een grote afwijking is, markeer dan de mogelijke oorzaak (andere aandoening, ander isomeer). Bronnen: [plakken]
4) Voorafgaande screening van materiaalcompatibiliteit:
Vloeistof: [samenstelling, concentratie, onzuiverheden], toestand: [T, P]. Kandidaatmaterialen: [lijst]. Denk bij elk ervan aan de bekende risico's op corrosie/incompatibiliteit (putvorming, spanningsscheuren, algemene corrosie). Dit is een VOORLOPIGE scan; De definitieve selectie vereist corrosiegegevens en goedkeuring van een geautoriseerde ingenieur. Markeer duidelijk risicovolle paren.
Zwakke prompt/sterke prompt
Zwakke prompt:
Wat is de viscositeit van tolueen?
Geen hitte, geen laswerk. AI geeft een getal, maar onder welke voorwaarden en hoe betrouwbaar het is, is onduidelijk.
Krachtige prompt:
Jouw rol: lichaamsbouwexpert. Dynamische viscositeit voor tolueen in vloeibare fase, 25°C, 1 atm. Geef: waarde, eenheid, BRON en experimentele schatting. Geef indien mogelijk twee onafhankelijke bronnen en vermeld consistentie. Als u de bron niet kunt vermelden, markeer deze dan als een gok. Waarde passend. Ik zal het resultaat verifiëren met een thermodynamische database.
Het verschil is duidelijk: de voorwaarde, het mandaat van de middelen en het validatieraamwerk maken de waarde beschikbaar.
Rolverdeling bij beslissing over kenmerken en materialen
zaken
Rol van AI
Menselijke beslissing/bron
Experimentele functie
bronherinnering
Databasebevestiging
Geen gegevens, denk dat
Methode + standaard
Experiment-/databasevalidatie
Waardevergelijking
Tabel, afwijking
betrouwbaarheid oordeel
Materiële kandidaten
risico herinnering
Nalevingsgegevens, goedkeuring
Rangcontrole
markering
fysieke redelijkheid
Veel voorkomende fouten
- Ongesourcete waarde gebruiken. Elk kritisch kenmerk dat door de AI wordt gegeven, wordt bevestigd door de database/experiment.
- Staat niet vermeld. De waarde die is genomen zonder de temperatuur/druk/fase op te geven, behoort mogelijk tot de verkeerde toestand.
- De geschatte waarde als empirisch beschouwen. Schattingen van de groepsbijdragen zijn onzeker; Houd hier bij het ontwerp rekening mee.
- Materiaalselectie maken met een bevestiging van één zin. Corrosie is multivariabel; gegevens en bevestiging vereist.
- De rangcontrole omzeilen. Een simpele “is dit nummer logisch?” controle vangt de meeste hallucinaties op.
Samengevat
AI bij het voorspellen van eigendommen en materialen; Het is een krachtige assistent die voorlopige waarden genereert, u herinnert aan de schattingsmethode, de waarden van hulpbronnen vergelijkt en materiële risico’s signaleert. Maar elk kritisch kenmerk moet gebaseerd zijn op een betrouwbare database of experiment; Materiaalkeuze is een veiligheidskritische beslissing waarvoor corrosiegegevens en goedkeuring van een geautoriseerde ingenieur vereist zijn. AI zorgt voor voorspellingen en waarschuwingen; De engineer maakt verbinding met de bron, verifieert en selecteert.
Applicatie taak
Selecteer een verbinding en een eigenschap (bijvoorbeeld dampdruk van een oplosmiddel, 40°C). Haal de waarde en de bron ervan op van de AI met de sjabloon "Kenmerkvoorspelling (resource vereist)"; vergelijk het vervolgens met een thermodynamische database en noteer de afwijking. Gebruik vervolgens het sjabloon ‘voorlopige materiaalcompatibiliteitsscreening’ voor een vloeistof-materiaalpaar en bevestig de daaruit voortvloeiende risico’s met een compatibiliteitstabel.
controlelijst
- Ik wilde de functie [ ] samen met de voorwaarde (T, P, fase).
- [ ] Ik heb de door de AI gegeven waarde vergeleken met een betrouwbare database/experiment.
- [ ] Ik maakte onderscheid tussen geschatte waarden en experimentele waarden en noteerde de onzekerheid.
- [ ] Ik heb de materiaalkeuze geverifieerd met corrosiegegevens en geautoriseerde goedkeuring.
- [ ] Ik heb op elk kritisch getal een rang-/plausibiliteitscontrole toegepast.