Zyski:
- Możliwość wykorzystania sztucznej inteligencji jako wstępnej metody przewidywania i przewidywania (wkład grupowy) przewodnika po właściwościach termofizycznych i żądania dowolnej wartości.
- Możliwość wychwytywania halucynacji poprzez weryfikację każdej krytycznej cechy za pomocą wiarygodnej bazy danych (DIPPR/NIST) lub eksperymentu
- Umiejętność zrozumienia, że wybór materiału to decyzja o krytycznym znaczeniu dla bezpieczeństwa, która wymaga danych na temat korozji i autoryzowanego zatwierdzenia.
Każde obliczenie procesu ostatecznie sprowadza się do liczby: gęstości płynu, lepkości, pojemności cieplnej, prężności pary, temperatury wrzenia; uchwała; odporność materiału na korozję. Nazywa się je zbiorczo właściwościami termofizycznymi – wielkościami fizycznymi, które określają ciepło, przepływ i zachowanie fazowe substancji. Kolumna destylacyjna, wymiennik ciepła lub pompa są zaprojektowane prawidłowo tylko wtedy, gdy te cechy są prawidłowe. W tej jednostce dowiesz się, jak wykorzystać sztuczną inteligencję jako narzędzie do wstępnego przewidywania i porównywania w przewidywaniu właściwości i doborze materiałów (dobór metali, uszczelek, powłok, aby wytrzymać warunki procesu); ale dowiemy się dlaczego wartości te trzeba zweryfikować rzetelną bazą danych lub eksperymentem.
Krytyczna prawda jest następująca: oszacowanie cech jest numeryczną podstawą projektowania; Błąd rozprzestrzenia się na całe konto. Sztuczna inteligencja może z pewnością podać prężność pary lub lepkość, ale ta wartość może dotyczyć innego związku, może mieć niewłaściwą temperaturę lub może być całkowicie halucynacyjna. Zatem złota zasada danych cech: każda krytyczna cecha powinna opierać się na wiarygodnym źródle (DIPPR, NIST, karta katalogowa producenta) lub eksperymencie.
Wsparcie AI krok po kroku w przewidywaniu funkcji
1. Jakiej funkcji potrzebujesz i pod jakim warunkiem? Temperatura, ciśnienie, faza i stężenie zmieniają tę właściwość. Wartość przyjęta bez podania warunku AI jest myląca.
2. Wybór metody estymacji. Jeśli nie ma danych eksperymentalnych, sztuczna inteligencja przywołuje podejścia predykcyjne, takie jak metody wkładu grupowego — metody przewidujące właściwości poprzez rozbicie cząsteczki na części i dodanie wkładu każdej części; np. Joback, UNIFAC — i wyjaśnia, który z nich jest odpowiedni.
3. Wartość wstępna i niepewność. AI może podać wstępną wartość, ale na pewno w ramach „to jest prognoza, jej niepewność jest duża, zweryfikuj ją”. Zapytaj także sztuczną inteligencję o typowy margines błędu wartości.
4. Porównanie ze źródłem. Porównaj wartość AI z bazą danych termodynamiki lub arkuszem producenta. Jeżeli odchylenie jest duże, wartość nie jest używana.
5. Wstępna kontrola kompatybilności materiałowej. YZ przypomina o znanych zagrożeniach związanych z korozją/niekompatybilnością pary płyn-materiał (np. korozja wżerowa stali nierdzewnej w środowisku zawierającym chlorki). To jest ostrzeżenie; Ostatecznego wyboru dokonuje się na podstawie tabel kompatybilności i oceny ekspertów.
6. Filtr racjonalności. Czy wartość ma sens w kontekście rangi? Czy w przypadku wody gęstość wynosi około 1000 kg/m3? Proste sprawdzanie zamówień wychwytuje większość błędów.
Wskazówka: gdy poprosisz sztuczną inteligencję o wartość cechy, powiedz „określ źródło i metodę szacowania, powiedz mi, czy jest to eksperymentalne czy szacunkowe”. Jeśli sztuczna inteligencja nie może podać źródła, oznacz tę wartość jako domysł i zweryfikuj ją niezależnie.
Wybór materiału: bezpieczeństwo i trwałość
Wybór materiału to decyzja zarówno ekonomiczna, jak i istotna dla bezpieczeństwa. Niewłaściwy materiał może osłabić się w wyniku korozji, powodując pęknięcie zbiornika ciśnieniowego lub wyciek toksycznego płynu. Sztuczna inteligencja może przywołać listę materiałów wyjściowych i znane niezgodności; Jednak łączny wpływ temperatury, ciśnienia, stężenia i zanieczyszczeń jest złożony, a ostatecznego wyboru dokonuje się na podstawie danych inżynierii materiałowej (wykresy zgodności, dane dotyczące szybkości korozji) i, w razie potrzeby, testów.
Uwaga: Sztuczna inteligencja mówiąca „ten materiał nadaje się do tego płynu” nie stanowi gwarancji. W przypadku sprzętu pod ciśnieniem i płynów toksycznych/łatwopalnych wybór materiału wymaga zgody wykwalifikowanego inżyniera i zweryfikowanych danych dotyczących korozji.
trzy mini etui
Przypadek 1 — Szybka predykcja. Inżynier chciał wstępnie oszacować pojemność cieplną nowej mieszaniny rozpuszczalników, dla której w literaturze brakowało danych. Sztuczna inteligencja podała zakres za pomocą metody wkładu grupowego. Inżynier dokonał przybliżonego obliczenia energii na podstawie tej wstępnej wartości, a następnie zmierzył ją w laboratorium; pomiar mieścił się w granicach 6% przewidywanej wartości. Prognozowanie przyspieszyło planowanie, ale projektowanie zyskało wartość eksperymentalną.
Przypadek 2 — Złapano halucynację. YZ podał normalną temperaturę wrzenia związku jako 78°C. Kiedy inżynier porównał to z NIST, stwierdził, że rzeczywista wartość wynosiła 118°C; Sztuczna inteligencja pomyliła nazwę z innym podobnym związkiem. Porównanie ze źródłem zapobiegło wprowadzeniu błędu 40°C do projektu kolumny.
Przypadek 3 – Ostrzeżenie istotne. Firma YZ oznaczyła wybór stali nierdzewnej 304 na strumień wodny zawierający jony chlorkowe jako „ryzyko wżerów i pękania korozyjnego naprężeniowego” i podała bardziej odporny stop. Inżynier materiałowy potwierdził dane dotyczące kompatybilności i wybrał materiał z wyższego stopu. Sztuczna inteligencja wprowadziła ryzyko do porządku obrad, decyzja została podjęta na podstawie danych.
Cztery szablony do kopiowania
1) Przewidywanie funkcji (wymagane źródło):
Twoja rola: ekspert ds. budowy ciała. Związek: [nazwa/wzór], warunek: [T, P, faza]. Cecha, której chcę: [np. prężność pary]. Podaj: (1) wartość eksperymentalną i ŹRÓDŁO (DIPPR/NIST/producent), jeśli jest dostępne, (2) jeśli nie, metodę estymacji oraz wartość szacunkową i margines niepewności. Należy jasno określić, czy ma to charakter eksperymentalny, czy predykcyjny. Jeśli nie możesz podać źródła, oznacz je jako „przepowiednia wymagająca weryfikacji”. Nie fabrykuj wartości; Jeśli nie jesteś pewien, powiedz mi.
2) Przewodnik po metodach wkładu grupowego:
Mam związek, dla którego nie ma danych eksperymentalnych: [struktura/SMILES]. Która metoda wkładu grupowego (Joback, UNIFAC itp.) jest odpowiednia dla [nieruchomości] i dlaczego? Wyjaśnij etapy metody i wymagane parametry grupy. Podaj, że wynik jest szacunkiem i typowym marginesem błędu. Ostateczną wartość zweryfikuję za pomocą eksperymentu/bazy danych.
3) Porównanie/weryfikacja wartości:
Poniżej znajdują się wartości funkcji z różnych źródeł. Porównaj je w tabeli, oblicz odchylenie i oceń, które z nich jest bardziej wiarygodne (empiryczne > ocenione > przewidywane). Jeżeli odchylenie jest duże, należy zaznaczyć możliwą przyczynę (inny stan, inny izomer). Źródła: [wklej]
4) Wstępna kontrola kompatybilności materiałowej:
Płyn: [skład, stężenie, zanieczyszczenia], stan: [T, P].Materiały kandydujące: [lista]. Przypomnij sobie znane zagrożenia korozją/niekompatybilnością (wżery, pękanie naprężeniowe, ogólna korozja) dla każdego z nich. To jest skan WSTĘPNY; Ostateczny wybór wymaga danych dotyczących korozji i zgody autoryzowanego inżyniera. Wyraźnie zaznacz ryzykowne pary.
Słaba zachęta/silna zachęta
Słaba zachęta:
Jaka jest lepkość toluenu?
Bez ogrzewania i bez spawania. Sztuczna inteligencja podaje liczbę, ale nie jest jasne, w jakich warunkach i na ile jest ona wiarygodna.
Potężny monit:
Twoja rola: ekspert ds. budowy ciała. Lepkość dynamiczna dla toluenu w fazie ciekłej, 25°C, 1 atm. Podaj: wartość, jednostkę, ŹRÓDŁO i oszacowanie eksperymentalne. Jeśli to możliwe, podaj dwa niezależne źródła i zachowaj spójność. Jeśli nie możesz podać źródła, oznacz je jako domysł. Dopasowanie wartości. Wynik zweryfikuję za pomocą termodynamicznej bazy danych.
Różnica jest wyraźna: warunek, zakres zasobów i ramy walidacji udostępniają wartość.
Podział ról w podejmowaniu decyzji dotyczących cech i materiałów
biznes
Rola sztucznej inteligencji
Ludzka decyzja/źródło
Funkcja eksperymentalna
przypomnienie źródła
Potwierdzenie bazy danych
Chyba brak danych
Metoda + domyślna
Walidacja eksperymentu/bazy danych
Porównanie wartości
Tabela, odchylenie
ocena wiarygodności
Kandydaci materialni
przypomnienie o ryzyku
Dane dotyczące zgodności, zatwierdzenie
Kontrola rang
znakowanie
rozsądek fizyczny
Typowe błędy
- Korzystanie z wartości niepochodzących ze źródła. Każda krytyczna funkcja nadana przez sztuczną inteligencję jest potwierdzona przez bazę danych/eksperyment.
- Nie podając warunku. Wartość wzięta bez określenia temperatury/ciśnienia/fazy może należeć do nieprawidłowego stanu.
- Uznanie szacunkowej wartości za empiryczną. Szacunki wkładu Grupy są niepewne; Weź to pod uwagę przy projektowaniu.
- Dokonanie wyboru materiału za pomocą jednozdaniowego potwierdzenia. Korozja jest wieloczynnikowa; wymagane dane i potwierdzenie.
- Ominięcie kontroli rang. Proste pytanie „czy ta liczba ma sens?” kontrola wychwytuje większość halucynacji.
Podsumowując
AI w przewidywaniu własności i materiałów; To potężny asystent, który generuje wartości wstępne, przypomina o metodzie szacowania, porównuje wartości zasobów i sygnalizuje istotne ryzyka. Jednak każda krytyczna funkcja musi opierać się na niezawodnej bazie danych lub eksperymencie; Wybór materiału to decyzja o decydującym znaczeniu dla bezpieczeństwa, która wymaga danych na temat korozji i zgody autoryzowanego inżyniera. AI zapewnia przewidywania i ostrzeżenia; Inżynier łączy się ze źródłem, weryfikuje i dokonuje selekcji.
Zadanie aplikacji
Wybierz związek i właściwość (np. prężność pary rozpuszczalnika, 40°C). Uzyskaj wartość i jej źródło z AI za pomocą szablonu „Przewidywanie atrybutu (wymagany zasób)”; następnie porównaj to z termodynamiczną bazą danych i zanotuj odchylenie. Następnie użyj szablonu „wstępnego sprawdzania zgodności materiałów” dla pary płyn-materiał i potwierdź powstałe ryzyko za pomocą tabeli zgodności.
lista kontrolna
- Chciałem funkcji [ ] wraz z warunkiem (T, P, faza).
- [ ] Porównałem wartość podaną przez AI z wiarygodną bazą danych/eksperymentem.
- [ ] Odróżniłem wartości szacunkowe od eksperymentalnych i zanotowałem niepewność.
- [ ] Sprawdziłem dobór materiału na podstawie danych dotyczących korozji i autoryzowanych atestów.
- [ ] Do każdej krytycznej liczby zastosowałem kontrolę rangi/wiarygodności.