Uchambuzi wa Data ya Kemikali na Python: pandas, Stoichiometry na Calibration

Faida:

• Uwezo wa kuweka matokeo ya nambari kwenye nambari ya Python iliyotekelezwa badala ya kubahatisha kwa maneno ya mfano wa lugha.
• Uwezo wa kuandika stoichiometry, hesabu na nambari ya kusafisha data kwa akili ya bandia na kuijaribu na sampuli zilizo na majibu yanayojulikana.
• Uwezo wa kuzuia makosa ya uchambuzi wa data kwa kutaja vitengo kila wakati na kuangalia mpangilio wao

Kemia imejaa nambari: uzani, ujazo, maadili ya kunyonya, mavuno, viwango. Kuchakata data hii mwenyewe ni polepole na kunakabiliwa na makosa. AI hutoa huduma mbili kuu hapa: (1) huandika msimbo wa Python ambao huchakata data, (2) huendesha nambari hiyo (katika mazingira ambayo inaweza kuendesha nambari) na inatoa matokeo ya kuamua. Kanuni muhimu ni hii: acha hesabu kwa matokeo ya msimbo uliotekelezwa, sio kwa "utabiri wa maneno" wa mfano wa lugha. Mfano wa lugha "142 × 0.05 ni nini?" wakati mwingine inaweza kujibu swali vibaya; lakini mstari wa Python anaoandika huhesabu kwa usahihi kila wakati. Katika kitengo hiki, tutajifunza uchanganuzi wa data ya kemikali na AI kwa falsafa hii.

Kwa nini msimbo ni bora kuliko kubahatisha kwa maneno?

Mfano wa lugha hufanya hesabu kwa "kutabiri matokeo iwezekanavyo"; kwa hivyo inaweza kuwa mbaya kwa idadi kubwa au calculus ya hatua nyingi. Ambapo katika Python usemi 142 * 0.05 ni wa kuamua: kila wakati unarudi 7.1. Kwa hivyo mkakati: usifanye AI ifanye hesabu, chapisha MSIMBO wa hesabu na uendeshe nambari. Kwa hivyo unatumia ubunifu wa AI (kuunda nambari) na kulemaza upande usioaminika (hesabu ya kichwa).

Kidokezo: Unapopata matokeo ya nambari kutoka kwa AI, sema "wakilisha hii na mstari wa Python." Nambari yenyewe inathibitisha akaunti na hukuruhusu kuiendesha na kuithibitisha. Ikiwa huoni nambari ya kuthibitisha, usiamini nambari hiyo.

Kazi za kawaida za uchambuzi wa data katika kemia

• Stoichiometry: mole, molekuli, reagent ya kuzuia, mavuno ya kinadharia, asilimia ya hesabu ya mavuno.
• Kuzingatia: molarity, dilution (M1V1 = M2V2), ubadilishaji wa ppm.
• Urekebishaji: Kuchora mstari wa kusawazisha kwa kutumia sheria ya Beer-Lambert (absorbance ∝ mkusanyiko) na kukokotoa kisichojulikana.
• Usafishaji wa data: jedwali za kusoma za vipimo na panda, vifaa vya kuripoti, mkengeuko wa wastani/wa kawaida.
• Visualization: kuchora curve calibration, kinetics grafu, titration curve.

Hatua kwa hatua: Uchambuzi salama wa data na AI

1. Bainisha data: Toa safu wima, vitengo, sampuli za safu kwa uwazi. Ikiwa hakuna kitengo, AI hufanya mawazo.
2. Uliza msimbo, sio matokeo: sema "Andika pandas/NumPy nambari inayohesabu hii".
3. Tekeleza msimbo: Iendeshe mwenyewe au katika mazingira ambayo yanaweza kuendesha msimbo.
4. Jaribu kwa kutumia kipochi rahisi: Jaribu msimbo kwa mfano mdogo ambapo unajua jibu.
5. Ukaguzi wa kitengo na utaratibu: Je, kipimo na ukubwa wa matokeo ni sawa kimaumbile?
6. Hati: Ongeza msimbo na towe kwenye daftari la majaribio (kitengo cha 8).

Violezo vinne vinavyoweza kunakiliwa

1) Stoichiometry na asilimia ya mavuno:

Mmenyuko: asidi salicylic (MA 138.12) + anhidridi asetiki -> aspirini (MA 180.16).Takwimu: 2.00 g ya asidi ya salicylic ilitumika, anhidridi ya asetiki ilizidi.Aspirin ilipatikana: 2.15 g.Kazi: Andika msimbo wa Python ambao hukokotoa uzani wa yilddefinetical na kukokotoa uzani wa molekuli ya kinadharia. chapisha matokeo katika vitengo.Usihesabu kwa kichwa; toa tu nambari inayoweza kutekelezwa.

2) Urekebishaji wa Bia-Lambert:

Data ya urekebishaji (mkusanyiko mol/L -> unyonyaji): 0.00->0.02, 0.02->0.21, 0.04->0.40, 0.06->0.62, 0.08->0.79. Sampuli ya kunyonya isiyojulikana: 0.50. Jukumu: Tekeleza urekebishaji wa mstari kwa numpy.polyfit, mteremko/ukata na Kokotoa R^2, tafuta mkusanyiko usiojulikana. Panga laini ya data + na matplotlib.

3) chati ya kipimo na pandas:

Nina CSV: safuwima = sampuli, weigh_g, volume_mL, absorbance. Kazi: soma pamoja na panda, hesabu mkusanyiko (g/L) kwa kila sampuli, weka alama kwenye safu mlalo kwa kunyonya < 0 kama si sahihi, toa msimbo ili kuchapisha tofauti ya wastani na std ya vikundi. Bainisha vitengo kwa mstari wa maoni.

4) Uthibitishaji wa akaunti ya dilution:

Ninataka kuandaa mililita 100 ya suluhisho la 0.05 M kutoka kwa suluhisho la hisa la 0.5 M. Kazi: Andika mstari wa Python unaokokotoa kiasi cha hisa kinachohitajika na M1V1=M2V2. Chapisha matokeo katika mL na uthibitishe kama maoni kwamba dilution ya mara 10 inatarajiwa kwa ukaguzi wa mantiki.

Mwongozo dhaifu / Mwongozo thabiti

Dhaifu:

Kiasi gani cha aspirini hutoka kwa gramu 2 za asidi ya salicylic?

AI inatoa nambari kutoka kwa kichwa; Ikiwa inakumbuka uzani wa Masi vibaya, matokeo yatapotoshwa na jinsi ilivyohesabiwa haitaonekana.

Nguvu:

Chukulia asidi salicylic MA=138.12, aspirin MA=180.16, uzito=2.00 g, toa 100%.Kazi: Andika msimbo wa chatu unaokokotoa wingi wa kinadharia wa aspirini; toa maoni kwa kila hatua (mole -> mol -> mass), chapisha matokeo katika g.

Tofauti: uzani wa molekuli iliyotolewa, nambari iliyoombwa, hatua zilizotolewa maoni, kitengo kimebainishwa. Matokeo yake ni sahihi na yanaweza kukaguliwa.

Utabiri wa maneno n.k. msimbo uliotekelezwa

Ukubwa

Mfano wa lugha utabiri wa maneno

Python kukimbia

Usahihi wa hesabu

Tofauti, hitilafu inaweza kutokea

Kuamua, hakika

Uwezo wa kukaguliwa

Kuharibika kwa mimba (haijulikani jinsi ilitoka)

Juu (msimbo unaonekana)

kujirudia

chini

juu

Ufuatiliaji wa kitengo

dhaifu

Inaweza kuwekwa wazi katika msimbo

Matumizi sahihi

Wazo, muundo wa jengo

Matokeo ya mwisho ya nambari

kesi ndogo

Kesi ya 1 - Hitilafu ya hesabu ya maneno. Mwanafunzi anauliza AI "0.0145 mol × 180.16 g/mol?" aliuliza; "2.72 g," AI ilisema. Kwa kweli ni 2.61g. Mwanafunzi aliposema "onyesha hii kwa Python", YZ aliandika 0.0145 * 180.16 na ikatoka kama 2,612; Jibu la kwanza la maneno halikuwa sahihi. Somo: pendelea msimbo hata kwa kuzidisha rahisi sana.

Kesi ya 2 - R² angalia urekebishaji. Mtumiaji mmoja alikuwa na urekebishaji wa Beer-Lambert; Inageuka R² = 0.981. AI ilisema "linear, kuaminika" lakini hatua katika mkusanyiko wa juu ilikuwa chini ya mstari (kueneza). Mtumiaji alipoona grafu, ilisogeza sehemu ya juu zaidi kutoka kwa safu ya mstari, R² iliongezeka hadi 0.999. Somo: R² pekee haitoshi; tazama mabaki/kiwanja.

Kesi ya 3 - kuchanganyikiwa kwa kitengo. Katika uchanganuzi mmoja haikuwa wazi ikiwa ukolezi ulikuwa mg/L au g/L; AI ilichukua g/L na matokeo yalikuwa na makosa mara 1000. Ilirekebishwa mtumiaji alipobainisha kwa uwazi kitengo cha safu wima. Somo: badilisha kitengo kila wakati, kwa kudhani AI ni ghali.

Makosa ya kawaida

• Kutegemea nambari ya maneno. Omba kila wakati na endesha msimbo badala ya kufanya hesabu za kiakili.
• Bila kubainisha kitengo. Kuchanganya mg/L na g/L, mL na L, husababisha hitilafu mara 1000.
• Sio kujaribu nambari. Kuomba kwa data kubwa bila kujaribu na mfano mdogo ambapo jibu linajulikana.
• Kwa kuzingatia R² kama kigezo pekee. Kuamini pointi zisizo za mstari bila kuziona kwa picha.
• Ruka kitendanishi cha majaribio. Kuhesabu mavuno ya kinadharia bila kubainisha kitendanishi kikwazo katika stoichiometry.
• Hatua muhimu ya kumiminika. Kuripoti matokeo kwa tarakimu 8 wakati kipimo ni tarakimu 3 muhimu.

Tahadhari: Hata nambari ambayo AI inaandika inaweza kuwa na makosa (jina la safu wima isiyo sahihi, fomula isiyo sahihi). Kuendesha nambari hufanya matokeo kuwa ya kuamua, lakini lazima uthibitishe kwa mfano unaojulikana kuwa nambari huhesabu jambo sahihi.

Kwa muhtasari

• Acha matokeo ya nambari kwa msimbo wa Python uliotekelezwa, sio kwa nadhani ya maneno ya modeli ya lugha.
• AI huandika haraka msimbo wa stoichiometry, hesabu, kusafisha data na taswira katika uchambuzi wa data ya kemikali.
• Weka vitengo kila wakati; Kuchanganyikiwa kwa kitengo ni kosa la gharama kubwa zaidi.
• Chunguza mabaki na grafu pamoja na R² katika urekebishaji.
• Jaribu nambari kwa mfano rahisi na jibu linalojulikana; Binadamu huthibitisha usahihi wa msimbo.

Jukumu la maombi

Kuwa na data ya urekebishaji au stoichiometry (ikiwa sivyo, tumia data ya Beer-Lambert hapo juu). Uliza AI kwa nambari ya Python ambayo hufanya uchambuzi (msimbo, sio matokeo). Endesha nambari; kisha ijaribu kwa sampuli ndogo ya majibu yanayojulikana. Uliza AI kwa maneno kwa hesabu sawa na ulinganishe matokeo mawili: kuna tofauti? Tafsiri njama ya R² na mabaki katika urekebishaji. Weka msimbo, pato, na maoni mafupi kwenye hati.

orodha ya ukaguzi

• [ ] Ninapata matokeo ya nambari kutoka kwa msimbo, sio kutoka kwa nadhani ya maneno.
• [ ] Ninaonyesha kwa uwazi kitengo cha kila safu wima ya data.
• [ ] Ninajaribu msimbo kwa sampuli ndogo ambayo jibu lake linajulikana.
• [ ] Ninafanya uchanganuzi wa mabaki/grafu karibu na R² katika urekebishaji.
• [ ] Ninabainisha kitendanishi kikwazo katika stoichiometry.
• [ ] Ninaripoti matokeo kwa tarakimu muhimu inayofaa.