การทำนายวัสดุและคุณสมบัติ: คุณสมบัติทางอุณหฟิสิกส์และการเลือกใช้วัสดุ

กำไร:

• ความสามารถในการใช้ปัญญาประดิษฐ์เป็นคำแนะนำเบื้องต้นและวิธีการทำนาย (การมีส่วนร่วมของกลุ่ม) สำหรับคุณสมบัติทางอุณหฟิสิกส์และขอค่าใดๆ
• ความสามารถในการจับภาพหลอนโดยการตรวจสอบคุณลักษณะที่สำคัญแต่ละอย่างด้วยฐานข้อมูลหรือการทดลองที่เชื่อถือได้ (DIPPR/NIST)
• ความสามารถในการทำความเข้าใจว่าการเลือกวัสดุเป็นการตัดสินใจที่มีความสำคัญต่อความปลอดภัยซึ่งต้องใช้ข้อมูลการกัดกร่อนและการอนุมัติที่ได้รับอนุญาต

ในที่สุดการคำนวณทุกกระบวนการก็ลงมาเป็นตัวเลข เช่น ความหนาแน่นของของเหลว ความหนืด ความจุความร้อน ความดันไอ จุดเดือด; ความละเอียด; ความต้านทานของวัสดุต่อการกัดกร่อน สิ่งเหล่านี้เรียกรวมกันว่าคุณสมบัติทางอุณหฟิสิกส์ - ปริมาณทางกายภาพที่กำหนดพฤติกรรมความร้อน การไหล และเฟสของสาร คอลัมน์การกลั่น ตัวแลกเปลี่ยนความร้อน หรือปั๊มได้รับการออกแบบอย่างถูกต้องหากคุณสมบัติเหล่านี้ถูกต้องเท่านั้น ในหน่วยนี้ คุณจะได้เรียนรู้วิธีใช้ปัญญาประดิษฐ์เป็นเครื่องมือทำนายและเปรียบเทียบเบื้องต้นในการทำนายคุณสมบัติและการเลือกวัสดุ (การเลือกโลหะ ปะเก็น การเคลือบเพื่อให้ทนทานต่อสภาวะของกระบวนการ) แต่เราจะเรียนรู้ว่าทำไมค่าเหล่านี้จึงต้องได้รับการตรวจสอบด้วยฐานข้อมูลหรือการทดลองที่เชื่อถือได้

ความจริงที่สำคัญคือ: การประมาณค่าคุณลักษณะเป็นพื้นฐานเชิงตัวเลขของการออกแบบ ข้อผิดพลาดจะแพร่กระจายไปยังทั้งบัญชี AI อาจให้ความดันไอหรือความหนืดอย่างมั่นใจ แต่ค่านั้นอาจเป็นค่าของสารประกอบอื่น อาจมีอุณหภูมิไม่ถูกต้อง หรืออาจทำให้ประสาทหลอนโดยสิ้นเชิง ดังนั้นกฎทองของข้อมูลคุณลักษณะ: คุณลักษณะที่สำคัญทั้งหมดควรอิงตามแหล่งที่มาที่เชื่อถือได้ (DIPPR, NIST, เอกสารข้อมูลของผู้ผลิต) หรือการทดลอง

การสนับสนุน AI ทีละขั้นตอนสำหรับการคาดการณ์คุณสมบัติ

1. คุณต้องการคุณสมบัติใดภายใต้เงื่อนไขใด อุณหภูมิ ความดัน เฟส และความเข้มข้นเปลี่ยนแปลงคุณสมบัติ ค่าที่ถ่ายโดยไม่ให้เงื่อนไขแก่ AI นั้นทำให้เข้าใจผิด

2. การเลือกวิธีการประมาณค่า หากไม่มีข้อมูลการทดลอง AI จะเรียกคืนวิธีการทำนาย เช่น วิธีการแบ่งกลุ่ม วิธีการทำนายคุณสมบัติโดยการแบ่งโมเลกุลออกเป็นส่วน ๆ และเพิ่มการมีส่วนร่วมของแต่ละส่วน เช่น Joback, UNIFAC — และอธิบายว่าอันไหนเหมาะสม

3.มูลค่าเบื้องต้นและความไม่แน่นอน AI สามารถให้ค่าเบื้องต้นได้ แต่ภายในกรอบของ "นี่คือการคาดการณ์ ความไม่แน่นอนสูง ตรวจสอบได้" นอกจากนี้ ให้ถาม AI เกี่ยวกับระยะขอบของข้อผิดพลาดทั่วไปของค่าด้วย

4. เปรียบเทียบกับแหล่งที่มา เปรียบเทียบค่าของ AI กับฐานข้อมูลอุณหพลศาสตร์หรือเอกสารของผู้ผลิต หากค่าเบี่ยงเบนมาก จะไม่ใช้ค่า

5. การคัดกรองเบื้องต้นเกี่ยวกับความเข้ากันได้ของวัสดุ YZ เรียกคืนความเสี่ยงต่อการกัดกร่อน/ความไม่เข้ากันที่ทราบสำหรับคู่ของของเหลว-วัสดุ (เช่น การกัดกร่อนแบบรูพรุนของเหล็กกล้าไร้สนิมในสภาพแวดล้อมที่มีคลอไรด์) นี่เป็นการเตือนล่วงหน้า การคัดเลือกขั้นสุดท้ายจะทำโดยแผนภูมิความเข้ากันได้และการประเมินโดยผู้เชี่ยวชาญ

6. ตัวกรองความสมเหตุสมผล ค่านั้นสมเหตุสมผลในแง่ของอันดับหรือไม่? สำหรับน้ำ มีความหนาแน่นประมาณ ~1,000 กิโลกรัม/ลบ.ม. หรือไม่ การตรวจสอบคำสั่งอย่างง่ายจะตรวจจับข้อผิดพลาดได้มากที่สุด

เคล็ดลับ: เมื่อคุณขอค่าฟีเจอร์จาก AI ให้พูดว่า “ระบุแหล่งที่มาและวิธีการประมาณค่า บอกฉันว่าเป็นค่าทดลองหรือประมาณการ” หาก AI ไม่สามารถอ้างอิงแหล่งที่มาได้ ให้ทำเครื่องหมายค่านั้นเป็นการเดาและตรวจสอบด้วยตนเอง

การเลือกใช้วัสดุ: ความปลอดภัยและความทนทาน

การเลือกใช้วัสดุถือเป็นการตัดสินใจที่มีความสำคัญทางเศรษฐกิจและความปลอดภัย วัสดุที่ไม่ถูกต้องอาจทำให้อ่อนตัวลงด้วยการกัดกร่อน ส่งผลให้ภาชนะรับความดันแตกหรือของเหลวที่เป็นพิษรั่วไหล AI สามารถเรียกคืนรายการวัสดุเริ่มต้นและความไม่เข้ากันที่ทราบได้ แต่ผลกระทบที่รวมกันของอุณหภูมิ ความดัน ความเข้มข้น และสิ่งสกปรกนั้นซับซ้อน และการคัดเลือกขั้นสุดท้ายจะกระทำโดยข้อมูลทางวิศวกรรมวัสดุ (แผนภูมิความเข้ากันได้ ข้อมูลอัตราการกัดกร่อน) และการทดสอบตามที่จำเป็น

ข้อควรสนใจ: AI ที่บอกว่า "วัสดุนี้เหมาะสำหรับของเหลวนี้" ไม่ได้เป็นการรับประกัน ในกรณีของอุปกรณ์ที่มีแรงดันและของเหลวที่เป็นพิษ/ไวไฟ การเลือกวัสดุต้องได้รับการอนุมัติจากวิศวกรที่มีคุณสมบัติเหมาะสมและข้อมูลการกัดกร่อนที่ได้รับการตรวจสอบแล้ว

มินิเคสสามอัน

กรณีที่ 1 — การทำนายอย่างรวดเร็ว วิศวกรคนหนึ่งต้องการประมาณความจุความร้อนเบื้องต้นสำหรับส่วนผสมตัวทำละลายใหม่ซึ่งมีข้อมูลไม่เพียงพอในรายงาน AI ให้ช่วงผ่านวิธีการสนับสนุนกลุ่ม วิศวกรทำการคำนวณพลังงานคร่าวๆ ด้วยค่าเบื้องต้นนี้ จากนั้นจึงทำการวัดในห้องปฏิบัติการ การวัดอยู่ภายใน 6% ของการคาดการณ์ การพยากรณ์เร่งการวางแผน แต่การออกแบบเปลี่ยนไปเป็นมูลค่าการทดลอง

กรณีที่ 2 — มีอาการประสาทหลอน YZ ให้จุดเดือดปกติของสารประกอบเป็น 78°C เมื่อวิศวกรเปรียบเทียบกับ NIST เขาพบว่าค่าจริงคือ 118°C; AI ได้สับสนชื่อกับสารประกอบอื่นที่คล้ายคลึงกัน การเปรียบเทียบกับแหล่งที่มาช่วยป้องกันข้อผิดพลาด 40°C ไม่ให้เข้าสู่การออกแบบคอลัมน์

กรณีที่ 3 — คำเตือนเกี่ยวกับวัสดุ YZ ทำเครื่องหมายตัวเลือกสเตนเลสสตีล 304 สำหรับกระแสน้ำที่มีคลอไรด์ไอออนเป็น "ความเสี่ยงของการเกิดรูพรุนและการกัดกร่อนจากความเครียด" และอ้างถึงโลหะผสมที่มีความทนทานมากกว่า วิศวกรวัสดุยืนยันด้วยข้อมูลความเข้ากันได้และเลือกวัสดุโลหะผสมที่สูงกว่า AI นำความเสี่ยงมาสู่วาระการประชุม การตัดสินใจเกิดขึ้นจากข้อมูล

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การทำนายคุณสมบัติ (ต้องระบุแหล่งที่มา):

บทบาทของคุณ: ผู้เชี่ยวชาญด้านร่างกาย สารประกอบ: [ชื่อ/สูตร] เงื่อนไข: [T, P, เฟส] คุณสมบัติที่ฉันต้องการ: [เช่น ความดันไอ] ให้: (1) มูลค่าการทดลองและแหล่งที่มา (DIPPR/NIST/ผู้ผลิต) หากมี (2) หากไม่มี วิธีการประมาณค่าและมูลค่าโดยประมาณและส่วนต่างของความไม่แน่นอน ระบุให้ชัดเจนว่าเป็นการทดลองหรือการคาดการณ์ หากคุณไม่สามารถอ้างอิงแหล่งที่มาได้ ให้ทำเครื่องหมายว่าเป็น "การคาดการณ์ที่ต้องตรวจสอบ" อย่าสร้างมูลค่าขึ้นมา หากคุณไม่แน่ใจบอกฉัน

2) คู่มือวิธีการสนับสนุนกลุ่ม:

ฉันมีสารประกอบที่ไม่มีข้อมูลการทดลอง: [โครงสร้าง/SMILES] วิธีการบริจาคแบบกลุ่มใด (Joback, UNIFAC ฯลฯ) เหมาะกับ [ทรัพย์สิน] และเพราะเหตุใด อธิบายขั้นตอนของวิธีการและพารามิเตอร์กลุ่มที่จำเป็น ระบุว่าผลลัพธ์เป็นการประมาณการและส่วนต่างของข้อผิดพลาดโดยทั่วไป ฉันจะตรวจสอบค่าสุดท้ายด้วยการทดลอง/ฐานข้อมูล

3) การเปรียบเทียบ/การตรวจสอบมูลค่า:

ด้านล่างนี้คือค่าจากแหล่งที่มาต่างๆ สำหรับฟีเจอร์ เปรียบเทียบในตาราง คำนวณค่าเบี่ยงเบน และจัดอันดับว่าค่าใดเชื่อถือได้มากกว่า (เชิงประจักษ์ > ประเมิน > คาดการณ์) หากมีการเบี่ยงเบนมาก ให้ทำเครื่องหมายสาเหตุที่เป็นไปได้ (สภาวะต่างกัน ไอโซเมอร์ต่างกัน) แหล่งที่มา: [วาง]

4) การคัดกรองเบื้องต้นเกี่ยวกับความเข้ากันได้ของวัสดุ:

ของไหล: [องค์ประกอบ ความเข้มข้น สิ่งเจือปน], สภาพสินค้า: [T, P] วัสดุที่เป็นตัวเลือก: [รายการ] ระลึกถึงความเสี่ยงต่อการกัดกร่อน/ความไม่เข้ากันที่ทราบ (หลุม การแตกร้าวจากความเครียด การกัดกร่อนทั่วไป) สำหรับแต่ละความเสี่ยง นี่คือการสแกนเบื้องต้น การคัดเลือกขั้นสุดท้ายต้องใช้ข้อมูลการกัดกร่อนและการอนุมัติจากวิศวกรที่ได้รับอนุญาต ทำเครื่องหมายคู่ความเสี่ยงอย่างชัดเจน

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

โทลูอีนมีความหนืดเท่าใด?

ไม่มีความร้อนไม่มีการเชื่อม AI ให้ตัวเลข แต่ภายใต้เงื่อนไขใดและความน่าเชื่อถือนั้นยังไม่ชัดเจน

พรอมต์อันทรงพลัง:

บทบาทของคุณ: ผู้เชี่ยวชาญด้านร่างกาย ความหนืดไดนามิกของโทลูอีนในสถานะของเหลว 25°C 1 atm ให้: มูลค่า หน่วย แหล่งที่มา และการประมาณการเชิงทดลอง หากเป็นไปได้ ให้ระบุแหล่งข้อมูลอิสระสองแห่งและความสอดคล้องของรัฐ หากคุณไม่สามารถอ้างอิงแหล่งที่มาได้ ให้ทำเครื่องหมายว่าเป็นการเดา คุ้มค่า. ฉันจะตรวจสอบผลลัพธ์ด้วยฐานข้อมูลทางอุณหพลศาสตร์

ความแตกต่างที่ชัดเจน: เงื่อนไข คำสั่งทรัพยากร และกรอบงานการตรวจสอบทำให้ค่าพร้อมใช้งาน

การกระจายบทบาทในการตัดสินใจคุณลักษณะและวัสดุ

ธุรกิจ

บทบาทของเอไอ

การตัดสินใจ/แหล่งที่มาของมนุษย์

คุณสมบัติการทดลอง

การแจ้งเตือนแหล่งที่มา

การยืนยันฐานข้อมูล

ไม่มีข้อมูลเดา

วิธีการ + ค่าเริ่มต้น

การตรวจสอบการทดลอง/ฐานข้อมูล

การเปรียบเทียบค่า

ตารางส่วนเบี่ยงเบน

การตัดสินความน่าเชื่อถือ

ผู้สมัครที่เป็นวัสดุ

การแจ้งเตือนความเสี่ยง

ข้อมูลการปฏิบัติตามข้อกำหนด การอนุมัติ

การควบคุมอันดับ

การทำเครื่องหมาย

ความสมเหตุสมผลทางกายภาพ

ข้อผิดพลาดทั่วไป

• การใช้มูลค่าที่ไม่มีแหล่งที่มา ทุกฟีเจอร์ที่สำคัญที่ให้โดย AI ได้รับการยืนยันจากฐานข้อมูล/การทดลอง
• ไม่บอกสถานะ.. ค่าที่ถ่ายโดยไม่ระบุอุณหภูมิ/ความดัน/เฟสอาจอยู่ในสภาวะที่ไม่ถูกต้อง
• เข้าใจผิดว่าค่าประมาณเป็นค่าเชิงประจักษ์ การประมาณการการมีส่วนร่วมของกลุ่มไม่แน่นอน คำนึงถึงสิ่งนี้ในการออกแบบ
• การเลือกวัสดุด้วยการยืนยันเพียงประโยคเดียว การกัดกร่อนมีหลายตัวแปร ข้อมูลและการยืนยันที่จำเป็น
• ผ่านการเช็คอันดับ คำง่ายๆ “ตัวเลขนี้สมเหตุสมผลไหม” การควบคุมจะจับภาพหลอนได้มากที่สุด

โดยสรุป

AI ในการทำนายทรัพย์สินและวัสดุ เป็นผู้ช่วยอันทรงพลังที่สร้างมูลค่าเบื้องต้น เตือนคุณถึงวิธีการประมาณค่า เปรียบเทียบมูลค่าทรัพยากร และแจ้งความเสี่ยงด้านวัสดุ แต่คุณลักษณะที่สำคัญทั้งหมดจะต้องอยู่บนพื้นฐานของฐานข้อมูลหรือการทดลองที่เชื่อถือได้ การเลือกวัสดุเป็นการตัดสินใจที่มีความสำคัญด้านความปลอดภัยซึ่งต้องใช้ข้อมูลการกัดกร่อนและการอนุมัติจากวิศวกรที่ได้รับอนุญาต AI ให้การคาดการณ์และคำเตือน วิศวกรเชื่อมต่อกับแหล่งที่มา ตรวจสอบ และเลือก

งานสมัคร

เลือกสารประกอบและคุณสมบัติ (เช่น ความดันไอของตัวทำละลาย 40°C) รับค่าและแหล่งที่มาจาก AI ด้วยเทมเพลต "การทำนายแอตทริบิวต์ (ต้องใช้ทรัพยากร)" แล้วเปรียบเทียบกับฐานข้อมูลทางอุณหพลศาสตร์และจดบันทึกค่าเบี่ยงเบน จากนั้นใช้เทมเพลต “การคัดกรองความเข้ากันได้เบื้องต้นของวัสดุ” สำหรับคู่ของวัสดุของเหลว และยืนยันความเสี่ยงที่เกิดขึ้นด้วยแผนภูมิความเข้ากันได้

รายการตรวจสอบ

• ฉันต้องการคุณสมบัติ [ ] พร้อมกับเงื่อนไข (T, P, เฟส)
• [ ] ฉันเปรียบเทียบค่าที่ AI มอบให้กับฐานข้อมูล/การทดลองที่เชื่อถือได้
• [ ] ฉันแยกแยะค่าประมาณจากการทดลองและสังเกตความไม่แน่นอน
• [ ] ฉันตรวจสอบการเลือกวัสดุด้วยข้อมูลการกัดกร่อนและการอนุมัติที่ได้รับอนุญาต
• [ ] ฉันใช้การตรวจสอบอันดับ/ความน่าเชื่อถือกับจำนวนวิกฤตแต่ละตัว