Mga nadagdag:
- Kakayahang gumamit ng artificial intelligence bilang isang paunang paghuhula at paraan ng paghula (kontribusyon ng grupo) na gabay para sa mga thermophysical na katangian at humiling ng anumang halaga.
- Kakayahang makuha ang mga guni-guni sa pamamagitan ng pag-verify sa bawat kritikal na tampok na may maaasahang database (DIPPR/NIST) o eksperimento
- Kakayahang maunawaan na ang pagpili ng materyal ay isang desisyong kritikal sa kaligtasan na nangangailangan ng data ng kaagnasan at awtorisadong pag-apruba.
Ang bawat pagkalkula ng proseso sa huli ay bumababa sa isang numero: density, lagkit, kapasidad ng init, presyon ng singaw, punto ng kumukulo ng likido; isang resolusyon; paglaban ng isang materyal sa kaagnasan. Ang mga ito ay sama-samang tinatawag na thermophysical properties - mga pisikal na dami na tumutukoy sa init, daloy at pag-uugali ng isang sangkap. Ang isang distillation column, isang heat exchanger o isang pump ay idinisenyo lamang nang tama kung ang mga tampok na ito ay tama. Sa yunit na ito, matututunan mo kung paano gamitin ang artificial intelligence bilang isang paunang hula at tool sa paghahambing sa paghula ng ari-arian at pagpili ng materyal (pagpili ng mga metal, gasket, coatings upang makayanan ang mga kondisyon ng proseso); ngunit malalaman natin kung bakit kailangang ma-verify ang mga halagang ito gamit ang isang maaasahang database o eksperimento.
Ang kritikal na katotohanan ay ito: ang pagtatantya ng tampok ay ang numerical na batayan ng disenyo; Kumakalat ang isang error dito sa buong account. Maaaring may kumpiyansa ang AI na magbigay ng vapor pressure o lagkit, ngunit ang halagang iyon ay maaaring para sa isa pang compound, maaaring nasa maling temperatura, o maaaring ganap na guni-guni. Kaya ang ginintuang tuntunin ng data ng tampok: ang bawat kritikal na tampok ay dapat na nakabatay sa isang mapagkakatiwalaang pinagmulan (DIPPR, NIST, sheet ng data ng manufacturer) o eksperimento.
Hakbang-hakbang na suporta ng AI para sa paghula ng tampok
1. Anong tampok ang kailangan mo, sa ilalim ng anong kondisyon? Ang temperatura, presyon, yugto at konsentrasyon ay nagbabago sa ari-arian. Ang halaga na kinuha nang hindi ibinibigay ang kundisyon sa AI ay nakaliligaw.
2. Pagpili ng paraan ng pagtatantya. Kung walang pang-eksperimentong data, naaalala ng AI ang mga diskarte sa paghula tulad ng mga paraan ng kontribusyon ng grupo — mga pamamaraan na hinuhulaan ang mga katangian sa pamamagitan ng paghiwa-hiwalay ng molekula sa mga bahagi nito at pagdaragdag ng mga kontribusyon ng bawat bahagi; hal. Joback, UNIFAC — at ipinapaliwanag kung alin ang naaangkop.
3. Paunang halaga at kawalan ng katiyakan. Ang AI ay maaaring magbigay ng isang paunang halaga, ngunit tiyak sa loob ng balangkas ng "ito ay isang hula, ang kawalan ng katiyakan nito ay mataas, i-verify ito". Tanungin din ang AI tungkol sa karaniwang margin ng error ng halaga.
4. Paghahambing sa pinanggalingan. Ihambing ang halaga ng AI sa isang thermodynamics database o sheet ng manufacturer. Kung malaki ang deviation, hindi ginagamit ang value.
5. Preliminary screening ng compatibility ng materyal. Naaalala ng YZ ang mga kilalang panganib sa kaagnasan/incompatibility para sa isang fluid-material na pares (hal. pitting corrosion ng stainless steel sa isang chloride-containing environment). Ito ay isang paunang babala; Ang huling pagpili ay ginawa sa pamamagitan ng mga compatibility chart at expert evaluation.
6. Filter ng pagiging makatwiran. May katuturan ba ang halaga sa mga tuntunin ng ranggo? Para sa tubig, ang density ba ay nasa ~1000 kg/m³? Ang simpleng pag-check ng order ay nakakakuha ng karamihan sa mga error.
Tip: Kapag humingi ka sa AI ng isang feature na value, sabihin ang "tukuyin ang pinagmulan at paraan ng pagtatantya, sabihin sa akin kung ito ay pang-eksperimento o tinatantya." Kung hindi mabanggit ng AI ang isang pinagmulan, markahan ang halagang iyon bilang hula at i-verify ito nang nakapag-iisa.
Pagpili ng materyal: kaligtasan at tibay
Ang pagpili ng materyal ay parehong pang-ekonomiya at kritikal na desisyon sa kaligtasan. Maaaring humina ang maling materyal na may kaagnasan, na nagiging sanhi ng pagsabog ng pressure vessel o pagtagas ng nakakalason na likido. Maaaring maalala ng AI ang isang listahan ng panimulang materyales at mga kilalang hindi pagkakatugma; Ngunit ang pinagsamang mga epekto ng temperatura, presyon, konsentrasyon at mga impurities ay kumplikado at ang huling pagpili ay ginawa ng mga materyales sa engineering data (compatibility chart, data ng corrosion rate) at pagsubok kung kinakailangan.
Pansin: Ang pagsasabi ng AI na "ang materyal na ito ay angkop para sa likidong ito" ay hindi isang garantiya. Sa kaso ng mga naka-pressure na kagamitan at nakakalason/nasusunog na likido, ang pagpili ng materyal ay nangangailangan ng kwalipikadong pag-apruba ng engineer at na-verify na data ng kaagnasan.
tatlong mini case
Case 1 — Mabilis na hula. Gusto ng isang inhinyero ng isang paunang pagtatantya ng kapasidad ng init para sa isang bagong solvent mixture kung saan ang data ay mahirap makuha sa literatura. Ang AI ay nagbigay ng saklaw sa pamamagitan ng paraan ng kontribusyon ng grupo. Ang inhinyero ay gumawa ng isang magaspang na pagkalkula ng enerhiya na may ganitong paunang halaga, pagkatapos ay sinukat ito sa laboratoryo; ang pagsukat ay nasa loob ng 6% ng hula. Ang pagtataya ay pinabilis ang pagpaplano, ngunit ang disenyo ay inilipat sa pang-eksperimentong halaga.
Case 2 — Nahuli ang hallucination. Ibinigay ng YZ ang normal na boiling point ng isang compound bilang 78°C. Nang ikumpara ito ng inhinyero sa NIST, nalaman niyang ang aktwal na halaga ay 118°C; Nalito ng AI ang pangalan sa isa pang katulad na tambalan. Ang paghahambing sa isang pinagmulan ay humadlang sa isang 40°C na error sa pagpasok sa disenyo ng column.
Kaso 3 — Babala sa materyal. Na-flag ng YZ ang pagpili ng 304 stainless steel para sa isang chloride ion-containing aqueous stream bilang "panganib ng pitting at stress corrosion cracking" at binanggit ang isang mas lumalaban na haluang metal. Kinumpirma ng engineer ng mga materyales ang data ng pagiging tugma at pumili ng mas mataas na materyal na haluang metal. Dinala ng AI ang panganib sa agenda, ang desisyon ay ginawa gamit ang data.
Apat na maaaring kopyahin na mga template
1) Paghula ng tampok (kinakailangan ang pinagmulan):
Ang iyong tungkulin: eksperto sa pangangatawan. Compound: [pangalan/pormula], kundisyon: [T, P, phase]. Tampok na gusto ko: [hal. presyon ng singaw]. Magbigay ng: (1) pang-eksperimentong halaga at PINAGMULAN (DIPPR/NIST/manufacturer), kung available, (2) kung hindi, paraan ng pagtatantya at tinantyang halaga at margin ng kawalan ng katiyakan. Malinaw na sabihin kung ito ay eksperimental o predictive. Kung hindi mo mabanggit ang isang pinagmulan, markahan ito bilang "hula na nangangailangan ng pag-verify." Huwag gawa-gawa ang halaga; Kung hindi ka sigurado, sabihin mo sa akin.
2) Gabay sa paraan ng kontribusyon ng grupo:
Mayroon akong tambalan kung saan walang pang-eksperimentong data: [structure/SMILES]. Aling paraan ng kontribusyon ng grupo (Joback, UNIFAC, atbp.) ang angkop para sa [property], at bakit? Ipaliwanag ang mga hakbang ng pamamaraan at ang mga kinakailangang parameter ng pangkat. Sabihin na ang resulta ay isang pagtatantya at ang karaniwang margin ng error. Ive-verify ko ang huling halaga gamit ang eksperimento/database.
3) Paghahambing/pag-verify ng halaga:
Nasa ibaba ang mga value mula sa iba't ibang source para sa isang feature. Ihambing ang mga ito sa isang talahanayan, kalkulahin ang paglihis, at ranggo kung alin ang mas maaasahan (empirical > nasuri > hinulaang). Kung may malaking paglihis, markahan ang posibleng dahilan (iba't ibang kondisyon, ibang isomer). Pinagmulan: [i-paste]
4) Preliminary screening ng compatibility ng materyal:
Fluid: [komposisyon, konsentrasyon, impurities], kondisyon: [T, P]. Mga materyales ng kandidato: [listahan]. Alalahanin ang mga kilalang panganib sa kaagnasan/hindi pagkakatugma (pitting, stress crack, pangkalahatang kaagnasan) para sa bawat isa. Ito ay isang PRELIMINARY scan; Ang panghuling pagpili ay nangangailangan ng data ng kaagnasan at awtorisadong pag-apruba ng engineer. Malinaw na markahan ang mga mapanganib na pares.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ano ang lagkit ng toluene?
Walang init, walang hinang. Nagbibigay ang AI ng isang numero, ngunit sa ilalim ng anong mga kundisyon at kung gaano ito maaasahan ay hindi malinaw.
Napakahusay na prompt:
Ang iyong tungkulin: eksperto sa pangangatawan. Dynamic na lagkit para sa toluene sa likidong bahagi, 25°C, 1 atm. Magbigay ng: halaga, unit, SOURCE, at pang-eksperimentong pagtatantya. Kung maaari, magbigay ng dalawang independiyenteng mapagkukunan at pagkakapare-pareho ng estado. Kung hindi mo mabanggit ang pinagmulan, markahan ito bilang hula. Angkop sa halaga. Ive-verify ko ang resulta gamit ang isang thermodynamic database.
Ang pagkakaiba ay malinaw: ang kundisyon, ang resource mandate, at ang validation framework ay ginagawang available ang value.
Pamamahagi ng papel sa tampok at materyal na desisyon
negosyo
Papel ng AI
Desisyon/pinagmulan ng tao
Pang-eksperimentong tampok
paalala ng pinagmulan
Pagkumpirma sa database
Walang data, hulaan
Paraan + default
Pagpapatunay ng eksperimento/database
Paghahambing ng halaga
Talahanayan, paglihis
paghatol sa pagiging maaasahan
Mga kandidatong materyal
paalala sa panganib
Data ng pagsunod, pag-apruba
Kontrol sa ranggo
pagmamarka
pisikal na pagkamakatuwiran
Mga karaniwang pagkakamali
- Paggamit ng hindi pinagkunan na halaga. Ang bawat kritikal na tampok na ibinigay ng AI ay kinumpirma ng database/eksperimento.
- Hindi sinasabi ang kondisyon. Ang halaga na kinuha nang hindi tinukoy ang temperatura/presyon/phase ay maaaring kabilang sa maling kundisyon.
- Napagkakamalang empirical ang tinantyang halaga. Ang mga pagtatantya ng kontribusyon ng grupo ay hindi sigurado; Isaalang-alang ito sa disenyo.
- Paggawa ng materyal na pagpili na may isang pangungusap na kumpirmasyon. Ang kaagnasan ay multivariate; kailangan ng data at kumpirmasyon.
- Pag-bypass sa rank check. Isang simpleng "may katuturan ba ang numerong ito?" ang kontrol ay nakakakuha ng karamihan sa mga guni-guni.
Sa buod
AI sa hula sa ari-arian at materyal; Ito ay isang makapangyarihang katulong na bumubuo ng mga paunang halaga, nagpapaalala sa iyo ng paraan ng pagtatantya, naghahambing ng mga halaga ng mapagkukunan at nagba-flag ng mga materyal na panganib. Ngunit ang bawat kritikal na tampok ay dapat na nakabatay sa isang maaasahang database o eksperimento; Ang pagpili ng materyal ay isang desisyong kritikal sa kaligtasan na nangangailangan ng data ng kaagnasan at awtorisadong pag-apruba ng engineer. Nagbibigay ang AI ng mga hula at babala; Ang inhinyero ay kumokonekta sa pinagmulan, nagbe-verify, at pumipili.
Gawain ng aplikasyon
Pumili ng compound at isang property (hal. vapor pressure ng solvent, 40°C). Kunin ang halaga at ang pinagmulan nito mula sa AI gamit ang template na "Paghula ng katangian (kinakailangan ng mapagkukunan)"; pagkatapos ay ihambing ito sa isang thermodynamic database at tandaan ang paglihis. Pagkatapos ay gamitin ang template na "paunang pagsusuri sa compatibility ng materyal" para sa isang pares na likido-materyal at kumpirmahin ang mga resultang panganib gamit ang isang compatibility chart.
checklist
- Gusto ko ang tampok na [ ] kasama ang kundisyon (T, P, phase).
- [ ] Inihambing ko ang halaga na ibinigay ng AI sa isang maaasahang database/eksperimento.
- [ ] Tinukoy ko ang mga tinantyang halaga mula sa pang-eksperimento at nabanggit ang kawalan ng katiyakan.
- [ ] Na-verify ko ang pagpili ng materyal gamit ang data ng kaagnasan at awtorisadong pag-apruba.
- [ ] Naglapat ako ng rank/plausibility check sa bawat kritikal na numero.