Lợi nhuận:
- Khả năng sử dụng trí tuệ nhân tạo làm hướng dẫn dự đoán và phương pháp dự đoán sơ bộ (đóng góp của nhóm) cho các đặc tính vật lý nhiệt và yêu cầu bất kỳ giá trị nào.
- Khả năng nắm bắt ảo giác bằng cách xác minh từng tính năng quan trọng bằng cơ sở dữ liệu đáng tin cậy (DIPPR/NIST) hoặc thử nghiệm
- Khả năng hiểu rằng việc lựa chọn vật liệu là một quyết định quan trọng về mặt an toàn đòi hỏi phải có dữ liệu về ăn mòn và sự phê duyệt được ủy quyền.
Mọi tính toán của quá trình cuối cùng đều rút ra một con số: mật độ, độ nhớt, nhiệt dung, áp suất hơi, điểm sôi của chất lỏng; một nghị quyết; khả năng chống ăn mòn của vật liệu. Chúng được gọi chung là các tính chất vật lý nhiệt - các đại lượng vật lý quyết định trạng thái nhiệt, dòng chảy và pha của một chất. Cột chưng cất, bộ trao đổi nhiệt hoặc máy bơm chỉ được thiết kế chính xác nếu các tính năng này phù hợp. Trong phần này, bạn sẽ học cách sử dụng trí tuệ nhân tạo làm công cụ dự đoán và so sánh sơ bộ trong dự đoán đặc tính và lựa chọn vật liệu (lựa chọn kim loại, miếng đệm, lớp phủ để chịu được các điều kiện quy trình); nhưng chúng ta sẽ tìm hiểu lý do tại sao những giá trị này cần được xác minh bằng cơ sở dữ liệu hoặc thử nghiệm đáng tin cậy.
Sự thật quan trọng là: ước tính tính năng là cơ sở số học của thiết kế; Lỗi ở đây lan ra toàn bộ tài khoản. AI có thể tự tin đưa ra áp suất hơi hoặc độ nhớt, nhưng giá trị đó có thể dành cho một hợp chất khác, có thể ở nhiệt độ sai hoặc có thể hoàn toàn gây ảo giác. Vì vậy, nguyên tắc vàng của dữ liệu tính năng: mọi tính năng quan trọng phải dựa trên nguồn đáng tin cậy (DIPPR, NIST, bảng dữ liệu của nhà sản xuất) hoặc thử nghiệm.
Hỗ trợ AI từng bước để dự đoán tính năng
1. Bạn cần tính năng gì, trong điều kiện nào? Nhiệt độ, áp suất, pha và nồng độ làm thay đổi tính chất. Giá trị được lấy mà không đưa ra điều kiện cho AI là sai lệch.
2. Lựa chọn phương pháp ước tính. Nếu không có dữ liệu thực nghiệm, AI sẽ nhớ lại các phương pháp dự đoán như phương pháp đóng góp nhóm - phương pháp dự đoán các đặc tính bằng cách chia phân tử thành các phần của nó và cộng các đóng góp của từng phần; ví dụ. Jobback, UNIFAC — và giải thích cái nào phù hợp.
3. Giá trị sơ bộ và độ không đảm bảo. AI có thể đưa ra giá trị sơ bộ, nhưng chắc chắn trong khuôn khổ "đây là dự đoán, độ không chắc chắn của nó cao, hãy xác minh nó". Đồng thời hỏi AI về biên độ sai số điển hình của giá trị.
4. So sánh với nguồn. So sánh giá trị của AI với cơ sở dữ liệu nhiệt động lực học hoặc bảng tính của nhà sản xuất. Nếu độ lệch lớn thì giá trị không được sử dụng.
5. Sàng lọc sơ bộ về tính tương thích của vật liệu. YZ thu hồi các rủi ro ăn mòn/không tương thích đã biết đối với cặp vật liệu chất lỏng (ví dụ: ăn mòn rỗ thép không gỉ trong môi trường chứa clorua). Đây là một lời cảnh báo trước; Lựa chọn cuối cùng được thực hiện bằng biểu đồ tương thích và đánh giá của chuyên gia.
6. Bộ lọc hợp lý. Giá trị có ý nghĩa về mặt thứ hạng không? Đối với nước, mật độ có khoảng ~1000 kg/m³ không? Việc kiểm tra đơn hàng đơn giản sẽ phát hiện được hầu hết các lỗi.
Mẹo: Khi bạn hỏi AI về một giá trị đối tượng, hãy nói “chỉ định nguồn và phương pháp ước tính, cho tôi biết đó là giá trị thử nghiệm hay ước tính”. Nếu AI không thể trích dẫn nguồn, hãy đánh dấu giá trị đó là phỏng đoán và xác minh nó một cách độc lập.
Lựa chọn vật liệu: an toàn và độ bền
Lựa chọn vật liệu là một quyết định quan trọng về mặt kinh tế và an toàn. Vật liệu không phù hợp có thể bị yếu đi do bị ăn mòn, khiến bình áp suất bị vỡ hoặc chất lỏng độc hại bị rò rỉ. AI có thể nhớ lại danh sách nguyên liệu ban đầu và những điểm không tương thích đã biết; Tuy nhiên, các tác động kết hợp của nhiệt độ, áp suất, nồng độ và tạp chất rất phức tạp và việc lựa chọn cuối cùng được thực hiện dựa trên dữ liệu kỹ thuật vật liệu (biểu đồ tương thích, dữ liệu tốc độ ăn mòn) và thử nghiệm khi cần thiết.
Chú ý: AI nói "vật liệu này phù hợp với chất lỏng này" không phải là sự đảm bảo. Trong trường hợp thiết bị điều áp và chất lỏng độc hại/dễ cháy, việc lựa chọn vật liệu cần có sự phê duyệt của kỹ sư có trình độ và dữ liệu ăn mòn đã được xác minh.
ba trường hợp nhỏ
Trường hợp 1 - Dự đoán nhanh. Một kỹ sư muốn ước tính sơ bộ công suất nhiệt của một hỗn hợp dung môi mới mà dữ liệu về nó rất khan hiếm trong tài liệu. AI đã đưa ra phạm vi thông qua phương pháp đóng góp của nhóm. Người kỹ sư đã tính toán sơ bộ năng lượng với giá trị sơ bộ này, sau đó đo nó trong phòng thí nghiệm; phép đo nằm trong khoảng 6% so với dự đoán. Dự báo tăng tốc quy hoạch, nhưng thiết kế chuyển sang giá trị thử nghiệm.
Trường hợp 2 - Bị ảo giác. YZ cho điểm sôi bình thường của một hợp chất là 78°C. Khi người kỹ sư so sánh nó với NIST, anh ta nhận thấy giá trị thực tế là 118°C; AI đã nhầm lẫn tên này với một hợp chất tương tự khác. So sánh với nguồn đã ngăn chặn sai số 40°C xâm nhập vào thiết kế cột.
Trường hợp 3 - Cảnh báo về vật liệu. YZ đã đánh dấu việc lựa chọn thép không gỉ 304 cho dòng nước chứa ion clorua là "nguy cơ rỗ và nứt ăn mòn do ứng suất" và trích dẫn một hợp kim có khả năng chống chịu cao hơn. Kỹ sư vật liệu đã xác nhận dữ liệu tương thích và chọn vật liệu hợp kim cao hơn. AI đưa rủi ro vào chương trình nghị sự, quyết định được đưa ra dựa trên dữ liệu.
Bốn mẫu có thể sao chép
1) Dự đoán tính năng (yêu cầu nguồn):
Vai trò của bạn: chuyên gia về thể chất. Hợp chất: [tên/công thức], điều kiện: [T, P, pha]. Tính năng tôi muốn: [ví dụ: áp suất hơi]. Đưa ra: (1) giá trị thực nghiệm và NGUỒN (DIPPR/NIST/nhà sản xuất), nếu có, (2) nếu không, phương pháp ước tính, giá trị ước tính và biên độ không chắc chắn. Nêu rõ đó là thử nghiệm hay dự đoán. Nếu bạn không thể trích dẫn nguồn, hãy đánh dấu nguồn đó là "dự đoán cần xác minh". Đừng tạo ra giá trị; Nếu bạn không chắc chắn, hãy nói với tôi.
2) Hướng dẫn phương pháp đóng góp của nhóm:
Tôi có một hợp chất không có dữ liệu thử nghiệm: [cấu trúc/SMILES]. Phương thức đóng góp nhóm nào (Joback, UNIFAC, v.v.) phù hợp với [tài sản] và tại sao? Giải thích các bước của phương pháp và các thông số nhóm cần thiết. Nêu rõ rằng kết quả là ước tính và sai số điển hình. Tôi sẽ xác minh giá trị cuối cùng bằng thử nghiệm/cơ sở dữ liệu.
3) So sánh/xác minh giá trị:
Dưới đây là các giá trị từ các nguồn khác nhau cho một đối tượng địa lý. So sánh chúng trong một bảng, tính toán độ lệch và xếp hạng cái nào đáng tin cậy hơn (theo kinh nghiệm > đánh giá > dự đoán). Nếu có độ lệch lớn thì đánh dấu nguyên nhân có thể xảy ra (tình trạng khác, đồng phân khác). Nguồn: [dán]
4) Sàng lọc sơ bộ về khả năng tương thích của vật liệu:
Chất lỏng: [thành phần, nồng độ, tạp chất], điều kiện: [T, P]. Vật liệu ứng cử viên: [danh sách]. Nhớ lại các rủi ro ăn mòn/không tương thích đã biết (rỗ, nứt do ứng suất, ăn mòn chung) cho từng loại. Đây là bản quét SƠ BỘ; Lựa chọn cuối cùng yêu cầu dữ liệu ăn mòn và sự chấp thuận của kỹ sư được ủy quyền. Đánh dấu rõ ràng các cặp rủi ro.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Độ nhớt của toluene là gì?
Không có nhiệt, không hàn. AI đưa ra con số nhưng trong điều kiện nào và độ tin cậy như thế nào thì vẫn chưa rõ.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia về thể hình. Độ nhớt động học của toluene ở pha lỏng, 25°C, 1 atm. Đưa ra: giá trị, đơn vị, NGUỒN và ước tính thử nghiệm. Nếu có thể, hãy đưa ra hai nguồn độc lập và thống nhất về trạng thái. Nếu bạn không thể trích dẫn nguồn, hãy đánh dấu nó là suy đoán. Phù hợp giá trị. Tôi sẽ xác minh kết quả bằng cơ sở dữ liệu nhiệt động lực học.
Sự khác biệt rất rõ ràng: điều kiện, nhiệm vụ tài nguyên và khung xác thực làm cho giá trị có sẵn.
Phân bổ vai trò trong quyết định về tính năng và vật liệu
kinh doanh
Vai trò của AI
Quyết định/nguồn của con người
Tính năng thử nghiệm
nhắc nhở nguồn
Xác nhận cơ sở dữ liệu
Không có dữ liệu, đoán xem
Phương thức + mặc định
Xác thực thử nghiệm/cơ sở dữ liệu
So sánh giá trị
Bảng, độ lệch
đánh giá độ tin cậy
Ứng viên vật chất
nhắc nhở rủi ro
Dữ liệu tuân thủ, phê duyệt
Kiểm soát thứ hạng
đánh dấu
sự hợp lý về thể chất
Những lỗi thường gặp
- Sử dụng giá trị không có nguồn gốc. Mọi tính năng quan trọng do AI đưa ra đều được cơ sở dữ liệu/thử nghiệm xác nhận.
- Không nói rõ điều kiện. Giá trị được lấy mà không xác định rõ nhiệt độ/áp suất/pha có thể thuộc về điều kiện sai.
- Nhầm giá trị ước tính là thực nghiệm. Ước tính đóng góp của nhóm là không chắc chắn; Hãy xem xét điều này trong thiết kế.
- Thực hiện lựa chọn vật liệu với xác nhận một câu. Ăn mòn là đa biến; dữ liệu và xác nhận cần thiết.
- Bỏ qua việc kiểm tra thứ hạng. Một câu hỏi đơn giản “con số này có hợp lý không?” kiểm soát bắt được hầu hết các ảo giác.
Tóm lại
AI trong dự đoán tài sản, vật chất; Nó là một trợ lý đắc lực giúp tạo ra các giá trị sơ bộ, nhắc nhở bạn về phương pháp ước tính, so sánh các giá trị tài nguyên và gắn cờ các rủi ro trọng yếu. Nhưng mọi tính năng quan trọng đều phải dựa trên cơ sở dữ liệu hoặc thử nghiệm đáng tin cậy; Lựa chọn vật liệu là một quyết định quan trọng về an toàn đòi hỏi phải có dữ liệu ăn mòn và sự phê duyệt của kỹ sư được ủy quyền. AI đưa ra dự đoán và cảnh báo; Kỹ sư kết nối với nguồn, xác minh và chọn.
Nhiệm vụ ứng dụng
Chọn một hợp chất và tính chất (ví dụ: áp suất hơi của dung môi, 40°C). Nhận giá trị và nguồn của nó từ AI với mẫu "Dự đoán thuộc tính (yêu cầu tài nguyên)"; sau đó so sánh nó với cơ sở dữ liệu nhiệt động và ghi lại độ lệch. Sau đó, sử dụng mẫu “sàng lọc khả năng tương thích vật liệu sơ bộ” cho cặp vật liệu lỏng và xác nhận các rủi ro phát sinh bằng biểu đồ khả năng tương thích.
danh sách kiểm tra
- Tôi muốn tính năng [ ] cùng với điều kiện (T, P, pha).
- [ ] Tôi đã so sánh giá trị do AI đưa ra với cơ sở dữ liệu/thử nghiệm đáng tin cậy.
- [ ] Tôi phân biệt các giá trị ước tính với giá trị thử nghiệm và ghi nhận độ không đảm bảo.
- [ ] Tôi đã xác minh việc lựa chọn vật liệu bằng dữ liệu ăn mòn và phê duyệt được ủy quyền.
- [ ] Tôi đã áp dụng kiểm tra xếp hạng/tính hợp lý cho từng số tới hạn.