收益：
- 能够使用人工智能作为热物理性质的初步预测和预测方法（群体贡献）指南并请求任何值。
- 能够通过可靠的数据库 (DIPPR/NIST) 或实验验证每个关键特征来捕获幻觉
- 能够理解材料选择是一项安全关键决策，需要腐蚀数据和授权批准。
每个过程计算最终都归结为一个数字：流体的密度、粘度、热容、蒸气压、沸点；决议；材料的耐腐蚀性。这些统称为热物理性质，即决定物质的热量、流动和相行为的物理量。只有这些特征正确，蒸馏塔、热交换器或泵才能正确设计。在本单元中，您将学习如何使用人工智能作为性能预测和材料选择（选择金属、垫圈、涂层以承受工艺条件）的初步预测和比较工具；但我们将了解为什么这些值需要通过可靠的数据库或实验来验证。
关键事实是：特征估计是设计的数值基础；这里的错误会传播到整个帐户。人工智能可以自信地给出蒸气压或粘度，但该值可能适用于另一种化合物，可能处于错误的温度，或者可能完全是幻觉。因此，特征数据的黄金法则是：每个关键特征都应基于可靠的来源（DIPPR、NIST、制造商数据表）或实验。
对特征预测的分步 AI 支持
1. 您在什么条件下需要什么功能？温度、压力、相和浓度会改变性质。在没有给人工智能提供条件的情况下所取的值是具有误导性的。
2. 选择估算方法。如果没有实验数据，人工智能会调用诸如群体贡献法之类的预测方法——通过将分子分解成各个部分并添加每个部分的贡献来预测属性的方法；例如Joback、UNIFAC — 并解释了哪一个是合适的。
3. 初步值和不确定性。人工智能可以给出一个初步的值，但绝对是在“这是一个预测，其不确定性很高，验证它”的框架内。还要向 AI 询问该值的典型误差范围。
4. 与来源的比较。将人工智能的价值与热力学数据库或制造商表进行比较。如果偏差较大，则不使用该值。
5.材料相容性初步筛选。 YZ 回顾了流体-材料对已知的腐蚀/不相容风险（例如不锈钢在含氯化物环境中的点蚀）。这是一个预警；最终的选择是通过兼容性图表和专家评估来做出的。
6.合理性过滤器。就排名而言，该值有意义吗？对于水，密度约为 1000 kg/m3 左右吗？简单的订单检查可以捕获大多数错误。
提示：当你向 AI 询问特征值时，请说“指定来源和估计方法，告诉我是实验的还是估计的”。如果人工智能无法引用来源，则将该值标记为猜测并独立验证。
选材：安全耐用
材料选择既是经济又是安全的关键决策。错误的材料可能会因腐蚀而变弱，导致压力容器爆炸或有毒液体泄漏。人工智能可以回忆起起始材料清单和已知的不兼容性；但温度、压力、浓度和杂质的综合影响是复杂的，最终选择是根据材料工程数据（兼容性图表、腐蚀速率数据）和必要时的测试来做出的。
注意：AI 所说的“这种材料适合这种流体”并不是保证。对于加压设备和有毒/易燃液体，材料选择需要合格的工程师批准和经过验证的腐蚀数据。
三个迷你箱子
案例 1——快速预测。一位工程师想要对一种新溶剂混合物的热容进行初步估计，而文献中的数据很少。 AI通过群体贡献法给出了一个范围。工程师用这个初步值进行了粗略的能量计算，然后在实验室进行了测量；测量值与预测值的误差在 6% 以内。预测加速了规划，但设计转向了实验值。
案例2——出现幻觉。 YZ 给出化合物的正常沸点为 78°C。当工程师与NIST进行比较时，发现实际值为118°C；人工智能将该名称与另一种类似的化合物混淆了。与源进行比较可防止 40°C 误差进入色谱柱设计。
案例 3——材料警告。 YZ 将选择 304 不锈钢用于含氯离子的水流标记为“点蚀和应力腐蚀开裂的风险”，并引用了更耐用的合金。材料工程师确认了兼容性数据并选择了更高合金材料。人工智能将风险提上了议程，决策是根据数据做出的。
四个可复制模板
1）特征预测（需要源码）：
你的角色：体质专家。化合物：[名称/式]，条件：[T、P、相]。我想要的功能：[例如蒸气压]。给出：(1) 实验值和来源（DIPPR/NIST/制造商）（如果有），(2) 如果没有，估计方法、估计值和不确定度。清楚地说明它是实验性的还是预测性的。如果您无法引用来源，请将其标记为“需要验证的预测”。请勿捏造价值；如果您不确定，请告诉我。
2）团体贡献方式指南：
我有一种没有实验数据的化合物：[结构/SMILES]。哪种团体贡献方法（Joback、UNIFAC 等）适合[财产]，为什么？解释该方法的步骤和所需的组参数。说明结果是估计值和典型误差范围。我将通过实验/数据库验证最终值。
3）价值比较/验证：
以下是来自不同来源的某个功能的值。在表格中比较它们，计算偏差，并对哪一个更可靠进行排名（经验 > 评估 > 预测）。如果偏差较大，请标记可能的原因（不同条件、不同异构体）。来源：[粘贴]
4）材料相容性初步筛选：
流体：[成分、浓度、杂质]，条件：[T、P]。候选材料：[列表]。回想一下每种风险的已知腐蚀/不兼容性风险（点蚀、应力开裂、全面腐蚀）。这是初步扫描；最终选择需要腐蚀数据和授权工程师的批准。明确标记有风险的货币对。
弱提示/强提示
弱提示：
甲苯的粘度是多少？
无需加热，无需焊接。人工智能给出了一个数字，但在什么条件下以及其可靠性如何还不清楚。
强力提示：
你的角色：体质专家。液相甲苯的动态粘度，25°C，1 atm。给出：值、单位、来源和实验估计。如果可能，请提供两个独立的来源并说明一致性。如果您无法引用来源，请将其标记为猜测。价值拟合。我将用热力学数据库验证结果。
区别很明显：条件、资源授权和验证框架使价值可用。
特征和材料决策中的角色分配
商业
人工智能的作用
人类决定/来源
实验特性
来源提醒
数据库确认
没有数据，猜测
方法+默认值
实验/数据库验证
价值比较
表、偏差
可靠性判断
候选材料
风险提示
合规数据、批准
等级控制
标记
物理合理性
常见错误
- 使用无源价值。 AI给出的每一个关键特征都经过数据库/实验的确认。
- 没有说明条件。在没有指定温度/压力/相位的情况下所取的值可能属于错误的条件。
- 将估计值误认为是经验值。团体贡献估计是不确定的；在设计时要考虑到这一点。
- 选材一句话确认。腐蚀是多变量的；需要数据和确认。
- 绕过等级检查。一个简单的“这个数字有意义吗？”控制可以捕获大多数幻觉。
总之
人工智能在性能和材料预测中的应用；它是一个强大的助手，可以生成初步值、提醒您估算方法、比较资源价值并标记重大风险。但每个关键特征都必须基于可靠的数据库或实验；材料选择是一项安全关键决策，需要腐蚀数据和授权工程师的批准。人工智能提供预测和警告；工程师连接到源、验证并选择。
应用任务
选择化合物和属性（例如溶剂的蒸气压，40°C）。使用“属性预测（需要资源）”模板从AI获取值及其来源；然后将其与热力学数据库进行比较并记下偏差。然后使用流体-材料对的“初步材料兼容性筛选”模板，并通过兼容性图表确认由此产生的风险。
清单
- 我想要 [ ] 特征以及条件（T、P、相位）。
- [ ]我将AI给出的值与可靠的数据库/实验进行了比较。
- [ ] 我将估计值与实验值区分开来，并指出了不确定性。
- [ ] 我通过腐蚀数据验证了材料选择并获得了授权批准。
- [ ] 我对每个关键数字进行了排名/合理性检查。