收益：
- 能够将能量守恒、状态方程和流体基本关系纳入计算步骤
- 能够使用人工智能配置热量/流量计算，并与单位和能量平衡进行交叉检查
- 能够查询AI使用的系数、表值和相关性的有效性范围
热力学（研究能量转化和热功关系的科学）和流体力学（研究液体和气体的运动、压力和流动行为的科学）是机械工程中包含最多“表格、系数和相关性”的领域。热交换器的功率、管道中的压力损失、泵所需的功率；都需要大量的特征值和经验相关性。人工智能 (AI) 在构建这些计算时可以派上用场，提醒您正确的相关性、单位转换和求和表值。但这里存在两大风险：人工智能可能会在错误的温度下返回属性值（密度、粘度、比热），并且可能会应用其有效范围之外的相关性。因此，热力学和流体微积分的两个学科是核心：将每个结果与能量平衡/单位一致性进行交叉检查，并询问每个系数在什么条件下有效。在本单元中，您将学习如何将人工智能安全地融入这两个领域。
节能：最有力的保障工具
热力学中几乎每个方程都基于能量守恒：输入的能量=输出的能量+节省的能量。加热流体所需的功率可通过方程 Q = ṁ·c_p·ΔT 求得；其中ṁ为质量流量（kg/s），c_p为比热（将一公斤物质加热一度所需的能量，J/kg·K），ΔT为温差。这种单一的相关性捕获了无数的人工智能错误。例如，如果AI说“5千瓦加热器在2秒内将1升水加热到20°C”：对于1千克水，Q = 1·4186·20 ≈ 84 kJ；对于 5 kW，这大约需要 17 秒，而不是 2 秒。未经验证，不能接受非物理结果。
提示：当您完成每个热力学计算时，询问“这些能量从哪里来，又去了哪里？”如果输入功率、输出功率和储存能量不平衡，则说明某处存在故障。每次给AI添加“提供能量平衡结果”的命令。
流体中的系数和有效性范围陷阱
在流体微积分中，摩擦系数、损失系数和努塞尔数等量通常来自实验相关式，并且每种相关式都有一个有效范围。雷诺数（决定流动是层流还是湍流的无量纲数，Re = ρ·V·D/μ）是该范围的关键。层流的摩擦系数 (Re < ~2300) 可通过简单方程 f = 64/Re 求得；在湍流中，需要科尔布鲁克或类似的关系。如果人工智能将层流公式应用于湍流，结果将是完全错误的。
尺寸
符号/相关性
将会受到关注
雷诺数
Re = ρ·V·D/μ
它决定政权；相关性的选择取决于此
层流摩擦系数
f = 64/Re
仅回复<~2300
管道压力损失
Δp = f·(L/D)·(ρV²/2)
f 必须来自正确的政权
传热功率
Q = ṁ·c_p·ΔT
规格应在平均温度下获取
注意：AI给出的密度、粘度和比热值强烈依赖于温度。水的粘度在 20°C 时约为 1.0 mPa·s，而在 80°C 时会降至约 0.35 mPa·s，即降低三分之一。错误温度下的特征会使雷诺数和整个计算产生偏差。始终验证该特征是在什么温度下拍摄的。
一步一步：利用 AI 进行热量/流量计算
- 定义系统和边界。能量和质量进入/离开什么；控制音量是多少？
- 列出已知和未知的。流量、温度、压力、几何形状。
- 在合适的温度下获得特性。清楚地告诉AI温度；然后验证表中的值。
- 确定制度。计算雷诺数并确定层流/湍流。
- 在有效范围内应用相关性。检查相关性的极限。
- 保持能量/质量平衡。进=出？数量级是否合理？
热计算提示
角色：在热系统方面经验丰富的机械工程师。任务：计算电加热器的功率，该电加热器将流量为 2 L/min 的水从 15°C 加热到 45°C。规则：说明在什么温度下获得水的密度和比热，并写出这些值应从表中验证。规则：显示每一步的单位；提供能量平衡 Q = ṁ·c_p·ΔT 的结果并解释数量级。
流态及压力损失提示
水在管道中流动：内径25mm，速度1.2m/s，温度20℃，长度10m。首先计算雷诺数并确定流态（层流/湍流）。选择适合该方案的摩擦系数关系并写下选择它的原因。然后计算压力损失。在每个步骤中显示单位。规则：指定您使用的相关性的有效范围。
属性值验证提示
以热力学学家的严谨质疑这个说法，不同意我的观点：“水的比热是 4.18 kJ/kg·K。”- 在什么温度和压力下该值有效？- 它如何随温度变化？- 我应该从哪个表/来源验证它？
能量平衡提示
用能量平衡交叉检查下面的换热器计算：热侧必须散发热量 ≈ 冷侧吸收热量。 [计算值]如果两侧不相等，请告诉我差值从何而来以及我应该检查什么值。
弱提示/强提示
弱提示：
加热这些水需要多少千瓦？
无流量、温度范围和流体状况；人工智能弥补了价值，它没有说它在什么温度下获得属性，它没有验证。
强力提示：
2 升/分钟水，15°C 至 45°C。计算加热器功率。指定获得密度和比热的温度，将值标记为待验证。显示每一步的单位，提供能量平衡结果并解释数量级。
第二个提示要求所有输入提供特征温度和能量平衡；标记要验证的值。
三个迷你箱（按数字）
案例 1 - 超物理加热。 AI 表示“5 kW 加热器可在 2 秒内将 1 L 水加热至 20°C”。工程师给出能量平衡：Q = 1·4186·20 ≈ 84 kJ； 5 kW 的时间 = 84,000/5,000 ≈ 17 s。 AI 的“2 秒”错误约 8 倍。未经验证，该值将完全破坏加热器的选择。
情况 2 - 错误的制度，错误的系数。尽管在管道计算中发现 Re = 6,500（湍流），但 AI 使用层流关系 f = 64/Re；它给出的 f ≈ 0.0098，而对于湍流，它的数量级为 f ≈ 0.035。压力损失估计降低约 3.5 倍。工程师检查雷诺兹并继续研究适合该状态的方程。教训：制度第一，相关性第二。
情况 3 - 与温度相关的粘度。对于 80°C 的油，AI 使用 20°C 的粘度值并计算出远低于应有值的雷诺，错误地认为流动是层流。在适当的温度下，粘度会加倍，并且状态会变得混乱。工程师通过在正确的温度下从数据表中获取特性来纠正错误。经验教训：规格始终是在工作温度下得出的。
常见错误
- 在错误的温度下获取特性：将密度/粘度保持在室温下并忽略工作温度。
- 在不控制流态的情况下选择相关性：在湍流中使用层流相关性。
- 不提供能量平衡：不通过比较输入/输出能量来检查结果。
- 单位混淆：忽略L/min与kg/s、kW与kJ、℃与K之间的差异。
- 在其有效范围之外应用相关性：不质疑相关性的极限。
- 跳过数量级：没有注意到非物理结果，例如“2 秒内加热”。
综上所述
- 热力学和流体微积分依赖于大量的表格值和经验相关性；两者都是错误的来源。
- 节能（Q=ṁ·c_p·ΔT）是最有力的保证手段；用能量平衡检查每个结果。
- 首先通过雷诺数确定流动状态；在有效范围内应用相关性。
- 密度、粘度、比热等特性很大程度上取决于温度；始终在工作温度下购买。
- AI调用数值并配置账户；但系数和结果必须经过工程师验证。
应用任务
选择热或流量问题（热水器的功率、管道中的压力损失或热交换器的平衡）。让人工智能设置系统和边界，在正确的温度下获取特征，并在每一步显示单位。如果是流动问题，首先计算雷诺数和适合所选方案的相关性。然后进行两项验证：将结果与能量/质量平衡进行交叉检查，并验证表格中使用的属性值（比热、粘度）。如果出现非物理结果，请按数量级捕获它并写下原因。
清单
- [ ] 系统/控制体积和边界被明确定义。
- [ ] 规格在工作温度下获取并从表中验证。
- [ ] 计算流动中的雷诺数并确定流态；相应地选择相关性。
- [ ] 相关性的有效性范围已经过检查。
- [ ] 结果与能量/质量平衡交叉检查。
- [ ] 已完成数量级验证；非物理结果也没有被排除。