ההשפעה של הנתונים התרמודינמיקה לא ברורה על תהליך כימי סימולציה

אי הוודאות של הנתונים התרמודינמיקה היא אתגר מתפשט בסימולציה של תהליכים כימיים, אך השפעתה על האמינות של מודלים היא לעתים קרובות מזלזלת. Accurate thermodynamic Properties - כגון enthalpy, entropy, גיבס אנרגיה חופשית, לחץ פנוי, ואפקטים פעילות - ליצור עמוד השדרה של כל מסה ומאזן אנרגיה, חישוב שלב, ותחזיות קטנטנות בתכונות אלה, סימולציה, סימולציה של ציוד יעיל, אימוץ, שיפור של תכונות אבטחה, שיפור של תכונות, סימולציה, שיפור של תכונות יעילות, שיפור של נתונים, ולהפחית את גודל זה, סימולציה, צמצום, סימולציה, צמצום של תכונות אבטחה, צמצום של נתונים, צמצום של תכונות אבטחה, סימולציה, שיפור של תכונות אבטחה, סימולציה, שיפור גודל זה, שיפור של נתונים, שיפור של נתונים נפוצים, שיפור סימולציה, שיפור סימולציה, סימולציה, סימולציה, ולהפחית את גודל זה, שיפור סימולציה, שיפור סימולציה, שיפור סימולציה של כל חומרת, שיפור גודל של כל חומרת, סימולציה של כל מסה, ואפקטים, שיפור סימולציה של כל מסה, שיפור של כל מסה, שיפור סימולציה של נתונים, שיפור סימולציה של כל השפעה, שיפור סימולציה, שיפור סימולציה

מה הם הנתונים התרמודינמיקה ומדוע הם חשובים?

הנתונים התרמודינמיקה הם המפיץ המספרי המגדיר כיצד חומרים ותערובת מגיבים לשינויים בטמפרטורה, לחץ והרכב.

(FLT:0) תכונות אחראיות ל-Pure-component PropertiesFLT:1: טמפרטורה קריטית, לחץ ביקורתי, גורם ממוקד, נקודה מרתקת רגילה, יכולת חום, שאיפה של נפיחות.
(FLT:0) תכונות MixturesFLT:1: עודף גיבס אנרגיה חופשית, פרמטרים אינטראקציה בינארי, יעילות פעילות, אפקטיביות של זעזועים.
(ב) [ה]ה']: [ה']: [ה'], [ה'], [ה'], [ה'], [ה'], [ה'], [ה'], [ה'], [ה'], [ה']'[דרוש מקור]]]'[ה']']'[ה']']'[ה'[ה'[ה']']'[ה']'[ה'[ה'[ה']'[ה'[ה']'[ה'[ה'[ה'[ה']']']'[ה'[ה'[ה'[דרוש מקור]']
(ב) [ה]: [ה], [ה], [ה], [ה], [ה],] [דרוש מקור], [ה],] [דרוש מקור], [ה]

סימולטורים תהליכים כגון אספן פלוס, PRO /II, ו gPROMS להשתמש בנתונים אלה בחבילות רכוש תרמודינמיקה (למשל, Peng-Robinson, NRTL, UNIQUAC, COSMO-SAC) כדי לחזות את התנהגות שלב, מאזן אנרגיה, ותגובה של רזולוציה זו משפיעה ישירות על עיצוב של עמודות דיבה, סופגת, הפרדה, מספר בועות תגובה של 2.

מקורות מידע אירמודינמיקה אינם בטוחים

חוסר ודאות בנתונים תרמודינמיים לא נובעת מגורם יחיד; אלא, הוא נובע משילוב של מגבלות ניסיוניות, הנחות מודל, פרקטיקות ניהול נתונים, ויישום מעבר למגווןים מאומתים.

שגיאות מדידה ניסיוניות

כל מדידות המעבדה נושאות אי ודאות טבועה.עבור תכונות תרמודינמיקה, טכניקות ניסיוניות נפוצות כוללות:

(FLT:0)CalorimetryFLT:1 עבור halpy וחום יכולת - אי ודאות טיפוסית ±1-5% עבור ניסויים מעוצבים היטב, אך גדול יותר עבור מערכות תגובתיות או לא יציבות.
(FLT:0)Vapor-liquid Balance (VLE)תאים מובנים 1 - לחץ ומדידות הרכב לעתים קרובות יש חוסר ודאות של 0-0.5% ללחץ ו-0.5-2% עבור שברים, בהתאם לשיטות אנליטיות (למשל, גס chromatography, refractometry).
(FLT:0) דיפרנציאל סריקות קלוריטרי (DSCIRLT:1) עבור נקודות נמס חום של היתוך - חזרה טיפוסית ±0.2%C לטמפרטורה ו ±1–3% עבור entpy.
(FLT:0) שיטות דינמיות ודינמית עבור vapor לחץ veFLT:1) - אי-ודאות נע בין 1% לתרכובות ידועות ל-10% או יותר עבור חומרים בעלי ערך גבוה או לא יציבים מבחינה תרמית.

מעבר לשגיאות אקראיות (precision), שגיאות שיטתיות – כגון סחף קלומנט, זיהומים מדגם ושיטות הפחתה לא נכונות של נתונים - יכולות להציג הטיה.לדוגמה, שיתוק חום של 0.5 מעלות צלזיוס יכול לשנות את העקומה המלאה של לחץ ריקבון, המשפיע על כל הפרמטרים הנגזרים.

הגבלות של מודלים תאורטיים

גם כאשר הנתונים הניסוייים אינם זמינים, מודלים לחיזוי נכסים משמשים.אלה כוללים שיטות תרומה קבוצתיות (UNIFAC, Joback, Benson), משוואות של מדינה (SRK, PR, SAFT), וגישות כימיות קוונטיות (COSMO-RS).כל מודל הכיר חולשות:

(FLT:0Group תרומה שיטות ההרחבה של LT:1) להניח כי תוספת של קבוצות פונקציונליות, אשר נכשל עבור איטום מיקום, אינטראקציות לא רצויות חזקות, או תרכובות עם קבוצות הקוטביות מרובות.
(FLT:0 משוואות קוביות של המדינהFLT:1 (למשל, Peng-Robinson) יש דיוק מוגבל ליד הנקודה הקריטית ועבור מערכות מקודמות מימן ללא כללים מיוחדים ערבוב.
(FLT:0) Excess גיבס מודלים אנרגיה חינם מודל LT:1 (NRTL, UNIQUAC) להסתמך על פרמטרים אינטראקציה בינאריים כי הם לעתים קרובות נסוגים מהנתונים המוגבלים; תוספת מעבר לטווח הטמפרטורה המתאים היא מסוכנת.
(FLT:0) תחזיות כימיות קוונטיות תחזיות 1 (COSMO-SAC) הן אינטנסיביות מבחינה חישובית ועדיין מוכיחות שגיאות ממוצעות של 1–3 kJ/mol לאנרגיות חופשיות מחוספסות, המתורגמות לשגיאות יעילות פעילות בולטות בפליאה גבוהה.

אי הוודאות המודלית היא בעייתית במיוחד עבור מולקולות חדשות, תערובת מורכבות (למשל, נוזלי ionic, פותרים אקוקטיים עמוקים), ותנאים קיצוניים (לחץ גבוה, קרוב לקרי, או תת-ביקורתי) A 2020 במחקר ב-FLT:0Industrial & הנדסה מחקר כימיה FLT:1 דיווח כי חזו לחץ פנוי עבור מברקים ביולוגיים באמצעות UNFAC היה שורש ניסיוני ל-me ל- 30% מלקות נתונים.

אפשרויות ל Data מקורות ו- Databases

מהנדסים לעתים קרובות להסתמך על מסדי נתונים כגון DIPPR, NIST-TRC, AIChE DIADEM, או ספריות סימולטור מסחרי.ערכי נתונים עבור אותו נכס יכולים להשתנות באופן משמעותי על פני מקורות.דוגמה קלאסית: נקודת הרתיחה הרגילה של Cyronexane רשומה כ 80.72 מעלות צלזיוס (NIST), 80.74 ° C (DPR), 80.8 ° C (בדומה להבדלים ניסיוניים לכאורה, בעוד שמצביעים על ידי משוואות אי-ILDL.

יתר על כן, מסדי נתונים לעתים קרובות חסרים metadata לגבי תנאי מדידה, טוהר ופרוטוקול ניסיוני. נכס שנמדד ב 99.5% טוהר לא יכול להיות נציג של 95% טהורים של הזנה. פערי נתונים מלאים בהערכה, אי ודאות מורכבת.

המונחים: Beyond Measured

תהליכים תעשייתיים פועלים לעתים קרובות מחוץ לטמפרטורה ולטווח הלחץ של נתונים ניסיוניים קיימים.Extrapolation של פרמטרים תואמים - למשל, באמצעות מודל VLE שהועבר ב 1 בר כדי לחזות התנהגות ב 10 בר - יכול להוביל לשגיאות גדולות אם הצורה התפקודית של המודל אינה תופסת את התלות האמיתית.הדגם המפורסם SPE (Statistical Engineering Engineering) של תקלות בשלב זה עבור צינורות טבעיים ממחישה באמצעות משוואות נמוכות של נתונים מקוטבות, ללא מגבלות נתונים.

השפעות על תהליך כימי סימול

ההתפשטות של אי הוודאות של נתונים תרמודינמי באמצעות סימולציה גליון זרימה אינה רק תוספת; ניתן להגדיל אותה על ידי לולאות מחזור, שילוב חום ומערכות יחסים לא לינאריות איזון להלן הן דוגמאות מפורטות לפעילות יחידה שבה אי הוודאות מופיעה לעתים קרובות.

עיצוב העמודים

דיקיציה מסתמכת ביסודה על מאזן שיווי משקל פנוי (VLE) תחזיות. Inaccurate K-values (vapor-liquid Distribution coefficients) משפיע ישירות על מספר השלבים התיאורטיים, יחס reflux, צריכת אנרגיה.

(ב) [15] שגיאות נדר 1 (ב) של 5% בתנודתיות יחסית, יכולות לשנות את מספר המגש הנדרש עד 20-40% לתערובת קרובה.
(FLT:0) נקודה ברוצף ושגיאות נקודה LT:1) של 1-2C שינוי מיקום הזנה שלב וחובות condenser /reboiler, עלול לגרום לשיטה או לבכות אם העיצוב מבוסס על הפרדה אופטימית יתר.
(FLT:0) אי הוודאות של ההרכב הגלקטי אי הוודאות של ה-Azeotropics (Azeotropicrated) - עבור מערכות שיוצרות zeotropes, טעות של 0.5% מהומות ב-Azeotrope חזו יכול להפוך עיצוב של לחץ או תמציתי של זיקוק.

דוגמה אמיתית לעולם: בייצור של אצות אתיל, המערכת בינארית של אור מים יש azeotrope ידוע הידוע לשמצה, עם זאת, סקירה 2018 של מודלים סימולציה המשמשים עבור צמח 100,000-עשר שנים-עשר שנים גילה כי NRTL binary פרמטרים מאולץ מהנתונים הקודמים VLE נתן הרכב צפוי של 89.5 מ"ר מדויק יותר, בעוד ש- 8 מיליון mrnexreolretrar-mulretrar של נתונים מ-molretrar-mulretrar-mulretrar-mrur-muled יותר.

תגובה ותגובה הנדסה

עיצוב תגובה תלוי מגבלות איזון תרמודינמי ואיזון אנרגיה.לא בטוח בגיבבס אנרגיה חופשית של תגובה ( ⁇ G reaction) משפיע ישירות על זמני איזון באמצעות משוואה ההוף.

(FLT:0) ⁇ G reaction אי הוודאות של חוסר ודאות (FLT:1) של ±2 kJ / mol ב 300 מעלות צלזיוס משנה את שיווי המשקל קבוע על ידי גורם של כ 1.5-2.0, שינוי דרסטי של המרה הצפויה.
(FLT:0)Enthalpy של שגיאות תגובה 1FLT:1 משפיע על הערכות חובה בחום.לתגובה חיצונית, טעות של 5% בתגובה enthalpy מתורגם לשגיאה של 5% בביקוש הקרר, סיכון הטמפרטורה נעוץ אם לא הפחת.
(FLT:0) ביטויים בולטים (FLT:1) לעתים קרובות משלבים כוחות נהיגה תרמודינמית (למשל, פעילויות מבוססות זוועה).אם המודל היעיל של הפעילות אינו נכון, שיעור הניקוד עשוי להיות כבוי על ידי סדר גודל.

שקול את תהליך הסינתזה של פישר-Tropsch. A 2021 ניתוח רגישות במודל כור מסחרי בקנה מידה הראה כי ±3% אי ודאות במאזן ה- vapor-liquid של שעווה וגזים קלים (התדר ממשוואה יחסי הציבור של המדינה) גרם ±8% וריאציות של המרה סינרגיה חזוע ו- ±12% בסלקטיביות מתאן - הן זרז קריטי עבור מחזור חיים והפצת מוצר.

רשתות Exchanger

שילוב חום מבוסס על פרופילים מדויקים טמפרטורה (עשבים משולבים) , וודאויות ביכולת חום (Cp) ושינויים בטמפרטורות משתנות נקודות צובט לאחור להשפיע על מטרות האזור.

(FLT:0Cp שגיאות ⁇ FLT:1) של 2–5% עבור זרמי תהליכים העוברים שינוי שלב (למשל, הדבקה של תערובת zeotropic) יכול לשנות את המיקום הצבט על ידי 5-10 ° C, צמצום ההתאוששות האנזופית ב 3–8%.
(ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

במקרה אחד מדגמי צמח אתלין, רשת החלפת החום שעוצבה באמצעות מעטפות שלב מאו"ם-המוקדות של האו"ם, העלתה את מספר הקליפות הנדרשות לסעיף הריצוף בשניים, משום שהנקודה האמיתית של הגז המקודש הייתה גבוהה ב-4 מעלות צלזיוס מאשר חזתה.זה הכריחה גידול יקר של כל הסעיף הקר.

המונחים: Sרגישות ו- Unquity Analysis

במקום להתעלם מאי הוודאות של נתונים, תרגול הנדסי מודרני משלב אותו באמצעות שיטות שיטתיות.הנפוצות הן ניתוח רגישות (SA) וזיהוי אי הוודאות (UQ) מזהה ניתוח רגישות של אי-ודאות קלט יש את ההשפעה הגדולה ביותר על פלטים מרכזיים (למשל, טוהר המוצר, צריכת האנרגיה). התפלגות חד-משמעית של הסתברות באמצעות סימולטור לייצר תוצאות פרוביסטיות.

One-at-a-Time Sרגישות (OAT)

גישה פשוטה: להפריע כל פרמטר תרמודינמי (למשל, טמפרטורה קריטית, פרמטר אינטראקציה בינארי) על ידי ±10% ושינויים שיא בפלט. בעוד מוגבל כי אינטראקציות הם מתעלמים, OAT הוא שימושי עבור בדיקות פרמטרים קריטיים.לדוגמה, בסימולציה של דיאזנציה חוזרת עבור מתיל acet hydrolysis, OAT גילה כי פרמטר אינטראקציה בין מים לmethylcet <%, גרם אפקט השני, בעודורידציה.

מונטה קרלו סימבול

קפדני יותר: להקצות התפלגות הסתברות לפרמטרים לא בטוחים (למשל, הפצה רגילה עם סטייה ממוצעת של יעילות ניסיונית) ולנהל מאות או אלפי סימולציות.הפצה של התפוקה מניבה מרווחי ביטחון. במחקר של צמח אמוניה, סימולציה מונטה קרלו של פרמטרים תרמודינמיקה (1000 ריצ'רד) הראה רווח של 90% עבור הכורה, אשר מייצרת ריכוז של ±onia של ±1.2%, אשר השפיעו ישירות על החלטות מחסידות.

Bayesian מתקרב

שילוב הידע הקודם (ממסד נתונים) עם נתונים ניסיוניים חדשים באמצעות אי השוויון Bayesian יכול להפחית את אי הוודאות.זהו צובר מתח במחקר תעשייתי, במיוחד כאשר נתונים יקרים של פיילוט זמינים כדי לעדכן פרמטרים מודל. Calibration של מודל Bayesian של מודל UNIQUAC עבור פותרי נוזל ionic מופחת חום צפוי של ערבוב אי ודאות מ ±15% ל ±4% במחקר שפורסם בשנת 2022: LTChei LTC הנדסה 1 LT LT LTChei LT LT LT LT LTC הנדסה 1D.

אסטרטגיות ל- Mitmodynamic Data Unquity

למהנדסים ולמעצבי תהליכים יש כמה כלים לניהול אי ודאות, משלב בחירת הנתונים באמצעות אימות לאחר הזימציה.

השתמש ב-High-Quality, Peer- Reviewed Data מקורות

נתונים מחוסנים כמו מנוע ה-DIPPR 801, הכולל הערכות וערכים המומלצים. עבור רכיבים טהורים, בדיקה בין מקורות מרובים.עבור פרמטרים של תערובת, לטובת נתונים ממידות VLE עם אי ודאות מיועדת (למשל, באמצעות סדרת DACHEMA כימיה). להימנע מקורות אינטרנט לא מאומתים או ספרות מבוגרת יותר ללא פרטים ניסיוניים.

ניתוח רגישות מערכתית

ניתוח רגישות אינסטיראט לתוך זרימת העבודה סימולציה מוקדם. השתמש נגזרות רגישות מקומית (באמצעות זעזוע) או שיטות גלובליות (למשל, Sobol Indices) כדי לדרג את ההשפעה של כל פרמטר.מקד מאמצי רכישת נתונים על פרמטרים עם רגישות גבוהה וחוסר ודאות גבוהה.לדוגמה, אם פרמטר אינטראקציה בינארי בין שני מרכיבים מרכזיים בעמודה תמציתית יש רגישות גבוהה ואי ודאות גבוהה (למשל, ± ± NR).

יישום שיטות מתקדמות של Fitting ו-Inimation

כאשר הנתונים הניסוייים הם ספארים, להשתמש בטכניקות כמו שיטת הסבירות המקסימלית כדי להתאים מספר רב של נתונים בו זמנית (למשל, VLE, עודף enthalpy, וקיבולת חום) כדי להשיג מערך עקבי של פרמטרים.זה מקטין את הכדאיות ומשפר את התחזיות של נכסים, לשקול מודלים היברידיים המשלבים תרומות קבוצתיות עם למידת מכונה (למשל, יערות אקראיים או רשתות עצביות על מסד הנתונים של T) הראו רק 20-Cup-Cup-C) חיזוי רק לשגיאות של 20-CDC.

עקבו אחרי Bench-Scale or Pilot Data

לפני סיום עיצוב תהליך, לאמת את הסימולציה עם נתונים ניסיוניים מוגבלים מעמודה בקנה מידה ספסל או מיני-סבירקטור. אפילו 10-15 נקודות נתונים בתנאים רלוונטיים יכולים להגדיל באופן דרמטי את האמון. אימות תעשייתי הוא תרגול סטנדרטי בתעשיות כימיות ותרופות מיוחדות שבו גדלים קטנים אצווה דרישות טוהר גבוה להגדיל את העלות של אי הוודאות.

המונחים: Safety Margins

כאשר אי הוודאות אינה יכולה להיות מופחתת, עיצוב יתר הוא נפילה מעשית.לדוגמה, אם אי הוודאות נקודת הבועה היא ± 2C, עיצוב condenser עם שולי טמפרטורה של 5 מעלות צלזיוס, להוסיף גורם בטיחות של 10-20% על אזור החלפת חום אם יכולות חום הן בלתי ברורות.

גישה מתפתחת לצמצום אי-ודאות

ההתקדמות האחרונה במדעי הנתונים וכימיה חישובית מספקת דרכים חדשות להפחית את אי הוודאות של נתונים תרמודינמית.

Machine Learning for Property Prediction

מסדי נתונים בקנה מידה גדול (NIST TRC, PubChem) מכילים כעת מיליוני נקודות נמדדות.מודלים של למידת מכונות - במיוחד רשתות עצביות גרפיות ואדריכלות טרנספורמטיביות - יכולים לחזות נכסים כמו נקודה מרתקת, entlepy של היווצרות, ופעילות coefficients עם דיוק מתקרב אי ודאות ניסיונית מתקרבת לרווחים כימיים בולטים היטב. מודל 2023 על ידי חוקרים ב-MIT השיגו MAE של 0.8C עבור נקודות רותחות של חיזוי ניסיוניות של חומרים אלה, בהשוואה ל-C עבור תרכובות אופייניות של מינרלים.

נתונים כימיים

חישובים ברמה גבוהה (למשל, CCSD(T) עם בסיס שלם להגדיר תוספת חד-חמצני) יכול למקם את התרמוכימיה של גז-phase ל "דיוק כימי" (±1 kcal/mol) בעוד יקר חישובי, שיטות אלה מספקות כעת ערכי התייחסות לתרכובות שבהן המדידות ניסיוניות הן מסוכנות או בלתי אפשריות (למשל, ביניים תגובתיים, רדיונואידים).

רכישת נתונים חכמים

במקום למדוד את כל התכונות, קמפיינים ניסיוניים יכולים להיות מונחה על ידי מושג "ערך המידע" על ידי שילוב אופטימיזציה גלובלית של Bayesian עם סימולטורים תהליך, החוקרים היעד המדידות כי למקסם את ההפחתה של אי הוודאות לעלויות יחידה.זה כבר מיושם בהצלחה על עיצוב של מודעות בתהליכי לכידת פחמן, שבו נתונים תרמודינמיקה עבור פותרים היו מראש על בסיס ההשפעה שלהם על על על עלויות התפעול.

מסקנה

אי הוודאות של הנתונים התרמודינמית היא חלק מהותי של סימולציה של תהליכים כימיים, אבל זה לא צריך להיות מקום עיוור.על ידי הבנת המקורות - שגיאות ניסיוניות, מגבלות מודל, עמידות מסד נתונים, והסיכונים של איסוף נתונים - מהנדסים יכולים לאמץ גישה פרואקטיבית ניתוח רגישות שיטתית, בחירת נתונים באיכות גבוהה, וטכניקות הייחוס מתקדמות להפחית את הסיכון של כשלי עיצוב ועלות גבוהות יותר של כלי למידה קוונטית ואבטחה מדויקת יותר, כלומר, לא בטוח יותר, הוא שיפור נתונים יעיל יותר, בסופו של אבטחה, בסופו של דבר, הוא שיפור יעיל של דבר, ואפקטים יעילים, ואפקטים בטוח לחלוטין, ואפקטים בטוח, ואפקטים של אבטחה, הוא שיפור של אבטחה, ובסופו של אבטחה, הוא שיפור יעיל של אבטחה, ואפקטים, ובסופו של דבר, הוא שיפור יעיל של דבר, ואפקטים מדויקים של אבטחה, ואפקטים של אבטחה, ואפקטים של דבר, הוא שיפור של אבטחה של אבטחה, ואפקטים של אבטחה של אבטחה של אבטחה, ואפקטים מדויקים, הוא שיפור יעיל של אבטחה יעיל של אבטחה, ובסופו של אבטחה, ואפקטים, בסופו של דבר, הוא שיפור יעיל של אבטחה, ואפקטים יעילים של אבטחה, הוא בסופו של אבטחה, בסופו של דבר, ואפקטים,

(ב) לקריאה נוספת, ה- 0 (NIST Thermodatas EngineFLT) מציע נתונים מחוסנים עם הערכות אי ודאות: 2AIChE Chemical Engineering ProgressFLT 3 באופן קבוע מפרסם מחקרים על ניהול אי ודאות. a Baseal על אי-ודאות סימולציה תהליך ניתן למצוא ב-FLT:4Industrial Research & הנדסה כימית הנדסת חשמלמבדרישה (F5) סימולציה מסחרית ו-F: