🔬 工艺参数智能优化平台

告诉我你的工艺目标,我帮你设计实验、分析数据、给出可操作的工艺建议。
不懂动力学?没关系,你只需要知道你想达成什么效果。

💬 描述你的工艺目标

快速选择:
🤖

智能引导模式

适合不熟悉动力学模型的用户。AI 会引导你:
① 理解你的工艺目标
② 告诉你需要做什么实验
③ 分析数据并给出工艺建议

开始引导 →

专家工作台

适合熟悉动力学模型的用户。
直接进入 Kissinger / Arrhenius / Ostwald / 经验拟合工作台,手动控制所有参数。

进入工作台 →

🎬 典型场景演示

🔥

干燥工艺优化

Ca(HCO₃)₂ 热分解
DSC 变温 → Kissinger 拟合
→ 150°C 干燥 8 分钟

试试这个案例 →
📦

存储寿命预测

NCM 材料容量衰减
多温度等温 → Arrhenius
→ 25°C 存储 6 月安全

试试这个案例 →
🔬

烧结工艺优化

陶瓷晶粒长大
变温+变时 → Ostwald
→ 850°C 4h 达到目标

试试这个案例 →
🎬

自动演示

无需操作,自动展示
完整 AI 引导流程
适合向管理层展示

开始自动演示 →
不上传数据;所有计算在浏览器内完成。AI 仅用于理解工艺目标和推荐实验方案。

🤖 智能工艺优化引导

目标确认
数据输入
结果与建议
Thermal & storage kinetics

多场景反应动力学拟合与预测

分别处理变升温实验 Kissinger/Ozawa 拟合、多个存储温度下定时反应量的 Arrhenius 动力学,以及经验指数饱和模型。适合 DSC/TG 峰温法、20/45/65 ℃ 存储反位/副反应量、容量衰减或杂质生成等快速估算。

非等温:ln(β/Tp²) vs 1/Tp
等温:y = y∞ · (1 - e^(-k t))
Arrhenius:ln k = ln A - Ea/RT
经验饱和:y = y0 + ymax · (1 - e^(-(t/τ)^m))
Kissinger Ozawa-FWO Arrhenius CSV

数据输入

适用:DSC/TG 变升温实验,测定不同升温速率 β 下的放热/吸热峰温 Tp,拟合 Kissinger-Ozawa 方程求活化能 Ea 和指前因子 ln A。示例数据:Ca(HCO₃)₂ 热分解反应 DTG 实验数据 [1]。
[1] 碳酸氢钙热分解动力学研究, 表4-2 Kissinger DTG 数据

拟合结果

预测设置

预测使用 Kissinger 拟合得到的 Ea 和 A,结合 Arrhenius 方程 k = A·exp(-Ea/RT) 计算不同温度下的反应速率。

⚠ 预测基于 n 级反应假设 f(α)=(1-α)^n,仅作趋势参考。实际反应机理可能不同。

预测曲线

数据输入

适用:多个恒定温度下的等温实验,记录各温度下不同时间的反应量(如存储副反应量、容量衰减率等)。指定反应级数 n,全局拟合 y∞(极限值)、Ea(活化能)、A(指前因子),预测任意温度下的反应速率。

拟合结果

预测设置

预测曲线

数据输入

适用:无明确动力学模型的时间序列数据,如容量衰减、杂质积累、吸湿增重等,用经验指数/拉伸指数饱和模型拟合。

拟合结果

简单指数(m=1)适合单一速率过程;拉伸指数(m ≠ 1)适合多机理叠加或分散体系。

预测设置

预测 x 与数据输入框联动,可在上方直接修改。点击"刷新预测"重新渲染曲线。

预测曲线

数据输入

适用:晶粒长大或烧结过程,不同温度下测量晶粒尺寸随时间的变化,拟合 dⁿ - d0ⁿ = K(T)·t,求长大活化能 Q 和 ln K0。

拟合结果

预测设置

预测曲线

分温度 K 表

原始数据拟合表

不上传数据;所有计算在浏览器内完成。输出用于快速估算,正式报告建议保留原始实验条件、数据来源、误差和机理假设。

🎬 自动演示:AI 如何指导工艺优化