രാസ സമവാക്യങ്ങള് സന്തുലിതമാക്കുക
രാസ സമവാക്യങ്ങള് സന്തുലിതമാക്കുക
രാസ സമവാക്യങ്ങള് സന്തുലിതമാക്കുക. ഒരു സമവാക്യം സന്തുലിതമാക്കുന്നതിന്, പദാര്ത്ഥങ്ങളുടെ രാസ ഐഡന്റിറ്റി സംരക്ഷിച്ചുകൊണ്ട് ഗുണകങ്ങള് മാറ്റുന്നു. പരീക്ഷണവും തെറ്റും ഉപയോഗിച്ചോ ബീജഗണിത രീതികള് ഉപയോഗിച്ചോ സന്തുലിതാവസ്ഥ നേടാം. സമവാക്യങ്ങള് സന്തുലിതമാക്കുന്നത് സ്റ്റോയിക്കിയോമെട്രിക് കണക്കുകൂട്ടലുകള്ക്കും, ഒരു രാസപ്രവര്ത്തനത്തിലെ പ്രതിപ്രവര്ത്തകങ്ങളും ഉത്പന്നങ്ങളും തമ്മിലുള്ള അളവ് ബന്ധങ്ങള് നിര്ണ്ണയിക്കുന്നതിനും അത്യാവശ്യമാണ്.
ബന്ധപ്പെട്ട പദാവലി
ബന്ധപ്പെട്ട പദാവലി
മെഷീന് ലേണിംഗ്, കൃത്രിമബുദ്ധി എന്നിവയുടെ സന്ദര്ഭത്തില്, പലപ്പോഴും പരസ്പരം മാറ്റി ഉപയോഗിക്കുന്ന അല്ലെങ്കില് തെറ്റിദ്ധരിക്കുന്ന നിരവധി ബന്ധപ്പെട്ട പദങ്ങള് ഉണ്ട്. ചില പ്രധാന പദങ്ങളും അവയുടെ വിശദീകരണങ്ങളും, ഉദാഹരണങ്ങളും ഇവിടെയുണ്ട്:
മെഷീന് ലേണിംഗ് (ML): ML എന്നത് കൃത്രിമബുദ്ധിയുടെ (AI) ഒരു ഉപശാഖയാണ്, അത് കമ്പ്യൂട്ടറുകള്ക്ക് വ്യക്തമായി പ്രോഗ്രാം ചെയ്യാതെ തന്നെ പഠിക്കാനുള്ള കഴിവ് നല്കുന്നു. ML അല്ഗോരിതങ്ങള് ഡാറ്റയില് പരിശീലിപ്പിച്ച് പാറ്റേണുകള് തിരിച്ചറിയുകയും പ്രവചനങ്ങളോ തീരുമാനങ്ങളോ എടുക്കുകയും ചെയ്യുന്നു.
ഉദാഹരണം: ഭൂതകാല സ്റ്റോക്ക് മാര്ക്കറ്റ് ഡാറ്റയില് ഒരു മെഷീന് ലേണിംഗ് അല്ഗോരിതം പരിശീലിപ്പിച്ച് ഭാവി സ്റ്റോക്ക് വിലകള് പ്രവചിക്കാം.
കൃത്രിമബുദ്ധി (AI): AI എന്നത് ബുദ്ധിമാനായ ഏജന്റുകളുടെ വികസനത്തെ ഉള്ക്കൊള്ളുന്ന ഒരു വിശാലമായ ആശയമാണ്, അവയ്ക്ക് യുക്തിപൂര്വ്വം ചിന്തിക്കാനും പഠിക്കാനും സ്വയം പ്രവര്ത്തിക്കാനും കഴിയും. ML AI യുടെ ഒരു അടിസ്ഥാന ഘടകമാണ്, പക്ഷേ AI യില് സ്വാഭാവിക ഭാഷാ പ്രോസസിംഗ്, കമ്പ്യൂട്ടര് വിഷന്, റോബോട്ടിക്സ് തുടങ്ങിയ മറ്റ് മേഖലകളും ഉള്പ്പെടുന്നു.
ഉദാഹരണം: സിരി അല്ലെങ്കില് അലക്സ പോലുള്ള AI-പവര്ഡ് വര്ച്ച്വല് അസിസ്റ്റന്റിന് മനുഷ്യ വാക്ക് മനസ്സിലാക്കാനും പ്രതികരിക്കാനും കഴിയും, വിവരങ്ങള് നല്കുകയോ ജോലികള് ചെയ്യുകയോ ചെയ്യുന്നു.
ഡീപ് ലേണിംഗ് (DL): DL എന്നത് ML യുടെ ഒരു ഉപവിഭാഗമാണ്, അത് ഡാറ്റയില് നിന്ന് പഠിക്കുന്നതിന് ഒന്നിലധികം പാളികളുള്ള കൃത്രിമ നാഡീജാലങ്ങള് ഉപയോഗിക്കുന്നു. ഇമേജ് തിരിച്ചറിയല്, സ്വാഭാവിക ഭാഷാ പ്രോസസിംഗ്, സ്പീച്ച് തിരിച്ചറിയല് തുടങ്ങിയ വലിയ അളവിലുള്ള ഡാറ്റയും സങ്കീര്ണ്ണമായ പാറ്റേണുകളും ഉള്ക്കൊള്ളുന്ന ജോലികളില് DL മോഡലുകള് പ്രത്യേകിച്ചും ഫലപ്രദമാണ്.
ഉദാഹരണം: ഒരു ഡീപ് ലേണിംഗ് മോഡല് ദശലക്ഷക്കണക്കിന് ചിത്രങ്ങളില് പരിശീലിപ്പിച്ച് വ്യത്യസ്ത വസ്തുക്കള് തിരിച്ചറിയാന് കഴിയും, മുഖം തിരിച്ചറിയല്, വസ്തു കണ്ടെത്തല് തുടങ്ങിയ ആപ്ലിക്കേഷനുകള് സാധ്യമാക്കുന്നു.
നാഡീജാലങ്ങള്: നാഡീജാലങ്ങള് മനുഷ്യ മസ്തിഷ്കത്തിന് പ്രചോദനമായി നിര്മ്മിച്ച കമ്പ്യൂട്ടേഷണല് മോഡലുകളാണ്. അവ വിവരങ്ങള് പ്രോസസ് ചെയ്യുകയും ഡാറ്റയില് നിന്ന് പഠിക്കുകയും ചെയ്യുന്ന ഇന്റര്കണക്റ്റഡ് നോഡുകള് അല്ലെങ്കില് “ന്യൂറോണുകള്” ഉള്ക്കൊള്ളുന്നു. ഒന്നിലധികം പാളികളുള്ള നാഡീജാലങ്ങള് ഉപയോഗിച്ചാണ് ഡീപ് ലേണിംഗ് മോഡലുകള് നിര്മ്മിച്ചിരിക്കുന്നത്.
ഉദാഹരണം: ഓരോ മൃഗത്തിന്റെയും വ്യത്യസ്ത സവിശേഷതകള് പഠിച്ചുകൊണ്ട് പൂച്ചകളുടെയും നായ്ക്കളുടെയും ചിത്രങ്ങള് വര്ഗ്ഗീകരിക്കാന് ഒരു നാഡീജാലം ഉപയോഗിക്കാം.
സൂപ്പര്വൈസ്ഡ് ലേണിംഗ്: സൂപ്പര്വൈസ്ഡ് ലേണിംഗില്, ML അല്ഗോരിതം ഒരു ഡാറ്റാസെറ്റില് പരിശീലിപ്പിക്കുന്നു, അവിടെ ഇന്പുട്ട് ഡാറ്റ അനുബന്ധ ഔട്ട്പുട്ടുമായി ലേബല് ചെയ്തിരിക്കുന്നു. ലേബല് ചെയ്ത ഉദാഹരണങ്ങളെ അടിസ്ഥാനമാക്കി ഇന്പുട്ട് ഡാറ്റ ആവശ്യമുള്ള ഔട്ട്പുട്ടിലേക്ക് മാപ്പ് ചെയ്യാന് അല്ഗോരിതം പഠിക്കുന്നു.
ഉദാഹരണം: സ്പാം അല്ലാത്തത് എന്ന് പുതിയ ഇമെയിലുകള് വര്ഗ്ഗീകരിക്കുന്നതിന് ലേബല് ചെയ്ത ഇമെയിലുകളുടെ ഒരു ഡാറ്റാസെറ്റില് ഒരു സൂപ്പര്വൈസ്ഡ് ലേണിംഗ് അല്ഗോരിതം പരിശീലിപ്പിക്കാം.
അൺസൂപ്പര്വൈസ്ഡ് ലേണിംഗ്: അൺസൂപ്പര്വൈസ്ഡ് ലേണിംഗില്, ML അല്ഗോരിതം ലേബല് ചെയ്യാത്ത ഔട്ട്പുട്ട് ഇല്ലാതെ ഒരു ഡാറ്റാസെറ്റില് പരിശീലിപ്പിക്കുന്നു. എന്താണ് നോക്കേണ്ടതെന്ന് വ്യക്തമായി പറയാതെ തന്നെ അല്ഗോരിതം ഡാറ്റയില് പാറ്റേണുകളും ഘടനകളും കണ്ടെത്തുന്നു.
ഉദാഹരണം: അവരുടെ പെരുമാറ്റവും മുന്ഗണനകളും അടിസ്ഥാനമാക്കി ഉപഭോക്തൃ ഡാറ്റ വ്യത്യസ്ത സെഗ്മെന്റുകളായി ക്ലസ്റ്റര് ചെയ്യുന്നതിന് ഒരു അൺസൂപ്പര്വൈസ്ഡ് ലേണിംഗ് അല്ഗോരിതം ഉപയോഗിക്കാം.
റീഇന്ഫോഴ്സ്മെന്റ് ലേണിംഗ്: റീഇന്ഫോഴ്സ്മെന്റ് ലേണിംഗ് എന്നത് ML യുടെ ഒരു തരമാണ്, അതില് അല്ഗോരിതം അതിന്റെ പരിസരവുമായി ഇടപെട്ടും അതിന്റെ പ്രവര്ത്തനങ്ങള്ക്ക് പ്രതിഫലങ്ങളോ പിഴകളോ സ്വീകരിച്ചും പഠിക്കുന്നു. കാലക്രമേണ സഞ്ചിത പ്രതിഫലം പരമാവധി ആക്കുകയാണ് അല്ഗോരിതത്തിന്റെ ലക്ഷ്യം.
ഉദാഹരണം: ഒരു റോബോട്ടിനെ ഒരു ചുഴിയിലൂടെ നയിക്കാന് പരിശീലിപ്പിക്കുന്നതിന് ഒരു റീഇന്ഫോഴ്സ്മെന്റ് ലേണിംഗ് അല്ഗോരിതം ഉപയോഗിക്കാം, എക്സിറ്റിലേക്ക് അടുക്കുന്നതിന് അതിന് പ്രതിഫലം നല്കുകയും തടസ്സങ്ങളില് കൊള്ളുന്നതിന് പിഴ ചുമത്തുകയും ചെയ്യുന്നു.
സ്വാഭാവിക ഭാഷാ പ്രോസസിംഗ് (NLP): NLP എന്നത് മനുഷ്യ ഭാഷയുടെ മനസ്സിലാക്കലും സൃഷ്ടിയും കൈകാര്യം ചെയ്യുന്ന AI യുടെ ഒരു ഉപശാഖയാണ്. മെഷീന് വിവര്ത്തനം, സെന്റിമെന്റ് അനാലിസിസ്, സ്പാം ഫില്റ്ററിംഗ് തുടങ്ങിയ ജോലികളില് NLP ടെക്നിക്കുകള് ഉപയോഗിക്കുന്നു.
ഉദാഹരണം: ഉപഭോക്തൃ അവലോകനങ്ങള് വിശകലനം ചെയ്യാനും പോസിറ്റീവ് അല്ലെങ്കില് നെഗറ്റീവ് സെന്റിമെന്റ് തിരിച്ചറിയാനും ഒരു NLP അല്ഗോരിതം ഉപയോഗിക്കാം.
കമ്പ്യൂട്ടര് വിഷന് (CV): CV എന്നത് ഡിജിറ്റല് ചിത്രങ്ങളുടെയും വീഡിയോകളുടെയും മനസ്സിലാക്കലും വ്യാഖ്യാനവും കൈകാര്യം ചെയ്യുന്ന AI യുടെ ഒരു ഉപശാഖയാണ്. വസ്തു കണ്ടെത്തല്, മുഖം തിരിച്ചറിയല്, മെഡിക്കല് ഇമേജിംഗ് തുടങ്ങിയ ജോലികളില് CV ടെക്നിക്കുകള് ഉപയോഗിക്കുന്നു.
ഉദാഹരണം: സ്വയം ഓടിക്കുന്ന കാറുകളില് സഹായിക്കുന്നതിന് ട്രാഫിക് ക്യാമറ ഫൂട്ടേജില് പാദചാരികളെ കണ്ടെത്തുന്നതിന് ഒരു CV അല്ഗോരിതം ഉപയോഗിക്കാം.
മെഷീന് ലേണിംഗ്, കൃത്രിമബുദ്ധി എന്നീ മേഖലകളിലെ ബന്ധപ്പെട്ട പദാവലിയുടെ ഇവ ചില ഉദാഹരണങ്ങള് മാത്രമാണ്. ഈ മേഖല നിരന്തരം വികസിക്കുകയാണ്, പുതിയ പദങ്ങളും ആശയങ്ങളും എല്ലായ്പ്പോഴും ഉയര്ന്നുവരുന്നു.
പരമ്പരാഗത സന്തുലന രീതി
പരമ്പരാഗത സന്തുലന രീതി
പരമ്പരാഗത സന്തുലന രീതി ഒരു രാസ സമവാക്യം സന്തുലിതമാക്കാന് ഉപയോഗിക്കുന്ന ഒരു ടെക്നിക്കാണ്. ഇതില് സമവാക്യത്തിന്റെ പ്രതിപ്രവര്ത്തകങ്ങള്ക്കും ഉത്പന്നങ്ങള്ക്കും മുന്പില് ഗുണകങ്ങള് ചേര്ക്കുന്നത് ഉള്പ്പെടുന്നു, ഓരോ മൂലകത്തിന്റെയും ആറ്റങ്ങളുടെ എണ്ണം ഇരുവശത്തും ഒന്നുതന്നെയാകുന്നതുവരെ.
പരമ്പരാഗത സന്തുലന രീതി ഉപയോഗിച്ച് ഒരു രാസ സമവാക്യം സന്തുലിതമാക്കുന്നതിന്, ഈ ഘട്ടങ്ങള് പാലിക്കുക:
- സന്തുലിതമല്ലാത്ത സമവാക്യം തിരിച്ചറിയുന്നതില് തുടങ്ങുക. ഇത് ഒരു സമവാക്യമാണ്, അതില് ഓരോ മൂലകത്തിന്റെയും ആറ്റങ്ങളുടെ എണ്ണം ഇരുവശത്തും ഒന്നുതന്നെയല്ല.
- സന്തുലിതമാക്കാന് ആരംഭിക്കുന്നതിന് ഒരു മൂലകം തിരഞ്ഞെടുക്കുക. ഇത് സാധാരണയായി ഏറ്റവും കൂടുതല് സംയുക്തങ്ങളില് കാണപ്പെടുന്ന മൂലകമാണ്.
- തിരഞ്ഞെടുത്ത മൂലകത്തിന്റെ ആറ്റങ്ങളുടെ എണ്ണം സന്തുലിതമാക്കുന്നതിന് അത് അടങ്ങിയ സംയുക്തങ്ങള്ക്ക് മുന്പില് ഗുണകങ്ങള് ചേര്ക്കുക.
- ഓരോ മൂലകത്തിന്റെയും ആറ്റങ്ങളുടെ എണ്ണം ഇപ്പോള് ഇരുവശത്തും ഒന്നുതന്നെയാണെന്ന് ഉറപ്പാക്കുന്നതിന് പരിശോധിക്കുക.
- എല്ലാ മൂലകങ്ങളും സന്തുലിതമാകുന്നതുവരെ ഘട്ടങ്ങള് 3 ഉം 4 ഉം ആവര്ത്തിക്കുക.
പരമ്പരാഗത സന്തുലന രീതി ഉപയോഗിച്ച് ഒരു രാസ സമവാക്യം സന്തുലിതമാക്കുന്നതിനുള്ള ഒരു ഉദാഹരണം ഇതാ:
സന്തുലിതമല്ലാത്ത സമവാക്യം:
2H2 + O2 -> H2O
ഘട്ടം 1: സന്തുലിതമല്ലാത്ത സമവാക്യം തിരിച്ചറിയുക.
ഈ സമവാക്യത്തില്, ഹൈഡ്രജന് ആറ്റങ്ങളുടെ എണ്ണം ഇരുവശത്തും ഒന്നുതന്നെയല്ല. ഇടതുവശത്ത് 4 ഹൈഡ്രജന് ആറ്റങ്ങളും വലതുവശത്ത് 2 ഹൈഡ്രജന് ആറ്റങ്ങളുമുണ്ട്.
ഘട്ടം 2: സന്തുലിതമാക്കാന് ആരംഭിക്കുന്നതിന് ഒരു മൂലകം തിരഞ്ഞെടുക്കുക.
ഈ സാഹചര്യത്തില്, ഹൈഡ്രജന് സന്തുലിതമാക്കുന്നതില് തുടങ്ങും.
ഘട്ടം 3: ഹൈഡ്രജന് ആറ്റങ്ങളുടെ എണ്ണം സന്തുലിതമാക്കുന്നതിന് സമവാക്യത്തിന്റെ പ്രതിപ്രവര്ത്തകങ്ങള്ക്കും ഉത്പന്നങ്ങള്ക്കും മുന്പില് ഗുണകങ്ങള് ചേര്ക്കുക.
ഹൈഡ്രജന് ആറ്റങ്ങളുടെ എണ്ണം സന്തുലിതമാക്കുന്നതിന്, H2O തന്മാത്രയ്ക്ക് മുന്പില് 2 എന്ന ഗുണകം ചേര്ക്കേണ്ടതുണ്ട്. ഇത് നമുക്ക് ഇനിപ്പറയുന്ന സമവാക്യം നല്കുന്നു:
2H2 + O2 -> 2H2O
ഘട്ടം 4: ഓരോ മൂലകത്തിന്റെയും ആറ്റങ്ങളുടെ എണ്ണം ഇപ്പോള് ഇരുവശത്തും ഒന്നുതന്നെയാണെന്ന് ഉറപ്പാക്കുന്നതിന് പരിശോധിക്കുക.
ഈ സമവാക്യത്തില്, ഹൈഡ്രജന് ആറ്റങ്ങളുടെ എണ്ണം ഇപ്പോള് ഇരുവശത്തും ഒന്നുതന്നെയാണ്. ഇടതുവശത്ത് 4 ഹൈഡ്രജന് ആറ്റങ്ങളും വലതുവശത്ത് 4 ഹൈഡ്രജന് ആറ്റങ്ങളുമുണ്ട്.
ഘട്ടം 5: എല്ലാ മൂലകങ്ങളും സന്തുലിതമാകുന്നതുവരെ ഘട്ടങ്ങള് 3 ഉം 4 ഉം ആവര്ത്തിക്കുക.
ഈ സാഹചര്യത്തില്, എല്ലാ മൂലകങ്ങളും ഇപ്പോള് സന്തുലിതമാണ്. സമവാക്യം ഇപ്പോള് സന്തുലിതമാണ്:
2H2 + O2 -> 2H2O
പരമ്പരാഗത സന്തുലന രീതി ലളിതവും നേരിട്ടുള്ളതുമായ ഒരു ടെക്നിക്കാണ്, അത് മിക്ക രാസ സമവാക്യങ്ങളും സന്തുലിതമാക്കാന് ഉപയോഗിക്കാം. എന്നാല്, പരമ്പരാഗത സന്തുലന രീതി ഉപയോഗിക്കാന് കഴിയാത്ത ചില കേസുകളുണ്ട്. ഉദാഹരണത്തിന്, റെഡോക്സ് പ്രവര്ത്തനങ്ങള് ഉള്ക്കൊള്ളുന്ന സമവാക്യങ്ങള് സന്തുലിതമാക്കാന് പരമ്പരാഗത സന്തുലന രീതി ഉപയോഗിക്കാന് കഴിയില്ല.
ബീജഗണിത സന്തുലന രീതി
ബീജഗണിത സന്തുലന രീതി എന്നത് ബീജഗണിത സമവാക്യങ്ങളും ഗണിത പ്രവര്ത്തനങ്ങളും ഉപയോഗിച്ച് രാസ സമവാക്യങ്ങള് സന്തുലിതമാക്കാന് ഉപയോഗിക്കുന്ന ഒരു വ്യവസ്ഥാപിത സമീപനമാണ്. ഈ രീതിയില് അജ്ഞാത ഗുണകങ്ങള്ക്ക് വേരിയബിളുകള് നല്കുകയും ഫലമായുണ്ടാകുന്ന സമവാക്യങ്ങളുടെ സിസ്റ്റം പരിഹരിച്ച് ഓരോ പ്രതിപ്രവര്ത്തകത്തിനും ഉത്പന്നത്തിനും ഉചിതമായ ഗുണകങ്ങള് നിര്ണ്ണയിക്കുകയും ചെയ്യുന്നു.
ബീജഗണിത സന്തുലന രീതിയുടെ ഒരു ഘട്ടം ഘട്ടമായുള്ള വിശദീകരണം ഇതാ:
ഘട്ടം 1: അജ്ഞാത ഗുണകങ്ങള്ക്ക് വേരിയബിളുകള് നല്കുക സന്തുലിതമല്ലാത്ത രാസ സമവാക്യം തിരിച്ചറിയുകയും പ്രതിപ്രവര്ത്തകങ്ങളുടെയും ഉത്പന്നങ്ങളുടെയും അജ്ഞാത ഗുണകങ്ങള്ക്ക് വേരിയബിളുകള് നല്കുകയും ചെയ്യുക. വ്യത്യസ്ത ഗുണകങ്ങള്ക്ക് വ്യത്യസ്ത വേരിയബിളുകള് ഉപയോഗിക്കുക.
ഘട്ടം 2: സന്തുലിത സമവാക്യം എഴുതുക നല്കിയ വേരിയബിളുകള് ഉപയോഗിച്ച് സന്തുലിത രാസ സമവാക്യം എഴുതുക. സമവാക്യത്തിന്റെ ഇരുവശത്തും ഓരോ മൂലകത്തിന്റെയും ആറ്റങ്ങളുടെ എണ്ണം തുല്യമാണെന്ന് ഉറപ്പാക്കുക.
ഘട്ടം 3: സമവാക്യങ്ങളുടെ ഒരു സിസ്റ്റം സജ്ജീകരിക്കുക സമവാക്യത്തില് ദൃശ്യമാകുന്ന ഓരോ മൂലകത്തിനും, ഇരുവശത്തും ആ മൂലകത്തിന്റെ ആറ്റങ്ങളുടെ എണ്ണം തുല്യമാക്കുന്ന ഒരു സമവാക്യം സജ്ജീകരിക്കുക. ഈ സമവാക്യങ്ങള് രേഖീയ സമവാക്യങ്ങളുടെ ഒരു സിസ്റ്റം രൂപീകരിക്കും.
ഘട്ടം 4: സമവാക്യങ്ങളുടെ സിസ്റ്റം പരിഹരിക്കുക പകരം വയ്ക്കല് അല്ലെങ്കില് നിര്മ്മൂലനം പോലുള്ള ബീജഗണിത രീതികള് ഉപയോഗിച്ച് രേഖീയ സമവാക്യങ്ങളുടെ സിസ്റ്റം പരിഹരിക്കുക. ഇത് അജ്ഞാത ഗുണകങ്ങള്ക്കുള്ള മൂല്യങ്ങള് നല്കും.
ഘട്ടം 5: സന്തുലിതാവസ്ഥ പരിശോധിക്കുക അന്തിമ സന്തുലിത സമവാക്യം പിണ്ഡ സംരക്ഷണ നിയമത്തെ തൃപ്തിപ്പെടുത്തുന്നുവെന്ന് പരിശോധിക്കുക, ഇരുവശത്തും ഓരോ മൂലകത്തിന്റെയും ആറ്റങ്ങളുടെ ആകെ എണ്ണം തുല്യമാണെന്ന് ഉറപ്പാക്കുക.
ഉദാഹരണം:
ഇനിപ്പറയുന്ന സന്തുലിതമല്ലാത്ത രാസ സമവാക്യം പരിഗണിക്കുക:
aA + bB → cC + dD
ബീജഗണിത സന്തുലന രീതി ഉപയോഗിച്ച് ഈ സമവാക്യം സന്തുലിതമാക്കുന്നതിന്:
ഘട്ടം 1: അജ്ഞാത ഗുണകങ്ങള്ക്ക് വേരിയബിളുകള് നല്കുക:
aA + bB → cC + dD
ഘട്ടം 2: സന്തുലിത സമവാക്യം എഴുതുക:
aA + bB → cC + dD
ഘട്ടം 3: സമവാക്യങ്ങളുടെ ഒരു സിസ്റ്റം സജ്ജീകരിക്കുക:
മൂലകം A യ്ക്ക്: a = c മൂലകം B യ്ക്ക്: b = d
ഘട്ടം 4: സമവാക്യങ്ങളുടെ സിസ
BETA
