Анализ на металургични данни и граници на AI с Python

Печалби:

• Възможност за създаване и разбиране на кода, който почиства, анализира и визуализира металургични данни с Python, с поддръжка на AI
• Способност за създаване на навик за валидиране на код, генериран от AI, с проверка на единица, тестов случай и физическа правдоподобност
• Холистично разбиране на ограниченията от край до край, отговорността и етичната рамка на ИИ в металургията

Металургичната работа все повече се извършва с повече данни: стотици резултати от тестове за опън, хиляди SPC измервания, записи в пещта за термична обработка, резултати за характеризиране. Преследването на тези данни ръчно в Excel е бавно и податливо на грешки; Python (общ език за програмиране за анализ на данни и научни изчисления) прави това повторяемо, подлежащо на проверка и автоматично. AI е много мощен при писане, отстраняване на грешки и обяснение на код на Python — но кодът, който произвежда, може да изглежда правилен, но да даде грешен резултат: грешка на единица, грешен коефициент, тиха загуба на данни. В този последен модул ще научите как да анализирате металургични данни с поддръжка на AI в Python и да проверявате всеки код, след което холистично да закръглите границите на AI, отговорността и етичната рамка, обхванати в целия модул.

Типични задачи при анализ на металургични данни

Често срещани задачи с поддръжка на AI в Python:

• Почистване на данни: Липсваща стойност, объркване на единиците (MPa спрямо ksi), премахване на извънредни стойности. Мръсните данни развалят дори най-добрия анализ.
• Визуализация: Изчертаване на крива на опън, контролна диаграма, разпределение на размера на зърната, профил температура-време.
• Hesap ve ilişki: Хол-Петч (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Арениус (sıcaklık-hız), regresyon, istatistik.
• Автоматизация: Пакетна обработка на голям брой файлове и създаване на обобщени таблици/отчети.

Връзката Хол-Петч е добър пример тук: границата на провлачване се увеличава обратно пропорционално на корен квадратен от диаметъра на зърното. AI може да преведе тази формула в код; Но независимо дали използвате d като микрометър или метър и каква единица използвате за коефициента k, напълно променя резултата. Коректността на кода не се крие в запомнянето на формулата, а в валидирането на единиците и тестовия случай.

Съвет: Не забравяйте да включите „тест за известен отговор“ във всеки акаунт, който AI пише. Дайте малък вход, чийто резултат знаете на ръка (напр. очаквана якост за d = 100 µm); Ако кодът дава тази стойност, можете да му се доверите; ако не, грешката е скрита.

Стъпка по стъпка: Безопасен поток на анализ с AI

1. Опишете задачата и данните: Кой файл, кои колони, кои единици, какво ще се изчислява?
2. Поискайте скелет с код: Помолете AI за коментиран, разделен на стъпки скелет; Дефинирайте единици с изрични променливи в горната част.
3. Тествайте с малки данни: Първо стартирайте с няколко реда/известни стойности; Проверете резултата ръчно.
4. Контрол на единица и граница: Физически приемлив ли е резултатът? Има ли глупости като отрицателна сила, 120% процент?
5. Визуализирайте и погледнете: Графиката показва ли очакваната тенденция? Грешки в данните за отклоненията ли са?
6. Проверете и документирайте: Сравнете резултата с независимо изчисление/стандарт; Коментирайте кода и предположенията.

Таблица за проверка на AI код

Риск

симптом

Метод на контрол

Грешка в единицата

Резултатът е 1000x перверзник

Дефинирайте единици в изрична променлива, контрол на размера

Неправилен коефициент/формула

Разумна, но грешна стойност

Тестови сценарий с известни отговори

Тиха загуба на данни

Броят на редовете е по-малък от очаквания

Отпечатайте броя на редовете преди/след обработката

извънредно изкривяване

среден каяк

Визуализирайте с графика, вижте разпределението

Прекомерно оборудване (халюцинативна библиотека)

несъществуваща функция

Стартирайте, прочетете грешката, вижте документацията

три мини калъфа

Случай 1 — Грешка в скрития том. Инженер изисква код от AI ​​за изчисление на Hall-Petch; Кодът очаква диаметър на зърното в метри, но инженерът въвежда микрометри. Резултатът е 1000 пъти перверзен, но не се забелязва на пръв поглед, защото изглежда като "цифра". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Урок: тестването с известен отговор разкрива грешка в единицата за секунди.

Случай 2 — Тиха загуба на данни. Екип почиства 500 резултата от тестове за изтегляне с код, написан от AI; Докато кодът изхвърля редовете с липсващи стойности, той също случайно отхвърля някои от валидните редове, оставяйки 300 реда. Средната сила е по-висока от очакваната, тъй като партидата с ниска стойност е елиминирана. Когато екипът отпечата броя на редовете преди/след обработката, те виждат, че 200 реда са безшумно изчезнали и коригират филтъра. Урок: отпечатването на броя редове на всяка стъпка на обработка на данни улавя тихи загуби.

Случай 3 — Правилна употреба, повтарящ се отчет. Екип за качество трябва да обработва десетки записи на пещи и да изготвя обобщени отчети всяка седмица. Той иска от AI ​​да напише коментиран скрипт, който чете файлове на едро и създава графики и обобщени таблици. Екипът тества кода с няколко известни файла, проверява броя на единиците и редовете, визуално инспектира изходната графика. След това използва скрипта всяка седмица; Работните часове са сведени до минути и работят по един и същи начин всяка седмица. AI активира повтаряща се автоматизация, потвърди екипът.

Копируеми шаблони за подкана

ШАБЛОН НА СКЕЛЕТ НА КОД "Роля: Вие сте асистентът на кода за анализ на металургични данни. Задача: [напр. Прочетете резултатите от чертежите от CSV и средна граница на провлачване]. Данни: [файл, колони, ЕДИНИЦИ]. напишете коментиран скелет с панди: (1) дефинирайте единици в отворена променлива в горната част, (2) прочетете данни и отпечатайте броя на редовете, (3) изчистете и отпечатайте броя на редовете ОТНОВО, (4) направете изчислението, (5) отпечатайте резултата и добавете коментари към всяка стъпка, където трябва да проверя."

ШАБЛОН ЗА ТЕСТ ЗА ПОЗНАТ ОТГОВОР "Напишете 'тест за известен отговор' за следната функция: [функция]. Изберете малък вход, чийто резултат може да се изчисли ръчно, коментирайте очаквания изход и проверете с assert. Също така тествайте последователността на единицата. Ако тестът не премине, избройте възможните причини (единица, коефициент, формула)."

ПРЕГЛЕД НА КОД / ШАБЛОН ЗА ОТСТРАНЯВАНЕ НА ГРЕШКИ "Проверете следния код: [код]. Проверете и маркирайте следното: (1) последователност на обема, (2) риск от безшумна загуба на данни, (3) въздействие на извънредни стойности, (4) физически невъзможен резултат (отрицателна сила, >100% честота). Напишете как да проверите за всеки риск. Не потвърждавайте кода като "работещ"; посочете ненадежден без тестване."

ШАБЛОН ЗА ВИЗУАЛИЗАЦИЯ "начертайте [крива на опън / контролен график / разпределение] с matplotlib. Добавете ЕДИНИЦИ към етикетите на осите, поставете заглавие и решетка. Маркирайте извънредните стойности по различен начин. Обърнете внимание, че трябва да инспектирам визуално графиката и да проверя очакваната тенденция (напр. нарастващо напрежение-деформация). Не скривайте никакви точки, за да "разкрасите" данните."

Слаба подкана / Силна подкана

СЛАБА ПОДКАНА: „Напишете ми код, който прави изчисление на Хол-Петч.“

СИЛНА ПОДСКАЗКА: „Роля: Вие сте асистентът на кода за анализ на металургични данни. Напишете функция на Python за изчисляване на Hall-Petch(σy = σ0 + k·d^(-1/2)). Единици: d микрометър, σ0 и σy MPa, k MPa·µm^(1/2). Включете преобразуването на единици във функцията и коментирайте. Също d = 100 Изчислете очаквания резултат ръчно за µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 и тествайте с assert. Добавете физическа правдоподобност (σy не може да бъде отрицателна без тестване).

Слабата подкана създава код, който няма модул и тестване и може тихо да се обърка. Силните подкани ясно дефинират единици, налагат преобразуване, изискват тестване с известен отговор и проверка на правдоподобността - правейки кода проверим.

Холистично резюме на модула: Мястото и границите на ИИ в металургията

В този модул се повтаря един-единствен принцип: AI е помощник, а не вземащ решения. В дванадесет единици използвахме AI от край до край, от избор на материал до прогнозиране на свойствата, фазов анализ до микроструктура, термична обработка до производство, контрол на качеството до анализ на щетите, характеризиране до стандартизация и анализ на Python. Във всяка единица AI обяснява концепции, генерира хипотези, пише чернови и код - но в нито една единица не взема решението сам. Ограниченията бяха ясни: халюцинация (измислен номер и стандарт), неделегиране на критична за безопасността отговорност, зависимост от качеството на данните и измерване/калибриране, риск от екстраполация и поверителност. Дисциплината на проверката винаги е оставала при хората в триъгълника стандарт-лаборатория-сметка.

Често срещани грешки

• Прилагане на кода към реални данни без тестване с известни отговори.
• Недефиниране на единиците ясно; Пренебрегвайки MPa/ksi, µm/m объркване.
• Не се отпечатва броят на редовете по време на стъпките за обработка на данни и не се забелязва тихата загуба.
• Разчитане на средната стойност без визуализиране на отклонения.
• Приемане на несъществуващата библиотека/функция, създадена от AI, без да се изпълнява.
• Ако приемем, че кодът е правилен, защото „изглежда работи“; липса на проверка на физическата правдоподобност.

В обобщение

AI в анализа на металургични данни с Python е мощен ускорител за кодиране, отстраняване на грешки и автоматизация; но кодът, който произвежда, може да съдържа единици грешки, неправилни коефициенти и тиха загуба на данни. Проверете всеки код с тестване с известен отговор, проверка на единици, проследяване на броя на редовете и физическа правдоподобност. Тук, както и в целия модул, AI е помощникът: той осигурява бързина и организация, точността и отговорността се поемат от оторизирания инженер. При критични за безопасността металургични решения изходът на AI никога не е заместител на стандарти, експерименти, изчисления и одобрение от компетентни инженери.

Задача за приложение

Изберете металургично изчисление (напр. Hall-Petch или средни данни за опън). С шаблона „CODE SKELETON“ помолете AI за коментиран код, който отпечатва броя на редовете с изрични единици. След това добавете тестов сценарий, при който знаете резултата ръчно с шаблона „ТЕСТ ЗА ПОЗНАТ ОТГОВОР“ и го стартирайте. Ако кодът не дава очакваната стойност, намерете грешката (единица, коефициент, данни) и я поправете. И накрая, напишете за дисциплината за проверка на AI, която научихте в този модул, като я адаптирате към собствения си бизнес в три статии.

контролен списък

• [ ] Ясно определих задачата, данните и единиците към AI.
• [ ] Дефинирах единиците с изрични променливи в горната част на кода.
• [ ] В стъпките за обработка на данни отпечатах броя на редовете и проверих безшумната загуба.
• [ ] Проверих кода с тестов случай с известен отговор.
• [ ] Проверих физическата правдоподобност (отрицателна/абсурдна стойност) на изхода.
• [ ] Използвах AI като ускорител; Запазих почтеност и отговорност.

Изпит по модул

1. Когато работите с AI инструмент като инженер по материали, крайната отговорност за кое от следните трябва винаги да остава на човека (правен инженер)?

• A) Одобрение и подписване на годността на частта за обслужване ✔
• Б) Изготвяне на първи проект на протокол за щета
• C) Редактиране на етикетите на осите на графика на микроструктура
• Г) Подготовка на речник на металургичните термини за презентация

Описание: AI; Може да ускори задачи като изясняване на концепция, изготвяне на доклад, списък с хипотези и скелет на кода. Въпреки това, одобряването на годността на част за обслужване/полет е решение, което води до безопасността на живота и имуществото; не може да бъде прехвърлен към AI без акредитирано тестване и одобрение от оторизиран инженер.

2. Попитахте AI за границата на провлачване на стомана AISI 4140 при закаляване и темпериране при 200 °C и той отговори „1500 MPa със сигурност“. Кое е първото правилно действие, което трябва да предприемете?

• A) Поставете стойността директно в сметката за дизайн, защото AI изглежда уверен
• B) Проверка на стойността с лист с данни за материала/сертификат за мелница и тест за опън, ако е необходимо, без да се разчита на стойност от една точка ✔
• C) Случайно понижаване на стойността, за да остане на сигурно място
• D) Приемете стойността и преминете директно към рецептата за термична обработка

Обяснение: Езиковите модели могат убедително да измислят необосновани числа (халюцинации). граница на провлачване; Тя варира в широк диапазон в зависимост от температурата на темпериране, дебелината на профилите и способността за закаляване. Необходимо е да се получи стойността от сертификата на мелницата или теста за опън в съответствие със стандарта и да не се включва изход на AI с една точка в проекта.

3. С модел за машинно обучение, предсказващ свойствата на стоманата, AI създаде „безопасна“ стойност за сплав, доста извън обхвата на състава в данните за обучение. Какъв е основният проблем с този резултат?

• A) Моделът винаги дава резултати в проценти, MPa е грешен
• B) Прогнозата е ненадеждна, защото е направена извън обхвата на данните за обучение (екстраполация) и трябва да бъде проверена чрез експеримент ✔
• C) Моделът работи само за неръждаема стомана
• D) Изходът на модела винаги е точно два пъти по-голям от действителната стойност

Обяснение: Моделите за машинно обучение работят разумно в обхвата на данните за обучение (интерполация); Когато са извън този диапазон (екстраполация), прогнозите стават ненадеждни и моделът често не показва това. Стойността, генерирана в точка извън разпределението на данните за обучение, не може да се използва без експериментално валидиране.

4. Приложихте AI за изчисляване на съотношението на фазите в двуфазна сплав. Какъв вход трябва да използва AI правилно, когато прилага „правилото на лоста“?

• А) Само температура; комбинациите са ненужни
• Б) Само плътността на сплавта
• C) Общият състав на сплавта със съставите на фазовите граници при съответната температура ✔
• Г) Само температурата на топене

Обяснение: Правилото на лоста дава фазовите количества, като използва разстоянията между съставите на фазовите граници (напр. съставите на твърдата и течната фаза) и общия състав на сплавта при дадена температура. Ако комбинациите на фазовите граници се прочетат неправилно, съотношението ще бъде напълно погрешно; Следователно потвърждаването на стойностите от фазовата диаграма е задължително.

5. Измерихте размера на зърното от микроструктурата с поток за обработка на изображения, задвижван от AI, но сте забравили да калибрирате мащабната лента спрямо пиксела. Защо резултатът е ненадежден?

• A) Всички измервания на размерите са в грешен мащаб, тъй като не е извършено калибриране на дължината на пиксела ✔
• B) Измерването е изкривено, защото се използва цветно изображение
• C) Размерът на зърното може да бъде измерен само чрез SEM, оптичната микроскопия е неточна
• D) Измерването не е необходимо, тъй като разделителната способност на изображението е висока

Описание: В количествената металография всеки пиксел съответства на дължина; Ако тази трансформация не е калибрирана с мащабната лента, всички размерни измервания като размер на зърното, съотношение на фазите и порьозност ще се появят на грешна скала. Калибрирането е първата и задължителна стъпка от измерването, базирано на изображения.

6. AI предложи рецепта за термична обработка (аустенизиране + закаляване + темпериране) за постигане на целевата твърдост на стомана. Коя е най-добрата стъпка преди прилагане на рецептата?

• А) Прилагане на рецептата директно в масовото производство
• B) Приложете рецептата върху пробното парче, измерете твърдостта/микроструктурата и я сравнете със стандарта ✔
• C) Просто произволно увеличете температурата на темпериране от безопасна страна
• Г) Коригиране и утвърждаване само на изписването на предписанието

Описание: В резултат на топлинна обработка; Дебелината на детайла, способността за закаляване (Jominy) варират силно в зависимост от реалността на пещта и охлаждащата среда. Предписанието, дадено от AI, е първоначална хипотеза; Трябва да се провери чрез нанасяне върху пробното парче и измерване на твърдостта и микроструктурата и сравняване със стандарта.

7. Поискахте от AI "номер на конкретно вещество" на стандарт ASTM за гранична стойност на материала и той отговори с точна стойност. Какво е правилното инженерно поведение?

• A) Записване на стойността директно в отчета, тъй като AI е актуален
• B) Промяна на стойността на случаен принцип, за да останете на сигурно място
• C) Проверете номера на веществото, версията и стойността от официалния и текущия стандартен текст ✔
• D) Добавяне на номера на артикула към файла за съответствие, без да го проверявате

Обяснение: Дори ако езиковите модели знаят стандартното име правилно, те може да запомнят погрешно или да съставят номера на статията, версията и точката на прекъсване. В обвързващи полета като ASTM/ISO/EN всяко вещество и стойност трябва да бъдат проверени дословно от официалния и актуален източник; AI изходът показва само къде да търсите.

8. Показахте снимката на счупената повърхност на болт на AI и получихте отговора „това определено е счупване от умора“. Какъв е правилният подход за анализ на първопричината?

• A) Записване на диагнозата директно в доклада, защото AI говори точно
• B) Просто увеличете резолюцията на снимката и потвърдете диагнозата
• C) Инсталиране на нова част без проверка на счупената повърхност
• D) Потвърдете диагнозата като хипотеза с фрактография, история на заряда и доказателства за микроструктура ✔

Описание: Интерпретация на счупена повърхност; Фрактографията (набраздяване, плажни линии, разделяне на вдлъбнатини/разцепване със SEM) изисква разглеждане на историята на натоварването, околната среда и доказателствата за микроструктурата заедно. Окончателната диагноза, която AI поставя от една снимка, е хипотеза; Основната причина не може да бъде обявена без потвърждение от лабораторни резултати.

9. AI приписва пик на специфична фаза в XRD (рентгенова дифракция) модел. Кой е най-подходящият метод за надеждна фазова идентификация?

• A) Съпоставяне на пика с базата данни с референтни модели (напр. PDF карти) и проверка за припокриване и артефакти ✔
• B) Приемане на заданието директно, защото AI казва името на фазата
• В) Отчитане само на най-високия връх и игнориране на останалите
• Г) Оцветете шаблона и го направете визуално красив

Описание: Идентификацията на XRD фазата се извършва чрез съпоставяне на измерените пикови позиции и интензитети с известни референтни модели (напр. ICDD/PDF карти). Присвояването на един изолиран пик е подвеждащо; трябва да се вземат предвид припокриващи се пикове, преференциална ориентация и фонови артефакти и присвояването да се потвърди с референтната база данни.

10. Проект на доклад за повреда/инспекция, изготвен от AI, съдържа технически стойности, които са течни, но с неизвестен произход. Какво е правилното поведение?

• А) Представяне на доклада такъв, какъвто е, защото текстът е свободен
• Б) Закръгляване и гланциране на стойностите
• В) Просто прочетете резюмето и пропуснете останалото
• D) Свържете всяка стойност с оригиналното измерване/източник и премахнете непотвърденото ✔

Описание: Всяка техническа стойност в отчета; Той трябва да бъде проследим до измерване, калибриран запис на устройство, стандарт или данни на производителя. Дори ако това е стойност в свободно изречение, нито едно число, чийто източник не е проверен, не трябва да бъде включено в доклада или основата за решение; В противен случай към документа се прехвърля фиктивна стойност, която създава отговорност.

11. Коя е най-добрата стъпка преди да използвате изчисление на Python, генерирано от изкуствен интелект (напр. съотношението Хол-Петч за размер на зърното – граница на провлачване)?

• A) Прилагане на кода директно към действителните производствени данни
• B) Просто се уверете, че кодът изглежда кратък и спретнат
• C) Изпълнете кода в тестов сценарий с известни резултати и проверете единиците и изхода ✔
• Г) Изтриване на част от кода, за да се съкрати

Обяснение: Кодът може да изглежда правилен, но да даде грешен резултат: може да има грешка в единицата, неправилен коефициент или грешка във формулата. Изпълнението на кода в малък тестов случай, където знаете резултата на ръка и сравняването му с очаквания изход и проверката на единиците улавя грешката, преди да се пренесе към действителното решение.

12. Искате да поставите все още непатентованата рецепта за сплав и параметрите на процеса на вашата компания в публично достъпен AI инструмент и да поискате анализ. Кой е най-правилният подход?

• A) Поставете рецептата така, както е, за да стане по-бързо
• Б) Достатъчно е просто да изтриете името на фирмата и да споделите всички останали параметри.
• C) Споделяне на данните и след това искане от AI да ги изтрие
• D) Проверка на институционалната политика и анонимизиране на данните или използване на защитен/институционален инструмент ✔

Описание: Рецептата на сплавта, параметрите на процеса и спецификациите на клиента са търговска тайна и са чувствителни към интелектуалната собственост. Преди да споделите данни, е необходимо да проверите корпоративната политика, да ги анонимизирате или да използвате институционален/на място инструмент, който не изпраща данните.

13. Задвижвана от изкуствен интелект SPC (статистически контрол на процеса) система отбеляза, че лимитът на контролната диаграма е бил превишен в производствена партида. Какво е правилното инженерно поведение?

• A) Игнорирайте предупреждението и продължете производството
• B) Разширяване на контролните граници, така че да не се появява предупреждение
• C) Разгледайте предупреждението като тригер, потвърдете измерването, проучете първопричината и решете с критерии за приемане ✔
• D) Директно бракуване на цялата партида без измерване

Обяснение: Превишаването на ограничението на контролната карта е предупреждение; Основната причина не е автоматично очевидна. Може да е грешка в измерването, проблем с вземането на проби или действително отклонение на процеса. Правилният подход е да се разглежда предупреждението като тригер, да се потвърди измерването, да се проучи първопричината и да се вземе решение въз основа на критериите за приемане и NDT/резултат от изследване.

14. Подпомогната от изкуствен интелект оценка на изображението върху отливка маркира зона като „приемлива“. Какъв е правилният подход за критична за безопасността част?

• A) Разглеждане на предварителната оценка на AI като инструмент за скрининг и свързване на окончателното приемане с резултата от NDT и оторизираното одобрение ✔
• B) Считайте оценката на AI за окончателно приемане и одобрете частта
• C) Преминаване към следващия процес, без изобщо да инспектирате частта
• Г) Достатъчно е просто да проверите визуално повърхността на детайла.

Описание: Вътрешните дефекти на отливката (порьозност, свиване, включвания) често са невидими от повърхността и се оценяват чрез безразрушителен тест (NDT: радиография, ултразвук). Предварителната оценка, която AI дава чрез изображението, е инструмент за скрининг; Окончателното приемане на критичната за безопасността част се дава с NDT и одобрение от оторизирана инспекция в съответствие със стандарта.