سود:
- توانایی تسریع مطالعات مبادله از الزامات ماموریت تا اندازه گیری مفهومی هواپیما/فضایی با پشتیبانی هوش مصنوعی
- توانایی انجام نوشتن الزامات، ردیابی و کنترل سازگاری با دستورات پیکربندی شده
- امکان حذف خروجی های نامعقول با اعتبارسنجی متقابل نقاط طراحی پیشنهادی هوش مصنوعی با محاسبات دستی مبتنی بر فیزیک
یک هواپیما یا فضاپیما بر اساس فهرستی از ملزومات متولد می شود، نه روی تخته طراحی. جمله "حمل این بار به این محدوده، با این سرعت، با این هزینه" نطفه طراحی است که برای سالهای آینده دوام خواهد داشت. طراحی مفهومی (اولین مرحله طراحی که در آن ابتدا اندازه، وزن و پیکربندی خودرو مشخص می شود) فرآیند استخراج شکل اولیه از این دانه است. تصمیمات گرفته شده در اینجا ارزان هستند، اما اثرات آنها گران ترین هستند: یک انتخاب مفهومی اشتباه می تواند میلیون ها دلار طراحی دقیق را دور بریزد.
در این واحد، ما از هوش مصنوعی (AI) برای کاهش سه بار طراحی مفهومی استفاده خواهیم کرد: ترجمه درخواستهای وظایف مبهم به نیازهای قابل اندازهگیری، حفظ قابلیت ردیابی و سازگاری بین نیازمندیها، و تسریع تجزیه و تحلیل مبادله بین گزینههای طراحی رقیب. اما اجازه دهید این اصل مهم را از ابتدا بیان کنیم: هر اندازه، هر تخمین وزنی که هوش مصنوعی پیشنهاد میکند، لزوماً توسط یک محاسبه دستی مبتنی بر فیزیک تأیید میشود. هوش مصنوعی شریک طوفان فکری و حسابداری است. تصمیم تعیین اندازه را ندارد.
مفاهیم: نیاز: یک عبارت واحد قابل تأیید که ابزار باید آن را برآورده کند. قابلیت ردیابی: زنجیره ای از سوابق مربوط به اینکه هر نیاز از کجا آمده و با چه طراحی/آزمایشی برآورده شده است. فضای تجارت: مجموعه ای از تمام گزینه های ایجاد شده توسط متغیرهای طراحی قابل تغییر. MTOW: حداکثر وزن برخاست (Maximum Take-Off Weight)، بالاترین جرمی که وسیله نقلیه می تواند بلند شود.
از نیاز به کار تا نیاز: گام به گام
یک نیاز خوب دارای سه ویژگی است: مفرد (یک چیز می گوید)، قابل اندازه گیری (شامل یک عدد و یک واحد) و قابل تأیید (واضح است که چگونه آن را بررسی کنید). "هواپیما باید سریع باشد" الزامی نیست. "هواپیمای باید به سرعت هوایی با کالیبر 250 کیلوتون (KCAS) در سطح دریا دست یابد" یک الزام است.
اولین قدم جمع آوری درخواست های ذینفعان و تقطیر آنها به پیش نویس الزامات با هوش مصنوعی است. مرحله دوم این است که هر نیاز را قابل اندازهگیری کنید: هر صفت مبهم ("سبک وزن"، "بادوام"، "کارآمد") را با یک متریک و آستانه جایگزین کنید. مرحله سوم جستجوی تضاد بین الزامات است: برد و بار بار اغلب با یکدیگر رقابت می کنند، هوش مصنوعی به سرعت این تضادها را به سطح می آورد. مرحله چهارم ایجاد یک ماتریس قابلیت ردیابی است: جدول بندی که کدام هدف وظیفه سطح بالا به کدام نیاز فرعی منجر می شود.
از جنبه ابعاد مفهومی، هوش مصنوعی می تواند روابط مهندسی شناخته شده (کسری وزن، نسبت رانش به وزن، بارگذاری بال) را به خاطر بیاورد و یک زنجیره اولیه از محاسبات را ایجاد کند. به عنوان مثال، برای یک هواپیمای مسافربری، کسر وزن سوخت را می توان با معادله برد Breguet و کسر وزن خالی را با روابط آماری تخمین زد. اما هر حلقه از این زنجیره با محاسبه دستی تایید می شود.
نکته: هنگام نوشتن الزامات، صراحتاً به هوش مصنوعی این وظیفه را بدهید که «هر صفت مبهم را با یک متریک، واحد و روش تأیید جایگزین کند». این مدل زمانی که می گویید عبارات غیرقابل تایید "قابل اندازه گیری" مانند "کاربر پسند" را می گویید بسیار منظم تر عمل می کند.
پیکربندی تجزیه و تحلیل مبادله
قلب تجزیه و تحلیل مبادله در کنار هم قرار دادن چندین پیکربندی نامزد با معیارهای مشترک است. ابزار کلاسیک ماتریس تصمیم گیری وزنی است: به معیارها وزن اهمیت داده می شود، به هر نامزد در هر معیار امتیاز داده می شود، کل وزنی گرفته می شود. هوش مصنوعی به سرعت این ماتریس را ایجاد می کند، اما مراقب دو مشکل باشید: وزن ها یک قضاوت مهندسی ذهنی هستند (به هوش مصنوعی واگذار نمی شود) و امتیازات باید بر اساس توجیه فیزیکی باشد (نه ساخته شده).
معیار (وزن)
پیکربندی ج: بال بلند
پیکربندی ب: بال پایین
پیکربندی ج: کانارد
برد، کیلومتر (0.30)
1200
1350
1250
وزن پایین، کیلوگرم (0.25)
640
610
690
هزینه تولید (0.20)
متوسط
پایین
بالا
پایداری (0.15)
بالا
متوسط
متوسط
سهولت نگهداری (0.10)
بالا
متوسط
پایین
می توانید از هوش مصنوعی این جدول را بسازید. اما اعداد دامنه و وزن باید از یک محاسبات اولیه مستقل به دست آیند و نمرات کیفی مانند "پایداری: بالا" نیز باید توجیه شوند. قدرت هوش مصنوعی این است که ده پیکربندی مختلف را در عرض چند دقیقه جدول بندی می کند و تجزیه و تحلیل احساسات (نحوه تغییر رتبه در صورت تغییر وزن) را انجام می دهد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
من در حال طراحی یک هواپیمای آموزشی هستم. بهترین تنظیمات را به من بگویید.
اعلان قدرتمند:
نقش: شما یک مشاور طراحی هواپیمای مفهومی هستید. زمینه: مطالعه مقدماتی مبادله برای یک هواپیمای مربی دو صندلی (مقادیر نشان دهنده): برد هدف ~ 1000 کیلومتر، سرعت کروز ~ 55 متر بر ثانیه، محموله ~220 کیلوگرم، اولویت هزینه تولید پایین. وظیفه: 1) پیشنهاد 3 پیکربندی نامزد (موقعیت بال، نوع موتور). 2) جدولی تنظیم کنید که هر نامزد را در موارد زیر مقایسه کنید: محدوده، وزن خالی تخمینی، هزینه تولید، پایداری. 3) برای تخمین های عددی خود، رابطه و فرض را بنویسید. واحد نوشتن؛ تصمیم نهایی را نگیرید، یک نامزد ارائه دهید. تصمیم نهایی را خودم می گیرم.
الگوهای اعلان قابل کپی
الگو 1 - تبدیل یک نیاز به کار به یک نیاز قابل اندازه گیری:
درخواست های ذینفعان زیر را به الزامات منحصر به فرد، قابل اندازه گیری و تأیید تبدیل کنید. برای هر نیاز: یک متریک، یک واحد، یک مقدار آستانه، و یک روش تأیید پیشنهادی (تجزیه و تحلیل/آزمون/نمایش). اگر عدم اطمینان وجود دارد، بپرسید به چه اطلاعاتی نیاز دارید. درخواستها: [لیست اینجا]
الگو 2 - ماتریس ردیابی و غربالگری تعارض:
این فهرست از الزامات را در نظر بگیرید و: (الف) یک جدول ردیابی بسازید که هر نیاز را به هدف وظیفه سطح بالا پیوند دهد. (ب) هر جفت الزامات متناقض یا چالش برانگیز را علامت گذاری کنید (مثلاً محدوده در مقابل بار). ج) فهرستی از الزامات گمشده یا غیرقابل تأیید. بگذارید نتیجه یک جدول باشد. شرایط مورد نیاز: [لیست اینجا]
الگو 3 - تنظیم ماتریس تصمیم گیری وزنی:
یک چارچوب ماتریس تصمیم وزن دار برای پیکربندی های نامزد زیر بسازید. سطرهای معیار و ستون های کاندیدا را بسازید. ستون وزن را خالی بگذارید (وزن ها را وارد می کنم). در یک یادداشت جداگانه توجیه فیزیکی امتیازی را که در هر سلول قرار می دهید توضیح دهید. یک عدد ساختگی ننویسید، جایی را که حدس زدید به عنوان "حدس" علامت بزنید. نامزدها: [...] معیارها: [...]
الگو 4 - بررسی متقاطع ابعاد مفهومی:
به طور مستقل نتیجه فشرده سازی زیر را بررسی کنید: MTOW، ناحیه بال، رانش. (الف) بارگذاری بال (W/S) را محاسبه کنید و آن را با برد معمولی کلاس هواپیمای مورد نظر خود مقایسه کنید. (ب) نسبت رانش به وزن (T/W) را محاسبه کرده و آن را با محدوده معمولی مقایسه کنید. (ج) اگر مقادیر خارج از محدوده معمولی هستند هشدار داده و خطای احتمالی را نشان می دهند. تمام واحدها را به صراحت بنویسید. ورودی: [مقادیر MTOW، S، T]
موارد کوچک
مورد 1 - تشخیص زودهنگام نیاز متضاد. در پروژه پهپاد، ذینفعان هم «حداقل 8 ساعت زمان پخش» و هم «حداکثر 12 کیلوگرم جرم کل» را می خواهند. با کمی کردن دو مورد نیاز و تخمین زدن بودجه انرژی، هوش مصنوعی نشان می دهد که یک پرواز 8 ساعته با چگالی انرژی باتری معمولی (حدود 200 وات ساعت بر کیلوگرم) به تنهایی به 6-7 کیلوگرم باتری نیاز دارد. این در بودجه 12 کیلوگرمی همراه با بار و ساختار نمی گنجد. این تناقض قبل از شروع طراحی دقیق مورد بحث قرار می گیرد. درس: ترجمه الزامات به اعداد، تضادهای پنهان را زود آشکار می کند.
مورد 2 - تجزیه و تحلیل حساسیت تصمیم را تغییر می دهد. یک تیم سه پیکربندی بال را مقایسه می کند. پیکربندی با وزن های اولیه B برنده است (نمره وزنی 0.82 در مقابل 0.79). از هوش مصنوعی پرسیده می شود "اگر وزن هزینه را از 0.20 به 0.10 کاهش دهم چه اتفاقی می افتد". در این سناریو محدوده به جلو می آید و Config. A پیشتاز می شود (0.84 در مقابل 0.80). تیم می بیند که تصمیم برای اولویت هزینه چقدر حساس است و وزن ها را با ذینفعان روشن می کند. درس: تنها یک امتیاز مهم نیست، بلکه ثبات رتبه است.
مورد 3 - خطای ترتیب در تخمین وزن. هوش مصنوعی وزن خالی یک هواپیمای سبک را 95 کیلوگرم از یک رابطه نشان می دهد. این مهندس به یاد می آورد که وزن خالی هواپیماهای دو صندلی از یک کلاس مشابه معمولاً در محدوده 350-500 کیلوگرم است. 95 کیلوگرم از نظر فیزیکی غیرممکن است. با بررسی، مشاهده می شود که هوش مصنوعی یک ضریب را به اشتباه در رابطه اعمال کرده است و اصلاح می شود. درس: هر تخمین وزن با مرتبه بزرگی با محدوده شناخته شده کلاس مقایسه می شود.
اشتباهات رایج
- پذیرش نیاز مبهم الزامی که شامل معیارها و واحدها نباشد قابل تأیید نیست. "سبک باشد" یک آرزو است نه یک الزام.
- با داشتن هوش مصنوعی وزن ها را انتخاب کنید. وزن معیارها در ماتریس تصمیم گیری مهندسی ذهنی و قضاوت ذینفعان است. اگر این تصمیم به هوش مصنوعی سپرده شود، این تصمیم لغو میشود.
- قبول امتیاز بدون توجیه اگر نمرات کیفی مانند «پایداری: بالا» مبنای فیزیکی نداشته باشد، ماتریس به فهرستی از حدسها تبدیل میشود.
- تخمین وزن/اندازه را تایید نمی کند. همبستگی های آماری تخمین های تقریبی هستند. بدون مقایسه آن با محدوده کلاس، در طراحی جزئیات انجام نمی شود.
- واگذاری قابلیت ردیابی برای بعد. اگر ثبت نشود که این نیاز از کجا آمده است، هیچ کس نمی داند که تغییر در آینده چه تصمیماتی را تحت تأثیر قرار می دهد.
به طور خلاصه
طراحی مفهومی مرحله ای است که در آن ارزان ترین اما موثرترین تصمیم ها گرفته می شود. هوش مصنوعی در اینجا شتابدهندهای قدرتمند برای تبدیل درخواستهای مبهم به نیازهای قابل اندازهگیری، بررسی قابلیت ردیابی و تضاد، و مقایسه پیکربندیهای چندگانه در جداول مبادله است. با این حال، وزن معیارها قضاوت انسان است، پیشبینیهای عددی با محاسبه دستی مبتنی بر فیزیک و فواصل کلاس تأیید میشوند، تصمیم نهایی پیکربندی با مهندس باقی میماند. هوش مصنوعی نامزدها را تولید می کند. تصمیم نمی گیرد.
وظیفه کاربردی
سه هدف ماموریت سطح بالا را برای یک هوا یا فضاپیمای انتخابی خود بنویسید. با استفاده از هوش مصنوعی، این موارد را به حداقل شش نیاز قابل اندازه گیری ترجمه کنید و یک جدول ردیابی تنظیم کنید. سپس یک ماتریس تصمیم گیری وزنی برای سه پیکربندی نامزد ایجاد کنید. وزن ها را خودتان تعیین کنید. در نهایت، تخمین وزن/اندازه ارائه شده توسط هوش مصنوعی را با محاسبه دست مستقل و محدوده کلاس تأیید کنید. حداقل یک جفت نیاز را در جایی که تضاد پیدا کردید گزارش کنید.
چک لیست
- [ ] من هر نیاز را منحصر به فرد، قابل اندازه گیری و تأیید کردم.
- [ ] صفت های مبهم را با متریک، واحد و آستانه جایگزین کردم.
- [ ] من یک جدول ردیابی تنظیم کردم و الزامات متناقض را علامت گذاری کردم.
- [ ] وزن های ماتریس تصمیم را خودم تعیین کردم (نه هوش مصنوعی).
- [ ] من نمرات ماتریس را به توجیه فیزیکی نسبت دادم.
- [ ] من تخمین وزن/اندازه را با فاصله کلاس و محاسبه دست تأیید کردم.