تجزیه و تحلیل داده های متالورژی و مرزهای هوش مصنوعی با پایتون

سود:

• توانایی تولید و درک کدهایی که داده‌های متالورژی را با پایتون پاکسازی، تجزیه و تحلیل و تجسم می‌کنند، با پشتیبانی هوش مصنوعی.
• توانایی ایجاد عادت اعتبارسنجی کد تولید شده توسط هوش مصنوعی با بررسی واحد، مورد آزمایشی و قابل قبول بودن فیزیکی
• درک جامع از محدودیت های انتها به انتها، مسئولیت و چارچوب اخلاقی هوش مصنوعی در متالورژی

کار متالورژی به طور فزاینده ای با داده های بیشتری انجام می شود: صدها نتیجه آزمایش کششی، هزاران اندازه گیری SPC، سوابق کوره عملیات حرارتی، خروجی های مشخصه. تعقیب دستی این داده ها در اکسل کند و مستعد خطا است. پایتون (یک زبان برنامه نویسی رایج برای تجزیه و تحلیل داده ها و محاسبات علمی) این قابلیت را تکرارپذیر، قابل ممیزی و خودکار می کند. هوش مصنوعی در نوشتن، اشکال‌زدایی و توضیح کد پایتون بسیار قدرتمند است – اما کدی که تولید می‌کند می‌تواند درست به نظر برسد اما نتیجه اشتباهی را به همراه داشته باشد: خطای واحد، ضریب اشتباه، از دست دادن اطلاعات بی‌صدا. در این بخش نهایی، شما یاد خواهید گرفت که چگونه داده های متالورژیکی را با پشتیبانی هوش مصنوعی در پایتون تجزیه و تحلیل کنید و هر کد را تأیید کنید، سپس به طور جامع مرزهای هوش مصنوعی، مسئولیت و چارچوب اخلاقی تحت پوشش در کل ماژول را جمع آوری کنید.

وظایف معمول در تجزیه و تحلیل داده های متالورژی

وظایف رایج با پشتیبانی هوش مصنوعی در پایتون:

• پاکسازی داده ها: مقدار از دست رفته، سردرگمی واحد (MPa در مقابل ksi)، حذف موارد دور از دسترس. داده های کثیف حتی بهترین تحلیل ها را خراب می کند.
• تجسم: رسم منحنی کششی، نمودار کنترل، توزیع اندازه دانه، مشخصات دما-زمان.
• Hesap ve ilişki: هال-پچ (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2))، Arrhenius (sıcaklık-hız)، regresyon، istatistik.
• اتوماسیون: پردازش دسته ای تعداد زیادی فایل و تولید جداول/گزارش های خلاصه.

رابطه هال-پتچ مثال خوبی در اینجاست: استحکام تسلیم به طور معکوس نسبت به ریشه دوم قطر دانه افزایش می یابد. هوش مصنوعی می تواند این فرمول را به کد تبدیل کند. اما اینکه از d به عنوان میکرومتر یا متر استفاده می کنید و از چه واحدی برای ضریب k استفاده می کنید نتیجه را کاملاً تغییر می دهد. صحت کد در حفظ کردن فرمول نیست، بلکه در اعتبار سنجی واحدها و یک مورد آزمایشی است.

نکته: حتماً در هر حسابی که هوش مصنوعی می نویسد، یک «آزمون پاسخ شناخته شده» قرار دهید. ورودی کوچکی بدهید که نتیجه آن را با دست می دانید (مثلاً استحکام مورد انتظار برای d = 100 میکرومتر). اگر کد آن مقدار را می دهد، می توانید به آن اعتماد کنید. اگر این کار را نکرد، خطا پنهان است.

گام به گام: یک جریان تجزیه و تحلیل ایمن با هوش مصنوعی

1. وظایف و داده ها را شرح دهید: کدام فایل، کدام ستون، کدام واحد، چه چیزی محاسبه خواهد شد؟
2. درخواست اسکلت کد: از هوش مصنوعی یک اسکلت کامنت‌شده و تقسیم‌بندی شده بخواهید. واحدهایی را با متغیرهای صریح در بالا تعریف کنید.
3. تست با داده های کوچک: ابتدا با چند ردیف/مقدار شناخته شده اجرا کنید. نتیجه را به صورت دستی بررسی کنید.
4. کنترل واحد و مرز: آیا خروجی از نظر فیزیکی معقول است؟ آیا مزخرفاتی مانند قدرت منفی، نرخ 120٪ وجود دارد؟
5. تجسم و نگاه کنید: آیا نمودار روند مورد انتظار را نشان می دهد؟ آیا داده های پرت خطا هستند؟
6. تأیید و مستندسازی: نتیجه را با یک محاسبه/استاندارد مستقل مقایسه کنید. کد و مفروضات را کامنت کنید.

جدول تایید کد هوش مصنوعی

ریسک

علامت

روش کنترل

خطای واحد

نتیجه 1000 برابر منحرف است

تعریف واحدها در متغیر صریح، کنترل اندازه

ضریب/فرمول نادرست

ارزش معقول اما اشتباه

سناریوی تست با پاسخ های شناخته شده

از دست دادن اطلاعات بی صدا

تعداد ردیف ها کمتر از حد انتظار است

چاپ تعداد ردیف قبل/پس از پردازش

اعوجاج پرت

کایاک متوسط

با یک نمودار تجسم کنید، به توزیع نگاه کنید

بیش از حد مناسب (کتابخانه توهم)

عملکرد غیر موجود

اجرا، خطای خواندن، به مستندات نگاه کنید

سه کیف کوچک

مورد 1 - خطای حجم پنهان. یک مهندس برای محاسبه Hall-Petch از AI کد درخواست می کند. کد انتظار قطر دانه را بر حسب متر دارد، اما مهندس میکرومتر را وارد می کند. نتیجه 1000 برابر منحرف است، اما در نگاه اول قابل توجه نیست زیرا شبیه یک "عدد" است. Mühendis d = 100 μm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar، birim dönüşümünü koda ekler. درس: تست پاسخ شناخته شده خطای واحد را در چند ثانیه نشان می دهد.

مورد 2 - از دست دادن اطلاعات بی صدا. یک تیم 500 نتیجه تست کششی را با کد نوشته شده با هوش مصنوعی پاک می کند. در حالی که کد ردیف هایی را که مقادیر از دست رفته حذف می کند، به طور تصادفی برخی از ردیف های معتبر را حذف می کند و 300 ردیف باقی می ماند. استحکام متوسط ​​بالاتر از حد انتظار است زیرا دسته کم ارزش حذف شده است. وقتی تیم تعداد ردیف‌ها را قبل/پس از پردازش چاپ می‌کند، می‌بیند که 200 ردیف بی‌صدا ناپدید شده‌اند و فیلتر را تعمیر می‌کنند. درس: چاپ تعداد ردیف‌ها در هر مرحله پردازش داده، ضررهای بی‌صدا را به همراه دارد.

مورد 3 - استفاده صحیح، گزارش قابل تکرار. یک تیم کیفی باید ده ها پرونده کوره را پردازش کند و هر هفته گزارش های خلاصه تهیه کند. از هوش مصنوعی می‌خواهد تا یک اسکریپت نظری بنویسد که فایل‌ها را به صورت انبوه بخواند و نمودارها و جداول خلاصه را تولید کند. تیم کد را با چند فایل شناخته شده آزمایش می کند، تعداد واحدها و خطوط را تأیید می کند، نمودار خروجی را به صورت بصری بازرسی می کند. سپس از اسکریپت هفتگی استفاده می کند. ساعات کار به دقیقه کاهش می یابد و هر هفته به روشی مشابه و قابل ممیزی کار کنید. این تیم تایید کرد که هوش مصنوعی اتوماسیون تکرارپذیر را فعال کرد.

الگوهای درخواستی قابل کپی

الگوی اسکلت کد"نقش: شما دستیار کد برای تجزیه و تحلیل داده های متالورژی هستید. وظیفه: [به عنوان مثال خواندن نتایج ترسیم از CSV و میانگین قدرت تسلیم]. داده ها: [فایل، ستون ها، واحدها]. یک اسکلت نظری با پانداها بنویسید: (1) واحدها را در متغیر باز تعریف کنید، در بالا تعداد ردیف ها را چاپ کنید و تعداد ردیف ها را پاک کنید، (2 ردیف را بخوانید، 2 را پاک کنید) دوباره، (4) محاسبه را انجام دهید، (5) نتیجه را چاپ کنید و نظراتی را به هر مرحله اضافه کنید.

الگوی تست پاسخ شناخته شده"یک "آزمون پاسخ شناخته شده" برای تابع زیر بنویسید: [عملکرد]. ورودی کوچکی را انتخاب کنید که نتیجه آن را می توان به صورت دستی محاسبه کرد، خروجی مورد انتظار را نظر دهید و با اظهار نظر بررسی کنید. همچنین ثبات واحد را آزمایش کنید. اگر آزمون موفق نشد، دلایل احتمالی (واحد، ضریب، فرمول) را فهرست کنید."

بازبینی کد / الگو اشکال‌زدایی"کد زیر را بررسی کنید: [کد]. موارد زیر را بررسی و علامت‌گذاری کنید: (1) سازگاری حجم، (2) خطر از دست دادن داده‌های بی‌صدا، (3) تاثیر بیرونی، (4) خروجی فیزیکی غیرممکن (قدرت منفی، نرخ > 100%). نحوه تأیید را برای هر یک از کدهای غیرقابل آزمایش بنویسید.

الگوی تجسم "نقشه [منحنی کششی / نمودار کنترل / توزیع] با matplotlib. واحدها را به برچسب های محور اضافه کنید، عنوان و شبکه را قرار دهید. نقاط پرت را متفاوت علامت گذاری کنید. توجه داشته باشید که باید نمودار را به صورت بصری بررسی کنم و روند مورد انتظار را بررسی کنم (مثلاً افزایش تنش-کرنش). هیچ نقطه ای را برای "زیبا کردن" پنهان نکنید."

اعلان ضعیف / اعلان قوی

اعلان ضعیف: "برای من کدی بنویس که محاسبه Hall-Petch را انجام دهد."

STRONG PROMPT: "نقش: شما دستیار کد برای تجزیه و تحلیل داده های متالورژی هستید. یک تابع Python برای محاسبه Hall-Petch بنویسید (σy = σ0 + k·d^(-1/2)). واحدها: d میکرومتر، σ0 و σy MPa، k MPa·µm^(1/2). همچنین تبدیل واحد را به صورت دستی در تابع مورد انتظار محاسبه کنید. μm, σ0 = 50 مگاپاسکال، k = 300 مگاپاسکال· μm^ 0.5 و بررسی قابل قبول بودن فیزیکی را اضافه کنید (σy نمی تواند بدون آزمایش منفی باشد).

اعلان ضعیف کدی را تولید می‌کند که واحد و آزمایشی ندارد و ممکن است بی‌صدا اشتباه کند. اعلان‌های قوی به وضوح واحدها را تعریف می‌کنند، تبدیل را اعمال می‌کنند، نیاز به تست پاسخ شناخته شده و بررسی معقولیت دارند - کد را قابل تأیید می‌کنند.

خلاصه ای جامع از ماژول: مکان و محدودیت های هوش مصنوعی در متالورژی

یک اصل واحد در سراسر این ماژول تکرار شد: هوش مصنوعی یک دستیار است، نه یک تصمیم گیرنده. در دوازده واحد، ما از هوش مصنوعی پایان به انتها، از انتخاب مواد گرفته تا پیش‌بینی ویژگی، تجزیه و تحلیل فاز تا ریزساختار، عملیات حرارتی تا ساخت، کنترل کیفیت تا تجزیه و تحلیل آسیب، مشخص‌سازی تا استانداردسازی و تجزیه و تحلیل پایتون استفاده کردیم. در هر واحد، هوش مصنوعی مفاهیم را توضیح می‌داد، فرضیه‌ها را ایجاد می‌کرد، پیش‌نویس‌ها و کدها را می‌نوشت – اما در هیچ واحدی به تنهایی تصمیم نمی‌گرفت. محدودیت‌ها واضح بودند: توهم (تعداد و استاندارد ساخته شده)، عدم تفویض اختیار مسئولیت حیاتی ایمنی، وابستگی به کیفیت داده‌ها و اندازه‌گیری/کالیبراسیون، خطر برون‌یابی و محرمانگی. نظم و انضباط راستی آزمایی همیشه در مثلث استاندارد-آزمایشگاه-حساب نزد انسان ها باقی مانده است.

اشتباهات رایج

• اعمال کد بر روی داده های واقعی بدون آزمایش با پاسخ های شناخته شده.
• تعریف نکردن واحدها به وضوح؛ مشرف به سردرگمی MPa/ksi، میکرومتر بر متر.
• عدم چاپ تعداد سطرها در طول مراحل پردازش داده و عدم توجه به فقدان بی صدا.
• تکیه بر میانگین بدون تجسم موارد پرت.
• پذیرش کتابخانه/عملکرد موجود که توسط هوش مصنوعی ساخته شده است بدون اجرای آن.
• با فرض اینکه کد درست است زیرا "به نظر می رسد کار می کند". عدم بررسی قابل قبول بودن فیزیکی

به طور خلاصه

هوش مصنوعی در تجزیه و تحلیل داده های متالورژیکی با پایتون یک شتاب دهنده قدرتمند برای کدنویسی، اشکال زدایی و اتوماسیون است. اما کدی که تولید می کند ممکن است دارای خطاهای واحد، ضرایب نادرست و از دست دادن اطلاعات بی صدا باشد. هر کد را با تست پاسخ های شناخته شده، بررسی واحد، ردیابی تعداد خطوط و قابل قبول بودن فیزیکی تأیید کنید. در اینجا، مانند کل ماژول، هوش مصنوعی دستیار است: تضمین می کند که سرعت و سازماندهی، دقت و مسئولیت توسط مهندس مجاز به عهده گرفته می شود. در تصمیمات متالورژی حیاتی ایمنی، خروجی هوش مصنوعی هرگز جایگزین استانداردها، آزمایش‌ها، محاسبات و تایید مهندس صالح نیست.

وظیفه کاربردی

یک محاسبه متالورژیکی (به عنوان مثال Hall-Petch یا میانگین داده کششی) انتخاب کنید. با الگوی "CODE SKELETON"، از هوش مصنوعی یک کد نظری بخواهید که تعداد خطوط را با واحدهای صریح چاپ کند. سپس یک سناریوی آزمایشی اضافه کنید که در آن نتیجه را به صورت دستی با الگوی "تست پاسخ شناخته شده" می دانید و آن را اجرا کنید. اگر کد مقدار مورد انتظار را نمی دهد، خطا (واحد، ضریب، داده) را پیدا کرده و آن را برطرف کنید. در نهایت، در مورد رشته تأیید هوش مصنوعی که در این ماژول با تطبیق آن با کسب و کار خود در سه مقاله یاد گرفتید، بنویسید.

چک لیست

• [ ] من وظیفه، داده ها و واحدها را به وضوح برای هوش مصنوعی تعریف کردم.
• [ ] واحدها را با متغیرهای صریح در بالای کد تعریف کردم.
• [ ] در مراحل پردازش داده، تعداد ردیف‌ها را چاپ کردم و فقدان بی‌صدا را بررسی کردم.
• [ ] من کد را با یک مورد آزمایشی با یک پاسخ شناخته شده تأیید کردم.
• [ ] من معقول بودن فیزیکی (مقدار منفی/ پوچ) خروجی را بررسی کردم.
• [ ] من از هوش مصنوعی به عنوان یک شتاب دهنده استفاده کردم. من صداقت و مسئولیت را حفظ کردم.

امتحان ماژول

1. هنگام کار با ابزار هوش مصنوعی به عنوان مهندس مواد، مسئولیت نهایی کدام یک از موارد زیر باید همیشه با انسان (مهندس حقوقی) باقی بماند؟

• الف) تایید و امضای مناسب بودن یک قطعه برای سرویس ✔
• ب) تهیه اولین پیش نویس گزارش خسارت
• ج) ویرایش برچسب های محور یک گراف ریزساختار
• د) تهیه واژه نامه اصطلاحات متالورژی برای ارائه

توضیحات: هوش مصنوعی; این می تواند کارهایی مانند شفاف سازی مفهوم، تهیه گزارش، فهرست فرضیه ها و اسکلت کد را سرعت بخشد. با این حال، تایید مناسب بودن یک قطعه برای خدمات/پرواز تصمیمی است که منجر به ایمنی جان و مال می شود. بدون آزمایش معتبر و تایید مهندس مجاز نمی تواند به هوش مصنوعی منتقل شود.

2. شما از هوش مصنوعی در مورد استحکام تسلیم فولاد AISI 4140 در هنگام خاموش شدن و گرم شدن در دمای 200 درجه سانتیگراد سوال کردید، و او پاسخ داد "حتماً 1500 مگاپاسکال". اولین اقدام صحیح چیست؟

• الف) مقدار را مستقیماً در حساب طراحی قرار دهید زیرا هوش مصنوعی به نظر مطمئن است
• ب) بررسی مقدار با برگه اطلاعات مواد/گواهی آسیاب و تست کشش در صورت لزوم بدون تکیه بر مقدار یک نقطه ✔
• ج) کاهش تصادفی مقدار برای ماندن در سمت امن
• د) مقدار را بپذیرید و مستقیماً به دستور عملیات حرارتی بروید

توضیح: مدل‌های زبانی می‌توانند به طور قانع‌کننده‌ای اعداد غیرقابل اثبات بسازند (توهم). قدرت تسلیم؛ بسته به دمای تمپر، ضخامت بخش و سختی پذیری در محدوده وسیعی متفاوت است. لازم است مقدار را از گواهی آسیاب یا آزمایش کشش مطابق با استاندارد بدست آورید و خروجی هوش مصنوعی یک نقطه ای را در طراحی لحاظ نکنید.

3. با یک مدل یادگیری ماشینی که خاصیت فولاد را پیش‌بینی می‌کند، هوش مصنوعی یک مقدار «ایمن» برای یک آلیاژ خارج از محدوده ترکیب در داده‌های آموزشی ایجاد کرد. مشکل اصلی این خروجی چیست؟

• الف) مدل همیشه نتایج را بر حسب درصد می دهد، MPa اشتباه است
• ب) پیش‌بینی غیرقابل اعتماد است زیرا خارج از محدوده داده‌های آموزشی (برون‌یابی) انجام می‌شود و باید با آزمایش تأیید شود.
• ج) مدل فقط برای فولادهای ضد زنگ کار می کند
• د) خروجی مدل همیشه دقیقاً دو برابر مقدار واقعی است

توضیح: مدل‌های یادگیری ماشین به طور معقولی در محدوده داده‌های آموزشی کار می‌کنند (درون یابی). هنگامی که خارج از این محدوده (برون یابی)، پیش بینی ها غیر قابل اعتماد می شوند و مدل اغلب این را نشان نمی دهد. مقدار تولید شده در نقطه ای خارج از توزیع داده های آموزشی بدون اعتبار سنجی تجربی قابل استفاده نیست.

4. شما از هوش مصنوعی برای محاسبه نسبت فاز در یک آلیاژ دو فاز استفاده کردید. هنگام اعمال "قاعده اهرمی" هوش مصنوعی باید از چه ورودی به درستی استفاده کند؟

• الف) فقط دما؛ ترکیبات غیر ضروری هستند
• ب) فقط چگالی آلیاژ
• ج) ترکیب کل آلیاژ با ترکیبات مرزی فاز در دمای مربوطه ✔
• د) فقط دمای ذوب

توضیح: قانون اهرم مقادیر فاز را با استفاده از فواصل بین ترکیبات مرزی فاز (به عنوان مثال ترکیبات فاز جامد و مایع) و ترکیب کل آلیاژ در دمای معین نشان می دهد. اگر ترکیبات مرز فاز اشتباه خوانده شوند، نسبت کاملاً اشتباه خواهد بود. بنابراین تأیید مقادیر از نمودار فاز الزامی است.

5. اندازه دانه را از ریزساختار با جریان پردازش تصویر مبتنی بر هوش مصنوعی اندازه‌گیری کردید، اما فراموش کردید که نوار مقیاس را به پیکسل کالیبره کنید. چرا نتیجه غیر قابل اعتماد است؟

• الف) همه اندازه‌گیری‌های ابعادی در مقیاس اشتباه هستند زیرا کالیبراسیون طول پیکسل انجام نشده است.
• ب) اندازه گیری به دلیل استفاده از تصویر رنگی تحریف شده است
• ج) اندازه دانه فقط با SEM قابل اندازه گیری است، میکروسکوپ نوری دقیق نیست
• د) اندازه گیری غیر ضروری است زیرا وضوح تصویر بالا است

توضیحات: در متالوگرافی کمی، هر پیکسل مربوط به یک طول است. اگر این تبدیل با نوار مقیاس کالیبره نشود، تمام اندازه‌گیری‌های ابعادی مانند اندازه دانه، نسبت فاز و تخلخل در مقیاس اشتباه ظاهر می‌شوند. کالیبراسیون اولین و اجباری مرحله اندازه گیری مبتنی بر تصویر است.

6. هوش مصنوعی دستور عملیات حرارتی (آستنیته کردن + کوئنچ + تمپر) را برای دستیابی به سختی هدف برای فولاد پیشنهاد کرد. بهترین مرحله قبل از استفاده از نسخه چیست؟

• الف) استفاده مستقیم از دستور غذا در تولید انبوه
• ب) دستور را روی قطعه آزمایشی اعمال کنید، سختی/ریزساختار را اندازه بگیرید و آن را با استاندارد مقایسه کنید.
• ج) فقط به طور تصادفی درجه حرارت را در سمت امن افزایش دهید
• د) تصحیح و تایید فقط املای نسخه

توضیحات: در نتیجه عملیات حرارتی؛ ضخامت بخش، سختی پذیری (Jominy) به شدت با واقعیت کوره و محیط خنک کننده متفاوت است. نسخه ارائه شده توسط هوش مصنوعی یک فرضیه اولیه است. باید با اعمال آن بر روی قطعه آزمایشی و اندازه گیری سختی و ریزساختار و مقایسه آن با استاندارد تأیید شود.

7. شما از هوش مصنوعی یک «شماره ماده خاص» استاندارد ASTM برای مقدار حد ماده درخواست کردید و آن با یک مقدار دقیق پاسخ داد. رفتار مهندسی صحیح چیست؟

• الف) نوشتن مقدار به طور مستقیم در گزارش زیرا هوش مصنوعی به روز است
• ب) تغییر مقدار به طور تصادفی برای ماندن در سمت امن
• ج) شماره، نسخه و مقدار ماده را از متن استاندارد رسمی و جاری بررسی کنید ✔
• د) اضافه کردن شماره مورد به فایل انطباق بدون بررسی آن

توضیح: حتی اگر مدل های زبانی نام استاندارد را به درستی بدانند، ممکن است شماره مقاله، نسخه و نقطه شکست را به اشتباه به خاطر بسپارند یا بسازند. در فیلدهای الزام آور مانند ASTM/ISO/EN، هر ماده و مقدار باید کلمه به کلمه از منبع رسمی و فعلی تأیید شود. خروجی هوش مصنوعی فقط نشان می دهد که کجا باید نگاه کرد.

8. شما عکس سطح شکسته یک پیچ را به هوش مصنوعی نشان دادید و پاسخ "این قطعا یک شکستگی خستگی است" را دریافت کردید. رویکرد صحیح برای تجزیه و تحلیل علت اصلی چیست؟

• الف) نوشتن تشخیص مستقیماً در گزارش زیرا هوش مصنوعی دقیقاً صحبت می کند
• ب) فقط وضوح عکس را افزایش دهید و تشخیص را تایید کنید
• ج) نصب قطعه جدید بدون بررسی سطح شکسته
• د) تشخیص را به عنوان یک فرضیه با فراکتوگرافی، تاریخچه شارژ و شواهد ریزساختاری تایید کنید

توضیحات: تفسیر سطح شکسته. فراکتوگرافی (خط‌خط، خطوط ساحلی، جداسازی گودی/شکاف با SEM) نیازمند در نظر گرفتن تاریخچه بار، محیط و شواهد ریزساختار با هم است. تشخیص قطعی هوش مصنوعی از یک عکس یک فرضیه است. علت اصلی را نمی توان بدون تایید یافته های آزمایشگاهی اعلام کرد.

9. هوش مصنوعی در یک الگوی XRD (پراش اشعه ایکس) یک پیک را به یک فاز خاص اختصاص داد. مناسب ترین روش برای قابل اعتماد کردن شناسایی فاز چیست؟

• الف) تطبیق اوج با پایگاه داده الگوی مرجع (به عنوان مثال کارت های PDF) و بررسی همپوشانی و مصنوعات ✔
• ب) پذیرش مستقیم تکلیف زیرا هوش مصنوعی نام فاز را می گوید
• ج) در نظر گرفتن تنها بالاترین قله و نادیده گرفتن بقیه
• د) الگو را رنگ آمیزی کنید و آن را از نظر بصری زیبا کنید

توضیحات: شناسایی فاز XRD با تطبیق موقعیت ها و شدت های اوج اندازه گیری شده با الگوهای مرجع شناخته شده (مانند کارت های ICDD/PDF) انجام می شود. اختصاص یک قله منفرد در انزوا گمراه کننده است. قله های همپوشانی، جهت گیری ترجیحی و مصنوعات پس زمینه باید در نظر گرفته شوند و انتساب با پایگاه داده مرجع تأیید شود.

10. پیش نویس گزارش آسیب/بازرسی تهیه شده توسط AI حاوی مقادیر فنی است که سیال هستند اما منشأ ناشناخته دارند. رفتار صحیح چیست؟

• الف) ارائه گزارش آنگونه که هست به دلیل روان بودن متن
• ب) گرد کردن و براق کردن مقادیر
• ج) فقط خلاصه اجرایی را بخوانید و از بقیه بگذرید
• د) هر مقدار را با اندازه گیری/منبع اصلی مطابقت دهید و ✔ تایید نشده را حذف کنید

توضیحات: هر مقدار فنی در گزارش. باید با اندازه گیری، رکورد دستگاه کالیبره شده، استاندارد یا داده های سازنده قابل ردیابی باشد. حتی اگر یک مقدار در یک جمله روان باشد، هیچ شماره ای که منبع آن تأیید نشده است نباید در گزارش یا مبنای تصمیم گنجانده شود. در غیر این صورت ارزش موهومی به سندی که مسئولیت ایجاد می کند منتقل می شود.

11. بهترین مرحله قبل از استفاده از محاسبه پایتون تولید شده توسط هوش مصنوعی (به عنوان مثال، رابطه هال-پتچ برای قدرت اندازه دانه) چیست؟

• الف) اعمال کد به طور مستقیم به داده های تولید واقعی
• ب) فقط مطمئن شوید که کد کوتاه و منظم به نظر می رسد
• ج) کد را در یک سناریوی آزمایشی با نتایج شناخته شده اجرا کنید و واحدها و خروجی ها را تأیید کنید ✔
• د) حذف بخشی از کد برای کوتاه کردن آن

توضیح: ممکن است یک کد صحیح به نظر برسد، اما نتیجه اشتباه را بدهد: ممکن است یک خطای واحد، ضریب نادرست یا خطای فرمول وجود داشته باشد. اجرای کد در یک مورد آزمایشی کوچک که در آن نتیجه را با دست می‌دانید و آن را با خروجی مورد انتظار مقایسه می‌کنید و واحدها را بررسی می‌کنید قبل از اینکه به تصمیم واقعی برسد، خطا را تشخیص می‌دهد.

12. شما می خواهید دستور العمل آلیاژ و پارامترهای فرآیند هنوز ثبت اختراع نشده شرکت خود را در یک ابزار هوش مصنوعی در دسترس عموم قرار دهید و تجزیه و تحلیل درخواست کنید. صحیح ترین رویکرد کدام است؟

• الف) دستور را همانطور که هست بچسبانید تا سریعتر شود
• ب) فقط کافی است نام شرکت را حذف کنید و تمام پارامترهای باقیمانده را به اشتراک بگذارید.
• ج) به اشتراک گذاری داده ها و سپس درخواست از هوش مصنوعی برای حذف آن
• د) بررسی خط‌مشی سازمانی و ناشناس‌سازی داده‌ها یا استفاده از ابزار امن/سازمانی ✔

توضیحات: دستور العمل آلیاژ، پارامترهای فرآیند و مشخصات مشتری به راز تجاری و مالکیت معنوی حساس هستند. قبل از به اشتراک گذاری داده ها، لازم است خط مشی شرکت را بررسی کنید، آن را ناشناس کنید یا از یک ابزار سازمانی/در محل استفاده کنید که داده ها را ارسال نمی کند.

13. سیستم SPC (کنترل فرآیند آماری) مبتنی بر هوش مصنوعی نشان می‌دهد که از حد نمودار کنترل در یک دسته تولید فراتر رفته است. رفتار مهندسی صحیح چیست؟

• الف) هشدار را نادیده بگیرید و به تولید ادامه دهید
• ب) گسترش حدود کنترل به گونه ای که هیچ هشداری رخ ندهد
• ج) هشدار را به عنوان یک محرک در نظر بگیرید، اندازه گیری را تأیید کنید، علت اصلی را بررسی کنید و با معیارهای پذیرش تصمیم بگیرید ✔
• د) به طور مستقیم کل دسته را بدون اندازه گیری جدا کنید

توضیح: تجاوز از محدودیت نمودار کنترل یک هشدار است. علت اصلی به طور خودکار مشخص نیست. این می تواند خطای اندازه گیری، مشکل نمونه برداری، یا رانش واقعی فرآیند باشد. رویکرد صحیح این است که هشدار را به عنوان یک محرک در نظر بگیرید، اندازه گیری را تأیید کنید، علت اصلی را بررسی کنید و براساس معیارهای پذیرش و نتیجه NDT/آزمایش تصمیم بگیرید.

14. ارزیابی تصویر به کمک هوش مصنوعی در قسمت ریخته گری، یک منطقه را به عنوان "قابل قبول" علامت گذاری کرد. رویکرد مناسب برای بخش حیاتی ایمنی چیست؟

• الف) در نظر گرفتن ارزیابی اولیه هوش مصنوعی به عنوان ابزار غربالگری و پیوند پذیرش نهایی به نتیجه NDT و تایید مجاز ✔
• ب) ارزیابی هوش مصنوعی را به عنوان پذیرش نهایی در نظر بگیرید و قسمت را تأیید کنید
• ج) رفتن به فرآیند بعدی بدون بازرسی اصلاً قطعه
• د) فقط به صورت چشمی سطح قطعه را بررسی کنید.

توضیحات: عیوب داخلی ریخته گری (تخلخل، انقباض، آخال) اغلب از سطح نامرئی هستند و با آزمایش های غیر مخرب (NDT: رادیوگرافی، اولتراسونیک) ارزیابی می شوند. ارزیابی اولیه ای که هوش مصنوعی از طریق تصویر ارائه می کند، یک ابزار غربالگری است. پذیرش نهایی بخش حیاتی ایمنی با NDT و تأییدیه بازرسی مجاز مطابق با استاندارد داده می شود.