هوش مصنوعی در سیستم‌های انتخاب مواد و پشتیبانی تصمیم

سود:

• توانایی ساختار مسئله انتخاب مواد با الزامات، محدودیت ها و شاخص های عملکرد و توصیف دقیق آن به هوش مصنوعی
• توانایی استفاده از هوش مصنوعی به عنوان مولد فرضیه هنگام مقایسه مواد نامزد با رویکرد Ashby و ماتریس تصمیم گیری وزنی
• امکان تأیید هر ماده و ارزش ویژگی که هوش مصنوعی در برابر برگه داده، استاندارد و واقعیت هزینه/تامین توصیه می کند.

انتخاب مواد، مشهودترین و مسئولیت پذیرترین کار مهندس متالورژی و مواد است. آلومینیوم، فیبر کربن یا فولاد برای قاب دوچرخه؛ 316 ضد زنگ یا ضد زنگ دوبلکس برای شفت پمپ؛ کدام فولاد ابزار برای قالب داغ؟ این تصمیمات مستلزم ایجاد تعادل همزمان ده ها محدودیت متناقض مانند استحکام، وزن، خوردگی، دما، ماشین کاری، هزینه و عرضه است. هوش مصنوعی (سیستم هایی که متن و اعداد را پردازش می کنند و پیشنهاد تولید می کنند) روند ایجاد لیست نامزدها، ایجاد یک ماتریس مقایسه و نوشتن توجیه را تسریع می کند. اما فقط برگه داده، استاندارد و در صورت لزوم، آزمایش ثابت می کند که ماده ای که انتخاب کرده اید واقعا مناسب است. در این بخش، نحوه انتخاب مواد را به شیوه ای منظم با هوش مصنوعی یاد خواهید گرفت.

ایجاد مشکل انتخاب مواد به درستی

انتخاب ضعیف مواد اغلب نه از یک مدل بد، بلکه از یک مشکل بد تعریف شده ناشی می شود. پرسیدن از هوش مصنوعی "بهترین ماده چیست" بیهوده است. زیرا "بهترین" بستگی به عملکردی دارد که تحت چه محدودیتی انجام خواهد داد. یک مشکل انتخاب مواد صوتی با این چهار جزء تعریف می شود:

• عملکرد: قطعه چه خواهد کرد؟ (به عنوان مثال میله ای که بار محوری را حمل می کند، کشتی مقاوم در برابر فشار.)
• محدودیت ها: محدودیت هایی که نباید از آنها تجاوز کرد. (به عنوان مثال، قدرت تسلیم ≥ 350 مگاپاسکال، دمای عملیاتی 200 درجه سانتیگراد، مقاومت در برابر آب نمک.)
• هدف: چه چیزی را به حداقل/حداکثر خواهیم رساند؟ (به عنوان مثال وزن را به حداقل برسانید، هزینه را به حداقل برسانید.)
• متغیر آزاد: چه چیزی را می توانیم انتخاب کنیم؟ (ماده و اغلب یک بعد، به عنوان مثال بخش.)

این چارچوب اساس رویکرد انتخاب مواد اشبی است. شاخص عملکرد عبارتی است که ترکیبی از خواص مواد را ارائه می دهد که به بهترین وجه یک هدف خاص را برآورده می کند. به عنوان مثال، شاخصی مانند مقاومت ویژه برای سبک ترین پرتو با سختی خاص استفاده می شود. با توجه به عملکرد و محدودیت‌ها، هوش مصنوعی به شما کمک می‌کند تا شاخص عملکرد صحیح را استخراج کنید و کلاس‌های مواد نامزد را رتبه‌بندی کنید - اما مطمئن شوید که مشتق فیزیکی شاخصی را که استخراج می‌کند بررسی کنید.

گام به گام: انتخاب مواد مبتنی بر هوش مصنوعی

1. الزامات را بنویسید: تابع، محدودیت ها، هدف، متغیر آزاد. بگذارید عددی و قابل اندازه گیری باشد.
2. طبقه های کاندید را شناسایی کنید: از هوش مصنوعی بخواهید که طبقات مواد (فولاد، ضد زنگ، آلیاژهای آلومینیوم، تیتانیوم، پلیمرها، کامپوزیت ها) را فهرست کند و مناسب بودن هر کدام را برای این عملکرد توجیه کند.
3. حذف با محدودیت: گریدهایی را که محدودیت ها را برآورده نمی کنند حذف کنید (مثلاً محدودیت خوردگی فولاد کربنی را حذف می کند).
4. مرتب سازی بر اساس شاخص عملکرد: نامزدهای باقی مانده را بر اساس هدف (سبکی، هزینه) مرتب کنید.
5. ماتریس تصمیم را تنظیم کنید: نامزدهای نهایی را با جدول امتیازدهی وزنی مقایسه کنید.
6. بررسی: مقادیر دارایی مواد انتخاب شده را از برگه داده/استاندارد دریافت کنید، عرضه و هزینه را تأیید کنید، در صورت لزوم نمونه آزمایشی را انجام دهید.

نکته: هرگز خواص مواد ارائه شده توسط AI را به عنوان مقادیر نهایی در نظر نگیرید. حتی اگر هوش مصنوعی بگوید "قدرت تسلیم آلومینیوم 6061-T6 276 مگاپاسکال است"، مقدار واقعی بسته به حالت دما، فرم محصول نیمه تمام (صفحه، میله، اکستروژن) و ضخامت بخش متفاوت است. مقدار را از برگه داده EN/ASTM تأیید کنید.

ماتریس تصمیم گیری وزنی

ماتریس تصمیم گیری وزنی روشی شفاف و قابل دفاع در هنگام انتخاب از میان نامزدهای نهایی است. به هر معیار یک وزن اهمیت داده می شود، به هر نامزد در هر معیار امتیاز داده می شود و مجموع وزنی محاسبه می شود. در زیر نمونه ای از شفت پمپ آب دریا (نمرات 1-5، مجموع وزن ها 1.0) آمده است.

معیار

وزن

316 لیتر ضد زنگ

دوبلکس 2205

نی ال برنز

مقاومت در برابر خوردگی (آب دریا)

0.35

3

5

4

قدرت تسلیم

0.25

3

5

3

ماشین کاری

0.15

4

3

4

هزینه (کمتر بهتر است)

0.15

4

3

2

زمان عرضه/سرب

0.10

5

3

3

کل وزن شده

1.00

3.40

4.30

3.45

این جدول دوبلکس 2205 را برجسته می کند. اما میز یک تصمیم نیست، محل بحث است. شما اوزان و امتیازات را تعیین می کنید. هوش مصنوعی آنها را به طور منظم محاسبه می کند و توجیه را می نویسد. مبنای امتیازات (مقدار PREN برای خوردگی، حداقل استاندارد برای استحکام) باید تأیید شود.

سه کیف کوچک

مورد 1 - خلق و خوی نادرست، قدرت اشتباه. یک طراح از هوش مصنوعی "قدرت تسلیم آلومینیوم 6061" برای یک براکت می خواهد. هوش مصنوعی می گوید "276 مگاپاسکال". طراح از این مقدار استفاده می کند، اما ماده ارائه شده در حالت T4 است و دارای قدرت تسلیم تنها ~ 145 مگاپاسکال است. قطعه در بار کمتر از حد انتظار به طور دائم تغییر شکل می دهد. درس: ارزش دارایی به شرایط ماده بستگی دارد (T4/T6). مقدار داده شده توسط AI بدون تعیین حالت بی معنی است و باید از برگه داده تأیید شود.

مورد 2 - حذف صحیح. یک تیم لیستی از نامزدها را از هوش مصنوعی برای بدنه شیری که با فشار 6 بار و تماس ثابت با آب نمک کار می کند، درخواست می کند. هوش مصنوعی فولاد کربن و فولادهای کم آلیاژ را به دلیل محدودیت خوردگی حذف می کند. 316L دوبلکس و برنز را توصیه می کند و مفهوم PREN (عدد معادل مقاومت حفره ای) را برای هر یک توضیح می دهد. تیم این غربالگری اولیه را می پذیرد، اما تصمیم نهایی را بر اساس غلظت واقعی کلر و داده های تست خوردگی دما می گیرد. هوش مصنوعی حذف و آزمایش شد.

مورد 3 - واقعیت هزینه. برای یک محصول، AI تیتانیوم Ti-6Al-4V را توصیه می کند. از نظر سبکی و خوردگی عالی است. اما این زمینه که قطعه در 50 هزار دستگاه سالانه تولید می شود و فشار قیمتی وجود دارد داده نشده است. هزینه هر کیلوگرم و دشواری فرآوری تیتانیوم، این محصول را از نظر تجاری غیرقابل اجرا می کند. تیم زمینه را اضافه می کند و دوباره می پرسد. این بار یک فولاد ضد زنگ مقرون به صرفه انتخاب شده است. درس: اگر از ابتدا محدودیت‌های هزینه و قابلیت تولید را ارائه نکنید، هوش مصنوعی توصیه‌های فنی درست اما از نظر تجاری نادرست را ارائه می‌کند.

الگوهای درخواستی قابل کپی

الگوی چارچوب انتخاب مواد"نقش: شما دستیار متخصص انتخاب مواد هستید. بخش: [توضیحات]. کادر زیر را پر کنید:- عملکرد: [...]- محدودیت ها (عددی): [استحکام، دما، خوردگی، وزن...]- هدف: [به حداقل رساندن: وزن/هزینه]- نشان دادن بخش رایگان بر اساس متغیر شاخص: EP BY STEP مقادیر ویژگی را با منبع و اخطار "باید تایید از صفحه داده" را اضافه کنید."

الگوی غربالگری کاندیدا"کلاس‌های موادی را که محدودیت‌های زیر را برآورده نمی‌کنند، امضا و توجیه کنید: [محدودیت‌های فهرست]. نامزدهای باقی‌مانده را بر اساس هدف مرتب‌سازی کنید. بیان کنید که هر نامزد براساس کدام استاندارد (مانند EN، ASTM) تعریف شده است. اعداد دقیق ویژگی را ندهید؛ محدوده و رتبه‌بندی «باید تأیید شود».

الگوی ماتریس تصمیم "یک ماتریس تصمیم گیری وزنی برای نامزدهای زیر تنظیم کنید: [کاندیدا]. معیارها و وزن های من: [criteria=weight list]. به هر نامزد با 1-5 امتیاز امتیاز دهید و BASIS هر امتیاز (کدام ویژگی، کدام منبع) را در یک جمله بنویسید. مجموع وزنی را محاسبه کنید و نتیجه را به عنوان "جدول پایه" مشخص کنید."

الگوی سازگاری با خوردگی "محیط زیست: [دما، غلظت کلر/اسید، pH]. منطق PREN را برای ضد زنگ کاندید توضیح دهید و بگویید با کدام آزمایش (مثلاً آزمایش گودال ASTM G48) باید تایید شود. انتخاب مواد را بدون آزمایش نهایی نکنید، فقط نامزدها را فهرست کنید."

اعلان ضعیف / اعلان قوی

پیام ضعیف: "بهترین ماده برای شفت پمپ برای استفاده در آب دریا چیست؟"

STRONG PROMPT: "نقش: شما کارشناس انتخاب مواد هستید. بخش: محور پمپ آب دریا گریز از مرکز. محدودیت ها: تماس مداوم با آب دریا (~ 20000 ppm کلرید، 25-40 درجه سانتیگراد)، قدرت تسلیم ≥ 450 MPa، بار خستگی در دسترس است. کاندیدای ضد زنگ و برنز با توجه به محدودیت‌ها و مرتب‌سازی، بنویسید که کدام استاندارد و کدام تست تاییدیه لازم است.

اعلان قدرتمند؛ این محیط را به صورت عددی ارائه می دهد، یک محدودیت قدرت را تعیین می کند، مقدار تولید و هدف هزینه را مشخص می کند و آزمایش تأیید را درخواست می کند. بنابراین، هوش مصنوعی فهرستی از نامزدها را تولید می کند که هم از نظر تجاری و هم از نظر فنی مناسب هستند.

اشتباهات رایج

• درخواست "بهترین ماده" بدون تعیین کمیت عملکرد و محدودیت ها.
• دریافت مقدار ویژگی بدون مشخص کردن وضعیت ماده (مقاوم، شکل، مقطع).
• عدم در نظر گرفتن محدودیت هزینه، عرضه و تولید.
• عدم کنترل اشتقاق فیزیکی شاخص عملکردی که هوش مصنوعی به دست می آورد.
• در نظر گرفتن نتیجه به عنوان قطعی بدون تأیید مبنای امتیازات در ماتریس تصمیم.
• تایید تصمیمات وابسته به محیط مانند خوردگی بدون آزمایش.

به طور خلاصه

در انتخاب مواد، هوش مصنوعی یک ابزار پشتیبانی تصمیم گیری قدرتمند است، زمانی که عملکرد و محدودیت ها را روشن کنید: فهرستی از نامزدها را تولید می کند، شاخص عملکرد را استخراج می کند، ماتریس تصمیم را می سازد و توجیه می نویسد. با این حال، هر مقدار ویژگی باید از برگه داده و استاندارد تأیید شود، و هر تصمیم حیاتی در برابر خوردگی/مقاومت باید با آزمایش تأیید شود. چارچوب بندی مسئله در چارچوب متغیر تابع-محدودیت-عاری از هدف نیمی از یک انتخاب خوب است.

وظیفه کاربردی

یک قسمت واقعی یا تخیلی (به عنوان مثال یک بست خارجی) را انتخاب کنید. تابع، محدودیت ها، هدف و متغیر آزاد را به صورت عددی بنویسید. فهرست نامزدها و شاخص عملکرد را با الگوی "FRAMEWORK MATERIAL SELECTION" از هوش مصنوعی درخواست کنید. سپس قالب "ماتریس تصمیم" را با حداقل سه نامزد پر کنید. در نهایت، در یک پاراگراف بنویسید که از کدام استاندارد و آزمون برای تأیید استحکام تسلیم و رفتار خوردگی ماده ای که انتخاب کرده اید استفاده می کنید.

چک لیست

• [ ] من تابع، محدودیت ها، هدف و متغیر آزاد را به صورت عددی تعریف کردم.
• [ ] کلاس هایی را که محدودیت ها را با توجیه نداشتند حذف کردم.
• [ ] من مقادیر ویژگی را با مشخص کردن شرایط ماده (مزاج/فرم) دریافت کردم.
• [ ] من مبنای امتیازات ماتریس تصمیم را ذکر کردم.
• [ ] من هزینه، عرضه، و قابلیت ساخت را در زمینه قرار دادم.
• [ ] من برای تأیید انتخاب با برگه داده، استاندارد و آزمایش های لازم برنامه ریزی کردم.