Analyse des données métallurgiques et frontières de l'IA avec Python

Gains :

• Capacité à produire et comprendre le code qui nettoie, analyse et visualise les données métallurgiques avec Python, avec prise en charge de l'IA
• Capacité à prendre l'habitude de valider le code généré par l'IA avec vérification unitaire, scénario de test et plausibilité physique
• Une compréhension holistique des limites de bout en bout, de la responsabilité et du cadre éthique de l'IA en métallurgie

Le travail métallurgique est de plus en plus effectué avec davantage de données : des centaines de résultats d'essais de traction, des milliers de mesures SPC, des enregistrements de fours de traitement thermique, des résultats de caractérisation. La recherche manuelle de ces données dans Excel est lente et sujette aux erreurs ; Python (un langage de programmation courant pour l'analyse des données et le calcul scientifique) rend cela reproductible, vérifiable et automatique. L'IA est très puissante pour écrire, déboguer et expliquer le code Python, mais le code qu'elle produit peut sembler correct mais donner un résultat erroné : erreur d'unité, coefficient incorrect, perte de données silencieuse. Dans cette dernière unité, vous apprendrez à analyser les données métallurgiques avec le support de l'IA en Python et à vérifier chaque code, puis à arrondir de manière holistique les limites de l'IA, le cadre de responsabilité et d'éthique couvert tout au long du module.

Tâches typiques dans l'analyse des données métallurgiques

Tâches courantes avec prise en charge de l'IA dans Python :

• Nettoyage des données : valeur manquante, confusion des unités (MPa vs ksi), suppression des valeurs aberrantes. Des données sales corrompent même la meilleure analyse.
• Visualisation : dessin de la courbe de traction, carte de contrôle, distribution granulométrique, profil température-temps.
• Hesap et ici: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), enregistrement, statistique.
• Automatisation : Traitement par lots d'un grand nombre de fichiers et production de tableaux/rapports récapitulatifs.

La relation Hall-Petch en est un bon exemple : la limite d'élasticité augmente de manière inversement proportionnelle à la racine carrée du diamètre des grains. L'IA peut traduire cette formule en code ; Mais que vous utilisiez d comme micromètre ou mètre et quelle unité vous utilisez pour le coefficient k change complètement le résultat. L'exactitude du code ne réside pas dans la mémorisation de la formule, mais dans la validation des unités et d'un scénario de test.

Astuce : assurez-vous d'inclure un « test de réponse connue » dans chaque compte écrit par l'IA. Donnez une petite entrée dont vous connaissez le résultat à la main (par exemple la force attendue pour d = 100 µm) ; Si le code donne cette valeur, vous pouvez lui faire confiance ; si ce n'est pas le cas, l'erreur est masquée.

Pas à pas : un flux d'analyse sécurisé avec l'IA

1. Décrivez la tâche et les données : quel fichier, quelles colonnes, quelles unités, que sera calculé ?
2. Demander un squelette de code : demandez à l'IA un squelette commenté et divisé en étapes ; Définissez les unités avec des variables explicites en haut.
3. Testez avec de petites données : exécutez d'abord avec quelques lignes/valeurs connues ; Vérifiez le résultat manuellement.
4. Contrôle des unités et des limites : le résultat est-il physiquement raisonnable ? Y a-t-il des absurdités comme une force négative, un taux de 120 % ?
5. Visualisez et regardez : le graphique montre-t-il la tendance attendue ? Les données aberrantes sont-elles des erreurs ?
6. Vérifier et documenter : Comparer le résultat à un calcul/norme indépendant ; Commentez le code et les hypothèses.

Tableau de vérification du code IA

Risque

symptôme

Méthode de contrôle

Erreur d'unité

Le résultat est 1000x pervers

Définir les unités dans une variable explicite, contrôle de la taille

Coefficient/formule incorrect

Valeur raisonnable mais erronée

Scénario de test avec réponses connues

Perte de données silencieuse

Le nombre de lignes est inférieur à celui prévu

Imprimer le nombre de lignes avant/après le traitement

distorsion aberrante

kayak moyen

Visualisez avec un graphique, regardez la distribution

Surapprentissage (bibliothèque hallucinatoire)

fonction inexistante

Exécutez, lisez l'erreur, consultez la documentation

trois mini-cases

Cas 1 — Erreur de volume caché. Un ingénieur demande du code à l'IA pour le calcul de Hall-Petch ; Le code prévoit un diamètre de grain en mètres, mais l'ingénieur entre en micromètres. Le résultat est 1000 fois pervers, mais il ne se remarque pas au premier coup d’œil car il ressemble à un « chiffre ». Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca yakalar, birim dönüşümünü koda ekler. Leçon : les tests à réponse connue révèlent une erreur d'unité en quelques secondes.

Cas 2 — Perte de données silencieuse. Une équipe nettoie 500 résultats de tests pull avec du code écrit par l'IA ; Bien que le code supprime les lignes contenant des valeurs manquantes, il supprime également accidentellement certaines des lignes valides, laissant 300 lignes. La résistance moyenne est plus élevée que prévu car le lot de faible valeur est éliminé. Lorsque l'équipe imprime le nombre de lignes avant/après traitement, elle constate que 200 lignes ont disparu silencieusement et corrige le filtre. Leçon : l'impression du nombre de lignes à chaque étape du traitement des données permet de détecter les pertes silencieuses.

Cas 3 — Utilisation correcte, rapport reproductible. Une équipe qualité doit traiter des dizaines de dossiers de fours et produire des rapports de synthèse chaque semaine. Il demande à l'IA d'écrire un script commenté qui lit les fichiers en masse et produit des graphiques et des tableaux récapitulatifs. L'équipe teste le code avec quelques fichiers connus, vérifie le nombre d'unités et de lignes, inspecte visuellement le graphique de sortie. Utilise ensuite le script chaque semaine ; Les heures de travail sont réduites à quelques minutes et fonctionnent de la même manière, vérifiable chaque semaine. L’IA a permis une automatisation reproductible, a confirmé l’équipe.

Modèles d'invite copiables

MODÈLE DE SQUELETTE DE CODE "Rôle : Vous êtes l'assistant de code pour l'analyse des données métallurgiques. Tâche : [par exemple, lire les résultats de dessin à partir du CSV et la limite d'élasticité moyenne]. Données : [fichier, colonnes, UNITÉS]. Écrivez un squelette commenté avec des pandas : (1) définir les unités dans la variable ouverte en haut, (2) lire les données et imprimer le nombre de lignes, (3) effacer et imprimer à nouveau le nombre de lignes, (4) faire le calcul, (5) imprimer le résultat et un contrôle de plausibilité. Ajoutez des commentaires à chaque étape. Marquez où je dois vérifier.

MODÈLE DE TEST À RÉPONSE CONNUE « Écrivez un « test à réponse connue » pour la fonction suivante : [fonction]. Choisissez une petite entrée dont le résultat peut être calculé manuellement, commentez la sortie attendue et vérifiez avec assert. Testez également la cohérence de l'unité. Si le test ne réussit pas, énumérez les raisons possibles (unité, coefficient, formule)."

EXAMEN DU CODE / MODÈLE DE DÉBOGAGE "Examinez le code suivant : [code]. Vérifiez et signalez les éléments suivants : (1) cohérence du volume, (2) risque de perte de données silencieuse, (3) impact aberrant, (4) sortie physiquement impossible (force négative, taux > 100 %). Écrivez comment vérifier pour chaque risque. Ne confirmez pas le code comme « fonctionnant » ; indiquez qu'il n'est pas fiable sans test. "

MODÈLE DE VISUALISATION "tracé [courbe de traction/tracé de contrôle/distribution] avec matplotlib. Ajoutez des UNITÉS aux étiquettes des axes, mettez le titre et la grille. Marquez les valeurs aberrantes différemment. Notez que je dois inspecter visuellement le tracé et vérifier la tendance attendue (par exemple, augmentation de la contrainte-déformation). Ne cachez aucun point pour « embellir » les données. "

Invite faible/Invite forte

INVITE FAIBLE : "Écrivez-moi le code qui effectue le calcul de Hall-Petch."

INVITE FORTE : "Rôle : Vous êtes l'assistant de code pour l'analyse des données métallurgiques. Écrivez une fonction Python pour calculer Hall-Petch (σy = σ0 + k·d^(-1/2)). Unités : d micromètre, σ0 et σy MPa, k MPa·µm^(1/2). Activez la conversion d'unité dans la fonction et commentez. Également d = 100 Calculez manuellement le résultat attendu pour µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 et testez avec assert. Ajoutez un contrôle de plausibilité physique (σy ne peut pas être négatif) Considérez le code comme peu fiable sans test.

Une invite faible produit du code qui n'a pas d'unité ni de test et peut se tromper silencieusement. Des invites fortes définissent clairement les unités, imposent la conversion, nécessitent des tests de réponse connue et une vérification de plausibilité, ce qui rend le code vérifiable.

Résumé holistique du module : La place et les limites de l'IA en métallurgie

Un seul principe a été répété tout au long de ce module : l’IA est un assistant, pas un décideur. Dans douze unités, nous avons utilisé l'IA de bout en bout, de la sélection des matériaux à la prédiction des propriétés, de l'analyse de phase à la microstructure, du traitement thermique à la fabrication, du contrôle qualité à l'analyse des dommages, de la caractérisation à la standardisation et à l'analyse Python. Dans chaque unité, l’IA a expliqué les concepts, généré des hypothèses, rédigé des brouillons et du code – mais dans aucune unité, elle n’a pris la décision seule. Les limites étaient claires : hallucination (numéro et norme inventés), non-délégation des responsabilités critiques pour la sécurité, dépendance à la qualité des données et à la mesure/étalonnage, risque d'extrapolation et de confidentialité. La discipline de la vérification est toujours restée chez les humains dans le triangle standard-laboratoire-compte.

Erreurs courantes

• Appliquer le code à des données réelles sans tester avec des réponses connues.
• Ne pas définir clairement les unités ; Surplombant la confusion MPa/ksi, µm/m.
• Ne pas imprimer le nombre de lignes pendant les étapes de traitement des données et ne pas remarquer la perte silencieuse.
• S'appuyer sur la moyenne sans visualiser les valeurs aberrantes.
• Accepter la bibliothèque/fonction inexistante constituée par l'IA sans l'exécuter.
• En supposant que le code est correct car il « semble fonctionner » ; échec de vérification de la plausibilité physique.

En résumé

L'IA dans l'analyse des données métallurgiques avec Python est un puissant accélérateur pour le codage, le débogage et l'automatisation ; mais le code qu'il produit peut contenir des erreurs d'unité, des coefficients incorrects et une perte silencieuse de données. Vérifiez chaque code avec des tests de réponse connue, une vérification des unités, un suivi du nombre de lignes et une plausibilité physique. Ici, comme dans l'ensemble du module, l'IA est l'assistante : elle garantit que la rapidité et l'organisation, la précision et la responsabilité sont prises en charge par l'ingénieur agréé. Dans les décisions métallurgiques critiques pour la sécurité, les résultats de l’IA ne remplacent jamais les normes, les expériences, les calculs et l’approbation d’un ingénieur compétent.

Tâche de candidature

Choisissez un calcul métallurgique (par exemple Hall-Petch ou une moyenne de données de traction). Avec le modèle "CODE SKELETON", demandez à l'IA un code commenté qui imprime le nombre de lignes avec des unités explicites. Ajoutez ensuite un scénario de test dont vous connaissez le résultat manuellement avec le modèle « TEST DE RÉPONSE CONNUE » et exécutez-le. Si le code ne donne pas la valeur attendue, recherchez l'erreur (unité, coefficient, donnée) et corrigez-la. Enfin, écrivez sur la discipline de vérification de l'IA que vous avez apprise dans ce module en l'adaptant à votre propre entreprise dans trois articles.

liste de contrôle

• [ ] J'ai clairement défini la tâche, les données et les unités de l'IA.
• [ ] J'ai défini les unités avec des variables explicites en haut du code.
• [ ] Dans les étapes de traitement des données, j'ai imprimé le nombre de lignes et vérifié la perte silencieuse.
• [ ] J'ai vérifié le code avec un scénario de test avec une réponse connue.
• [ ] J'ai vérifié la plausibilité physique (valeur négative/absurde) de la sortie.
• [ ] J'ai utilisé l'IA comme accélérateur ; J'ai gardé intégrité et responsabilité.

Examen de module

1. Lorsqu'un ingénieur en matériaux travaille avec un outil d'IA, lequel des éléments suivants doit toujours être responsable en dernier ressort de l'humain (ingénieur juridique) ?

• A) Approbation et signature de l'aptitude au service d'une pièce ✔
• B) Préparation de la première ébauche d'un rapport de sinistre
• C) Modification des étiquettes d'axe d'un graphe de microstructure
• D) Préparer un glossaire de termes métallurgiques pour une présentation

Description : IA ; Il peut accélérer des tâches telles que la clarification de concepts, la rédaction de rapports, la liste d'hypothèses et le squelette de code. Cependant, l'approbation de l'adéquation d'une pièce au service/au vol est une décision qui aboutit à la sécurité des personnes et des biens ; ne peut pas être transféré à AI sans tests accrédités et approbation d’un ingénieur autorisé.

2. Vous avez interrogé AI sur la limite d'élasticité de l'acier AISI 4140 lorsqu'il est trempé et revenu à 200 °C, et il a répondu « 1 500 MPa, bien sûr ». Quelle est la première action correcte à entreprendre ?

• A) Mettez la valeur directement dans le compte de conception car l'IA semble confiante
• B) Vérifier la valeur avec la fiche technique du matériau/le certificat d'usine et, si nécessaire, un essai de traction, sans se fier à une valeur ponctuelle ✔
• C) Abaisser la valeur de manière aléatoire pour rester du bon côté
• D) Acceptez la valeur et passez directement à la recette du traitement thermique

Explication : Les modèles linguistiques peuvent fabriquer de manière convaincante des chiffres non fondés (hallucination). Limite d'élasticité ; Elle varie dans une large plage en fonction de la température de revenu, de l'épaisseur de la section et de la trempabilité. Il est nécessaire d'obtenir la valeur du certificat d'usine ou de l'essai de traction conformément à la norme, et de ne pas inclure une seule sortie AI en un seul point dans la conception.

3. Grâce à un modèle d'apprentissage automatique prédisant les propriétés d'un acier, l'IA a produit une valeur « sûre » pour un alliage bien en dehors de la plage de composition dans les données d'entraînement. Quel est le principal problème de cette sortie ?

• A) Le modèle donne toujours des résultats en pourcentage, MPa est faux
• B) La prédiction n'est pas fiable car elle est faite en dehors de la plage des données d'entraînement (extrapolation) et doit être vérifiée par l'expérience ✔
• C) Le modèle ne fonctionne que pour les aciers inoxydables
• D) La sortie du modèle est toujours exactement le double de la valeur réelle

Explication : les modèles d'apprentissage automatique fonctionnent raisonnablement dans la plage des données d'entraînement (interpolation) ; En dehors de cette plage (extrapolation), les prévisions deviennent peu fiables et le modèle ne le montre souvent pas. La valeur générée en un point extérieur à la distribution des données d'entraînement ne peut pas être utilisée sans validation expérimentale.

4. Vous avez appliqué l’IA pour calculer le rapport des phases dans un alliage biphasé. Quelle entrée l’IA doit-elle utiliser correctement lors de l’application de la « règle du levier » ?

• A) Température uniquement ; les combinaisons sont inutiles
• B) Seule la densité de l'alliage
• C) Composition totale de l'alliage avec compositions des limites de phase à la température appropriée ✔
• D) Uniquement la température de fusion

Explication : La règle du levier donne les quantités de phase en utilisant les distances entre les compositions des limites de phase (par exemple les compositions de la phase solide et liquide) et la composition totale de l'alliage à une température donnée. Si les combinaisons de limites de phase sont lues incorrectement, le rapport sera complètement faux ; Par conséquent, la confirmation des valeurs du diagramme de phases est obligatoire.

5. Vous avez mesuré la taille des grains de la microstructure avec un flux de traitement d'image alimenté par l'IA, mais vous avez oublié de calibrer la barre d'échelle en pixels. Pourquoi le résultat n'est-il pas fiable ?

• A) Toutes les mesures dimensionnelles sont à la mauvaise échelle car l'étalonnage de la longueur des pixels n'a pas été effectué ✔
• B) La mesure est faussée car une image couleur est utilisée
• C) La taille des grains ne peut être mesurée que par SEM, la microscopie optique est inexacte
• D) La mesure n'est pas nécessaire car la résolution de l'image est élevée

Description : En métallographie quantitative, chaque pixel correspond à une longueur ; Si cette transformation n'est pas calibrée avec la barre d'échelle, toutes les mesures dimensionnelles telles que la taille des grains, le rapport de phase et la porosité apparaîtront sur la mauvaise échelle. L’étalonnage est la première et obligatoire étape de la mesure basée sur l’image.

6. AI a suggéré une recette de traitement thermique (austénitisation + trempe + revenu) pour atteindre la dureté cible d'un acier. Quelle est la meilleure étape avant d’appliquer la prescription ?

• A) Appliquer la recette directement à la production de masse
• B) Appliquer la recette sur la pièce d'essai, mesurer la dureté/microstructure et comparer avec l'étalon ✔
• C) Il suffit d'augmenter de manière aléatoire la température de trempe par mesure de sécurité.
• D) Corriger et approuver uniquement l'orthographe de l'ordonnance

Description : Suite à un traitement thermique ; L'épaisseur de la section des pièces et la trempabilité (Jominy) varient fortement en fonction de la réalité du four et de l'environnement de refroidissement. La prescription donnée par l’IA est une première hypothèse ; Il doit être vérifié en l'appliquant sur la pièce d'essai, en mesurant la dureté et la microstructure et en les comparant à l'étalon.

7. Vous avez demandé à l'IA un « numéro de substance spécifique » d'une norme ASTM pour une valeur limite matérielle et elle a répondu avec une valeur exacte. Quel est le comportement d’ingénierie correct ?

• A) Écrire la valeur directement dans le rapport car l'IA est à jour
• B) Changer la valeur de manière aléatoire pour rester du bon côté
• C) Vérifier le numéro de substance, la version et la valeur à partir du texte standard officiel et actuel ✔
• D) Ajout du numéro d'article au dossier de conformité sans le vérifier

Explication : Même si les modèles de langage connaissent correctement le nom standard, ils peuvent mémoriser ou inventer le numéro d'article, la version et le point d'arrêt. Dans les domaines contraignants tels que ASTM/ISO/EN, chaque substance et valeur doit être vérifiée textuellement à partir de la source officielle et actuelle ; La sortie de l'IA montre uniquement où chercher.

8. Vous avez montré la photo de la surface cassée d'un boulon à l'IA et avez reçu la réponse « il s'agit définitivement d'une fracture de fatigue ». Quelle est la bonne approche pour analyser les causes profondes ?

• A) Ecrire le diagnostic directement dans le rapport car l'IA parle précisément
• B) Il suffit d'augmenter la résolution de la photo et de confirmer le diagnostic
• C) Installer une nouvelle pièce sans examiner la surface cassée
• D) Confirmer le diagnostic en tant qu'hypothèse avec des preuves de fractographie, d'historique de charge et de microstructure ✔

Description : Interprétation des surfaces brisées ; La fractographie (striation, lignes de plage, séparation des fossettes/clivages avec SEM) nécessite de prendre en compte ensemble l'historique des charges, l'environnement et les preuves de microstructure. Le diagnostic définitif posé par l’IA à partir d’une seule photo est une hypothèse ; La cause profonde ne peut être déclarée sans confirmation par des résultats de laboratoire.

9. L'IA a attribué un pic à une phase spécifique dans un modèle XRD (diffraction des rayons X). Quelle est la méthode la plus appropriée pour fiabiliser l’identification de phase ?

• A) Faire correspondre le pic à la base de données des modèles de référence (par exemple, des cartes PDF) et vérifier les chevauchements et les artefacts ✔
• B) Accepter la mission directement parce que l'IA dit le nom de la phase
• C) Ne considérer que le plus haut sommet et ignorer le reste
• D) Colorez le motif et rendez-le visuellement beau

La description : L'identification des phases XRD se fait en faisant correspondre les positions et les intensités des pics mesurées avec des modèles de référence connus (par exemple, cartes ICDD/PDF). L'attribution d'un seul pic isolé est trompeuse ; les pics qui se chevauchent, l'orientation préférentielle et les artefacts de fond doivent être pris en compte et l'affectation confirmée avec la base de données de référence.

10. Un projet de rapport de dommage/inspection préparé par AI contient des valeurs techniques fluides mais d'origine inconnue. Quel est le comportement correct ?

• A) Présenter le rapport tel quel car le texte est fluide
• B) Arrondir et gloser les valeurs
• C) Lisez simplement le résumé et ignorez le reste
• D) Faites correspondre chaque valeur avec la mesure/source d'origine et supprimez le ✔ non confirmé

Description : Chaque valeur technique du rapport ; Il doit être traçable par rapport aux mesures, aux enregistrements de l'appareil calibré, aux données standard ou aux données du fabricant. Même s'il s'agit d'une valeur dans une phrase fluide, aucun numéro dont la source n'a pas été vérifiée ne doit être inclus dans le rapport ou la base de décision ; Dans le cas contraire, une valeur fictive est transférée au document qui crée la responsabilité.

11. Quelle est la meilleure étape avant d'utiliser un calcul Python généré par l'IA (par exemple, relation Hall-Petch pour la taille des grains-limite d'élasticité) ?

• A) Appliquer le code directement aux données de production réelles
• B) Assurez-vous simplement que le code est court et soigné
• C) Exécutez le code dans un scénario de test avec des résultats connus et vérifiez les unités et la sortie ✔
• D) Supprimer une partie du code pour le raccourcir

Explication : Un code peut paraître correct mais donner un résultat erroné : il peut y avoir une erreur d'unité, un coefficient incorrect ou une erreur de formule. L'exécution du code dans un petit scénario de test où vous connaissez le résultat à la main, le compare au résultat attendu et vérifie les unités détecte l'erreur avant qu'elle ne soit transmise à la décision réelle.

12. Vous souhaitez coller la recette d'alliage et les paramètres de processus non encore brevetés de votre entreprise dans un outil d'IA accessible au public et demander une analyse. Quelle est l’approche la plus correcte ?

• A) Coller la recette telle quelle pour la rendre plus rapide
• B) Il suffit de supprimer le nom de l'entreprise et de partager tous les paramètres restants.
• C) Partager les données puis demander à l'IA de les supprimer
• D) Vérifier la politique institutionnelle et anonymiser les données ou utiliser un outil sécurisé/institutionnel ✔

Description : La recette de l'alliage, les paramètres du processus et les spécifications du client sont sensibles aux secrets commerciaux et à la propriété intellectuelle. Avant de partager des données, il est nécessaire de vérifier la politique de l'entreprise, de la rendre anonyme ou d'utiliser un outil institutionnel/sur site qui n'envoie pas les données.

13. Le système SPC (contrôle statistique des processus) alimenté par l'IA a signalé qu'une limite de la carte de contrôle avait été dépassée dans un lot de production. Quel est le comportement d’ingénierie correct ?

• A) Ignorez l'avertissement et continuez la production
• B) Extension des limites de contrôle afin qu'aucun avertissement ne se produise
• C) Considérez l'avertissement comme un déclencheur, confirmez la mesure, recherchez la cause première et décidez avec des critères d'acceptation ✔
• D) Mise au rebut directe du lot entier sans mesurer

Explication : Le dépassement de la limite de la carte de contrôle est un avertissement ; La cause profonde n’est pas automatiquement évidente. Il peut s'agir d'une erreur de mesure, d'un problème d'échantillonnage ou d'une dérive réelle du processus. L'approche correcte consiste à considérer l'avertissement comme un déclencheur, à confirmer la mesure, à rechercher la cause profonde et à prendre une décision basée sur les critères d'acceptation et le résultat du CND/de l'examen.

14. L'évaluation d'image assistée par l'IA sur une pièce moulée a marqué une zone comme « acceptable ». Quelle est la bonne approche pour une pièce critique pour la sécurité ?

• A) Considérer l'évaluation préliminaire de l'IA comme un outil de sélection et lier l'acceptation finale au résultat du CND et à l'approbation autorisée ✔
• B) Considérer l'évaluation de l'IA comme une acceptation finale et approuver la pièce
• C) Passer au processus suivant sans inspecter la pièce du tout
• D) Il suffit de vérifier visuellement la surface de la pièce.

Description : Les défauts internes de fonderie (porosité, retrait, inclusions) sont souvent invisibles depuis la surface et sont évalués par contrôles non destructifs (CND : radiographie, ultrasons). L’évaluation préliminaire que donne l’IA à travers l’image est un outil de dépistage ; L'acceptation finale de la pièce critique pour la sécurité est donnée avec CND et approbation d'inspection autorisée conformément à la norme.