સામગ્રીની પસંદગી અને એશબી અભિગમ

નફો:

• સામગ્રી પસંદગી માપદંડ (તાકાત, ઘનતા, ખર્ચ, કાટ) અને એશબી ઇન્ડેક્સ અભિગમ સમજાવવાની ક્ષમતા
• AI સાથે ઉમેદવારનું બિલ, સરખામણી મેટ્રિક્સ અને વાજબીતા ડ્રાફ્ટ બનાવવાની ક્ષમતા
• વિશ્વસનીય ડેટા શીટ્સ અને ધોરણોમાંથી AI ભલામણ કરેલ સામગ્રી ગુણધર્મોને ચકાસવાની ક્ષમતા

સામગ્રીની પસંદગી મોટે ભાગે નક્કી કરે છે કે મશીનનો ભાગ કામ કરશે કે કેમ, તે કેટલો સમય ચાલશે, તેની કિંમત કેટલી હશે અને તેનું ઉત્પાદન કેવી રીતે થશે. જ્યારે સ્ટીલ, એલ્યુમિનિયમ અથવા સંયુક્તમાંથી બનાવવામાં આવે ત્યારે સમાન ભૂમિતિ સંપૂર્ણપણે અલગ ભાગ બની જાય છે. સામગ્રીની પસંદગી; તે તાકાત (સ્થાયી નુકસાન સહન કર્યા વિના સામગ્રી સહન કરી શકે તે તણાવ), ઘનતા (એકમ વોલ્યુમ સમૂહ), કઠિનતા, કાટ પ્રતિકાર, કિંમત અને ઉત્પાદનક્ષમતા વચ્ચે સંતુલન સ્થાપિત કરવાની બાબત છે. આ સંતુલનમાં, કૃત્રિમ બુદ્ધિ એ ઉમેદવારો પેદા કરવામાં, તુલનાત્મક કોષ્ટકો બનાવવા અને વાજબીતાનો મુસદ્દો તૈયાર કરવામાં શક્તિશાળી સહાયક છે. જો કે, AI દ્વારા પરત કરવામાં આવેલ ભૌતિક મિલકત મૂલ્યો અંદાજિત, જૂના અથવા બનાવટી હોઈ શકે છે; તેથી, દરેક સંખ્યાત્મક મૂલ્યને ઉત્પાદકની ડેટાશીટ અથવા સામગ્રીના ધોરણોમાંથી ચકાસ્યા વિના ડિઝાઇનમાં શામેલ કરવું જોઈએ નહીં. આ એકમમાં, તમે સામગ્રીની પસંદગીના તર્ક, એશબી અભિગમ અને આ પ્રક્રિયામાં AI ને સુરક્ષિત રીતે કેવી રીતે સામેલ કરવું તે શીખી શકશો.

સામગ્રી પસંદગી માપદંડ

સામગ્રી પસંદ કરતી વખતે કોઈ એક "શ્રેષ્ઠ" નથી; એપ્લિકેશનના આધારે પ્રાથમિકતા બદલાય છે. મૂળભૂત માપદંડો છે: યાંત્રિક ગુણધર્મો (ઉપજ શક્તિ, તાણ શક્તિ, સ્થિતિસ્થાપકતાનું મોડ્યુલસ, નમ્રતા, થાક શક્તિ), ભૌતિક ગુણધર્મો (ઘનતા, થર્મલ વિસ્તરણ, થર્મલ વાહકતા), પર્યાવરણીય પ્રતિકાર (કાટ, તાપમાન, યુવી), ઉત્પાદનક્ષમતા (મશીનક્ષમતા, વેલ્ડેબિલિટી, કાસ્ટિબિલિટી), અર્થતંત્ર, પુનઃચક્રીયતા, વેલ્ડિબિલિટી, રિસાયકલ. સારી પસંદગી એપ્લિકેશનની જરૂરિયાત અનુસાર આ માપદંડોનું વજન કરે છે.

ટીપ: "પ્રથમ કાર્ય, પછી સામગ્રી" ક્રમમાં સામગ્રી પસંદ કરો. પ્રથમ સ્પષ્ટ કરો કે ભાગ શું કરવાનો છે (પ્રકાશ, સખત, ગરમીનો સામનો કરવો); અંતે સામગ્રીની બ્રાન્ડ નક્કી કરો. પહેલા એઆઈને પૂછો કે "આ ફંક્શન માટે કયું મટિરિયલ ફેમિલી છે", સીધા જ બ્રાન્ડ માટે પૂછશો નહીં.

એશબી એપ્રોચ: પર્ફોર્મન્સ ઇન્ડેક્સ

કેમ્બ્રિજના માઈકલ એશબી દ્વારા વિકસિત પદ્ધતિ બે ગુણધર્મોના ગુણોત્તરના આધારે "પર્ફોર્મન્સ ઇન્ડેક્સ" સાથે સામગ્રીની પસંદગીને વ્યવસ્થિત બનાવે છે. એશબી ડાયાગ્રામ લોગરીધમિક અક્ષો પર બે ગુણધર્મો (દા.ત. તાકાત-ઘનતા, મોડ્યુલસ-ઓફ-સ્થિતિસ્થાપકતા-ઘનતા) મૂકીને હજારો સામગ્રીની એક નજરમાં તુલના કરે છે અને ચોક્કસ હેતુ માટે ઉમેદવારોના શ્રેષ્ઠ સમૂહની કલ્પના કરે છે.

ઉત્તમ ઉદાહરણ: આપેલ લોડ પર તૂટતા ન હોય તેવા ન્યૂનતમ માસના બાર માટે, પર્ફોર્મન્સ ઇન્ડેક્સ σ/ρ (શક્તિ અને ઘનતાનો ગુણોત્તર) છે. ઉચ્ચ ગુણોત્તર ધરાવતી સામગ્રી હળવા ઉકેલો પ્રદાન કરે છે. ન્યૂનતમ સમૂહ અને ચોક્કસ જડતા સાથેના બીમ માટે, અનુક્રમણિકા E^(1/2)/ρ છે. બીજા શબ્દોમાં કહીએ તો, "ઉદ્દેશાત્મક કાર્ય અનુસાર ઉચ્ચતમ અનુક્રમણિકા સાથેની સામગ્રી" પસંદ કરવામાં આવે છે, "ઉચ્ચતમ શક્તિ સામગ્રી" નહીં.

હેતુ

પ્રદર્શન સૂચકાંક

ઉચ્ચ બનવાની ઇચ્છા

હલકો અને ટકાઉ લાકડી

σ_flow / ρ

ઉચ્ચ તાકાત, ઓછી ઘનતા

પ્રકાશ અને કઠોર બીમ

E^(1/2) / ρ

ઉચ્ચ મોડ્યુલસ, ઓછી ઘનતા

હળવા અને કઠોર પ્લેટ

E^(1/3) / ρ

ઉચ્ચ મોડ્યુલસ, ઓછી ઘનતા

સસ્તી અને ટકાઉ

σ_flow / (ρ કિંમત)

ઉચ્ચ તાકાત, ઓછી કિંમત

સાવધાન: એશબી ઇન્ડેક્સ યોગ્ય સામગ્રી પરિવારને સંકુચિત કરે છે પરંતુ અંતિમ નિર્ણય લેતો નથી. કાટ, ઉત્પાદનક્ષમતા, પુરવઠો અને વાસ્તવિક કાર્યકારી પરિસ્થિતિઓ અનુક્રમણિકામાં શામેલ નથી; એન્જિનિયર આનું અલગથી મૂલ્યાંકન કરે છે.

સ્ટેપ બાય સ્ટેપ: AI સાથે સામગ્રીની પસંદગી

1. કાર્ય અને અવરોધો વ્યાખ્યાયિત કરો. લોડ પ્રકાર, તાપમાન, પર્યાવરણ, માસ/કિંમત લક્ષ્ય.
2. ઉદ્દેશ્ય કાર્ય નક્કી કરો. હળવાશ, કઠોરતા કે કિંમત તમારી પ્રાથમિકતા છે?
3. AI પાસે ઉમેદવારોના પરિવારનું નિર્માણ કરો. બ્રાન્ડ નહીં, પરંતુ સામગ્રી જૂથ પ્રથમ.
4. સરખામણી મેટ્રિક્સ માટે પૂછો. માપદંડ કૉલમ અને ઉમેદવારોની પંક્તિઓ બનાવો.
5. દરેક મૂલ્ય ચકાસો. ડેટાશીટ/સ્ટાન્ડર્ડ સાથે ક્રોસ ચેક.
6. નિર્ણયને યોગ્ય ઠેરવો. શા માટે આ સામગ્રી, કયા જોખમ સાથે?

પ્રોમ્પ્ટ જે ઉમેદવારની સામગ્રી જનરેટ કરે છે

ભૂમિકા: સામગ્રીની પસંદગીમાં અનુભવ ધરાવતો મિકેનિકલ એન્જિનિયર. એપ્લિકેશન: બહારના વાતાવરણમાં કામ કરતા 30 કિલોનો વર્ટિકલ લોડ ધરાવતો કૌંસ. પ્રાધાન્યતા: 1) કાટ પ્રતિકાર, 2) ઓછો સમૂહ, 3) ઓછી કિંમત. કાર્ય: 4-6 ઉમેદવારોની ભલામણ કરો સામગ્રી કુટુંબ (બ્રાંડ) નહીં. દરેક ઉમેદવાર માટે: રફ તાકાત શ્રેણી, ઘનતા, કાટ વર્તણૂક, ઉત્પાદનક્ષમતા, લાક્ષણિક સંબંધિત ખર્ચ. નિયમ: જો તમે ચોક્કસ નંબર આપો છો, તો જણાવો કે તે "ચકાસાયેલ હોવું જ જોઈએ" અને લખો કે કયા સ્ત્રોતમાંથી (સ્ટાન્ડર્ડ/ડેટાશીટ) મારે તેની ચકાસણી કરવાની જરૂર છે.

સરખામણી મેટ્રિક્સ માટે પૂછતા પ્રોમ્પ્ટ

સરખામણી મેટ્રિક્સ તરીકે નીચેના ઉમેદવારોને ટેબલ કરો: 6061-T6 એલ્યુમિનિયમ, AISI 304 સ્ટેનલેસ, S355 સ્ટ્રક્ચરલ સ્ટીલ, ગ્લાસ ફાઇબર રિઇનફોર્સ્ડ પોલિમાઇડ. સ્તંભો: ઉપજની શક્તિ, ઘનતા, કાટ, યંત્રક્ષમતા, સંબંધિત ખર્ચ, લાક્ષણિક ઉપયોગ. જણાવો કે મૂલ્યો અંદાજિત છે. અંતે: લખો કે દરેક લાઇનમાં મારે કઈ સ્ટાન્ડર્ડ/ડેટાશીટની મજબૂતાઈ ચકાસવી જોઈએ.

ચકાસણી (તથ્ય-તપાસ) પ્રોમ્પ્ટ

આ દાવા પર મટિરિયલ એન્જિનિયરની ઝીણવટભરીતા સાથે પ્રશ્ન કરો, મારી સાથે સહમત નથી: "AISI 304 સ્ટેનલેસની ઉપજ શક્તિ 290 MPa છે."- કઈ પરિસ્થિતિઓમાં (એનીલ્ડ, કોલ્ડ વર્ક) આ મૂલ્ય માન્ય છે?- કયા ધોરણમાં તે વ્યાખ્યાયિત કરવામાં આવ્યું છે (દા.ત. સંબંધિત EN/ASTM મૂલ્ય કેવી રીતે બદલાય છે)-? મને કહો કે ચકાસણી માટે ક્યાં જોવું.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શ્રેષ્ઠ સામગ્રી શું છે?

કોઈ એપ્લિકેશન્સ, પ્રાથમિકતાઓ અને પ્રતિબંધો નથી; AI એક સામાન્ય અને ચકાસાયેલ જવાબ આપે છે, અને એવું કાર્ય કરે છે કે જાણે કોઈ એક "શ્રેષ્ઠ" ઘટક ન હોય.

શક્તિશાળી પ્રોમ્પ્ટ:

500 N ના ચક્રીય ભારને વહન કરતી ક્લેમ્પ માટે 4 ઉમેદવાર સામગ્રી પરિવારો સૂચવો, દરિયાના પાણીના સંપર્કમાં, 80 ° સે સુધી ગરમ. પ્રાધાન્યતા: કાટ > થાક > ખર્ચ. દરેક ઉમેદવાર માટે, વત્તા/માઈનસ લખો અને મારે કઈ સુવિધા અને ક્યાં ચકાસવાની જરૂર છે. ચોક્કસ નંબરોને "ચકાસાયેલ હોવું આવશ્યક છે" તરીકે ચિહ્નિત કરો.

બીજો પ્રોમ્પ્ટ પર્યાવરણ, તાપમાન, લોડ પ્રકાર અને પ્રાથમિકતા આપે છે; તે સ્પષ્ટપણે ચકાસણીનો ભાર એન્જિનિયર પર છોડી દે છે.

ત્રણ મિની કેસ (નંબર દ્વારા)

કેસ 1 - બનાવટી ડેટાશીટ. "7075-T6 એલ્યુમિનિયમની ઉપજ શક્તિ," એક એન્જિનિયર એઆઈને પૂછે છે; AI 505 MPa આપે છે. એન્જિનિયર ઉત્પાદકની ડેટાશીટ જુએ છે: લાક્ષણિક મૂલ્ય ખરેખર ~503 MPa ની આસપાસ છે, જે સારું છે. જો કે, એ જ AI કહે છે કે "7075-T6 નો દરિયાઈ પાણીનો પ્રતિકાર ઉત્તમ છે"; જ્યારે 7075 તણાવ કાટ ક્રેકીંગ માટે સંવેદનશીલ છે. એન્જિનિયર આ ખોટા અર્થઘટનને પકડે છે અને એનોડાઇઝિંગ/પ્લેટિંગની જરૂરિયાત નોંધે છે. પાઠ: જો AI યોગ્ય રીતે નંબર આપે તો પણ તેનું અર્થઘટન ખોટું હોઈ શકે છે.

કેસ 2 - એશબી સાથે 3 કિલો બચાવો. ડ્રોન આર્મ માટે, શરૂઆતમાં S235 સ્ટીલ (ρ = 7850 kg/m³, σ ≈ 235 MPa) ગણવામાં આવે છે. એશબી ઇન્ડેક્સ σ/ρ, 6061-T6 એલ્યુમિનિયમ (ρ = 2700 kg/m³, σ ≈ 276 MPa) ની તુલનામાં ઘણો ઊંચો ઇન્ડેક્સ આપે છે. સમાન તાકાત પૂરી પાડતા, સ્ટીલ આર્મની સરખામણીમાં એલ્યુમિનિયમ આર્મનું વજન ~0.45 કિગ્રાને બદલે ~0.16 કિગ્રા પ્રતિ પીસ છે; ચાર હાથોમાં ~1.2 કિગ્રાની કુલ બચત. નિર્ણય એશબી તર્ક દ્વારા વાજબી છે, મૂલ્યો ડેટાશીટમાંથી ચકાસવામાં આવે છે.

કેસ 3 - ખર્ચ સૂચકાંક આશ્ચર્ય. સ્ટેનલેસ 316L પસંદ કરવામાં આવે છે કારણ કે તે "બધું પ્રતિકાર કરે છે". પરંતુ એપ્લિકેશન ઇન્ડોર, લો લોડ છે. AI, તેના σ/(ρ·કોસ્ટ) ઇન્ડેક્સ સાથે, બતાવે છે કે ગેલ્વેનાઈઝ્ડ S275 સ્ટીલ 316L કરતાં લગભગ 4-5 ગણા સસ્તી કિંમતે સમાન કામ કરે છે. ઇજનેર આંતરિક માટે કાટ જોખમ સ્વીકાર્ય શોધે છે અને ગેલ્વેનાઈઝ્ડ સ્ટીલ પર સ્વિચ કરે છે; યુનિટની કિંમત 100 TL થી ઘટીને ~22 TL થાય છે. યોગ્ય ઇન્ડેક્સ બિનજરૂરી ખર્ચ અટકાવે છે.

સામાન્ય ભૂલો

• તેના મૂલ્યની ચકાસણી કર્યા વિના AI નો ઉપયોગ કરવો: સ્વભાવ/હીટ ટ્રીટમેન્ટ સ્થિતિની અવગણના કરવી અને ખોટી તાકાત મેળવવી.
• "સૌથી વધુ શક્તિ = શ્રેષ્ઠ" વિચારવું: ઉદ્દેશ્ય કાર્ય (હળવાપણું, કિંમત) ને નજરઅંદાજ કરવું.
• એક જ લાઇનમાં કાટ ઘટાડવો: સ્ટ્રેસ કોરોઝન અને ગેલ્વેનિક કપલ જેવી મિકેનિઝમ્સને છોડવી.
• એક જ ગુણધર્મને જોવું: તાકાત જોવી અને નમ્રતા, થાક અથવા કાર્યક્ષમતા ભૂલી જવું.
• બ્રાન્ડની પસંદગીમાં ખૂબ વહેલા કૂદકો: કાર્ય સ્પષ્ટ થાય તે પહેલાં ચોક્કસ એલોય પર લૉક ઇન કરો.

સારાંશમાં

• સામગ્રીની પસંદગી એ શક્તિ, ઘનતા, કાટ, ઉત્પાદનક્ષમતા અને ખર્ચ વચ્ચે હેતુપૂર્ણ સંતુલન છે.
• એશબી અભિગમ ઉદ્દેશ્ય કાર્ય અનુસાર પ્રદર્શન સૂચકાંક (દા.ત. σ/ρ) સાથે ઉમેદવારોના સમૂહને સંકુચિત કરે છે.
• ઉમેદવાર જનરેશન, સરખામણી મેટ્રિક્સ અને વાજબીતાની રૂપરેખામાં AI શક્તિશાળી છે; પરંતુ તેમના મૂલ્યો ચકાસવા જોઈએ.
• ઉત્પાદકની ડેટાશીટ અથવા સંબંધિત સ્ટાન્ડર્ડમાંથી ચકાસ્યા વિના દરેક સંખ્યાત્મક સુવિધાને ડિઝાઇનમાં શામેલ કરવી જોઈએ નહીં.
• જો AI નો નંબર સાચો હોય તો પણ તેનું અર્થઘટન (જેમ કે કાટ લાગવાની વર્તણૂક) ખોટી હોઈ શકે છે; એન્જિનિયર તપાસે છે.

એપ્લિકેશન કાર્ય

વાસ્તવિક ભાગ પસંદ કરો (દા.ત. બાઇક ફ્રેમ ટ્યુબ, પંપ શાફ્ટ, બાહ્ય કૌંસ). એપ્લિકેશનની પર્યાવરણીય અને લોડ સ્થિતિઓ લખો, અગ્રતા નક્કી કરો (હળવા/ખર્ચ/કાટ). AI પાસે 4 ઉમેદવાર સામગ્રી પરિવારો અને તુલનાત્મક મેટ્રિક્સનું ઉત્પાદન કરો. પછી ઉત્પાદકની ડેટાશીટ અથવા સ્ટાન્ડર્ડ સામે મેટ્રિક્સમાં ઓછામાં ઓછા બે તાકાત/ઘનતા મૂલ્યો ચકાસો; જો કોઈ વિસંગતતા હોય, તો શા માટે નોંધ કરો. છેલ્લે, એક પર્ફોર્મન્સ ઇન્ડેક્સ પસંદ કરો જે ઉદ્દેશ્ય કાર્ય (જેમ કે σ/ρ) સાથે બંધબેસે છે, બે ઉમેદવારોની તુલના કરો અને ફકરા સાથે તમારા નિર્ણયને યોગ્ય ઠેરવો.

ચેકલિસ્ટ

• એપ્લિકેશનનો ભાર, તાપમાન, પર્યાવરણીય પરિસ્થિતિઓ અને પ્રાથમિકતા લખેલી છે.
• [ ] ભૌતિક કુટુંબ પ્રથમ નક્કી કરવામાં આવ્યું હતું, બ્રાન્ડ છેલ્લે બાકી હતી.
• ઉદ્દેશ્ય કાર્ય માટે યોગ્ય પ્રદર્શન સૂચકાંક પસંદ કરવામાં આવ્યો હતો.
• AI દ્વારા આપવામાં આવેલા ઓછામાં ઓછા બે મૂલ્યો ડેટાશીટ/સ્ટાન્ડર્ડ સાથે ચકાસવામાં આવ્યા છે.
• [ ] કાટ અને ઉત્પાદનક્ષમતાનું અલગથી મૂલ્યાંકન કરવામાં આવ્યું હતું (એક લાઇનમાં ઘટાડો થયો નથી).
• [ ] અંતિમ સામગ્રી નિર્ણય વાજબીતા સાથે લખવામાં આવ્યો હતો અને એન્જિનિયરની મંજૂરી પર છોડી દેવામાં આવ્યો હતો.