કલ્પનાત્મક ડિઝાઇન, આવશ્યકતાઓનું સંચાલન અને ટ્રેડઓફ વિશ્લેષણ

નફો:

• AI સપોર્ટ સાથે મિશન જરૂરિયાતોથી લઈને વૈચારિક એરક્રાફ્ટ/સ્પેસક્રાફ્ટના કદ સુધીના ટ્રેડ-ઑફ અભ્યાસને વેગ આપવાની ક્ષમતા
• રૂપરેખાંકિત પ્રોમ્પ્ટ્સ સાથે આવશ્યકતાઓ લખવાની ક્ષમતા, ટ્રેસેબિલિટી અને સુસંગતતા નિયંત્રણ
• ભૌતિકશાસ્ત્ર-આધારિત હાથની ગણતરીઓ સાથે AI-સૂચવેલ ડિઝાઇન પોઈન્ટને ક્રોસ-વેલિડેટ કરીને ગેરવાજબી આઉટપુટને દૂર કરવાની ક્ષમતા

એરોપ્લેન અથવા અવકાશયાનનો જન્મ ડ્રોઇંગ બોર્ડ પર નહીં પણ જરૂરિયાતોની સૂચિમાંથી થાય છે. આ વાક્ય "કેરી આટલો ભાર આ શ્રેણીમાં, આ ઝડપે, આ ​​કિંમતે" એ ડિઝાઇનનું બીજ છે જે આવનારા વર્ષો સુધી ટકી રહેશે. કાલ્પનિક ડિઝાઇન (પ્રારંભિક ડિઝાઇન સ્ટેજ જેમાં વાહનનું રફ કદ, વજન અને રૂપરેખાંકન પ્રથમ નક્કી કરવામાં આવે છે) આ બીજમાંથી પ્રારંભિક આકાર કાઢવાની પ્રક્રિયા છે. અહીં લીધેલા નિર્ણયો સસ્તા છે, પરંતુ તેમની અસરો સૌથી મોંઘી છે: એક ખોટી વૈચારિક પસંદગી લાખો ડોલરની વિગતવાર ડિઝાઇન ફેંકી શકે છે.

આ એકમમાં, અમે કૃત્રિમ બુદ્ધિમત્તા (AI) નો ઉપયોગ વૈચારિક ડિઝાઇનના ત્રણ બોજને દૂર કરવા માટે કરીશું: અસ્પષ્ટ કાર્ય વિનંતીઓને માપી શકાય તેવી જરૂરિયાતોમાં અનુવાદિત કરવી, જરૂરિયાતો વચ્ચે ટ્રેસેબિલિટી અને સુસંગતતા જાળવી રાખવી અને સ્પર્ધાત્મક ડિઝાઇન વિકલ્પો વચ્ચે ટ્રેડ-ઓફ વિશ્લેષણને વેગ આપવો. પરંતુ ચાલો આપણે શરૂઆતથી જ નિર્ણાયક સિદ્ધાંતને રજૂ કરીએ: દરેક કદ, દરેક વજનનો અંદાજ જે AI સૂચવે છે તે ભૌતિકશાસ્ત્ર-આધારિત હાથની ગણતરી દ્વારા આવશ્યકપણે ક્રોસ-વેલિડેટેડ છે. AI એ મંથન અને એકાઉન્ટિંગ ભાગીદાર છે; કદ બદલવાના નિર્ણયની માલિકી નથી.

વિભાવનાઓ: આવશ્યકતા: એકલ ચકાસી શકાય તેવું નિવેદન કે જે સાધનને સંતોષવું આવશ્યક છે. ટ્રેસેબિલિટી: દરેક જરૂરિયાત ક્યાંથી આવી અને તે કઈ ડિઝાઇન/પરીક્ષણ સાથે પૂરી થઈ તેની રેકોર્ડની સાંકળ. ટ્રેડ સ્પેસ: ફેરફાર કરી શકાય તેવા ડિઝાઇન ચલો દ્વારા બનાવેલ તમામ વિકલ્પોનો સમૂહ. MTOW: મહત્તમ ટેક-ઓફ વજન (મહત્તમ ટેક-ઓફ વજન), વાહન ઉપડી શકે તેવું સૌથી વધુ વજન.

ટાસ્ક નીડ થી જરૂરિયાત સુધી: સ્ટેપ બાય સ્ટેપ

સારી આવશ્યકતામાં ત્રણ ગુણો હોય છે: એકવચન (એક વસ્તુ કહે છે), માપી શકાય તેવું (સંખ્યા અને એકમ ધરાવે છે), અને ચકાસી શકાય તેવું (તે કેવી રીતે તપાસવું તે સ્પષ્ટ છે). "વિમાન ઝડપી હોવું જોઈએ" એ જરૂરી નથી; "એરક્રાફ્ટે દરિયાની સપાટી પર 250 kt કેલિબર એરસ્પીડ (KCAS) હાંસલ કરવી જોઈએ" એ આવશ્યકતા છે.

પ્રથમ પગલું એ છે કે હિસ્સેદારોની વિનંતીઓ એકઠી કરવી અને તેમને AI સાથે ડ્રાફ્ટ આવશ્યકતાઓમાં ડિસ્ટિલ કરવી. બીજું પગલું દરેક જરૂરિયાતને માપી શકાય તેવું બનાવવાનું છે: દરેક અસ્પષ્ટ વિશેષણ ("હળવા," "ટકાઉ," "કાર્યક્ષમ") ને મેટ્રિક અને થ્રેશોલ્ડ સાથે બદલો. ત્રીજું પગલું એ જરૂરિયાતો વચ્ચેના વિરોધાભાસને જોવાનું છે: શ્રેણી અને પેલોડ ઘણીવાર એકબીજા સાથે સ્પર્ધા કરે છે, AI ઝડપથી આ વિરોધાભાસોને સપાટી પર લાવે છે. ચોથું પગલું એ ટ્રેસેબિલિટી મેટ્રિક્સ સ્થાપિત કરવાનું છે: ટેબ્યુલેટિંગ કે જે ઉચ્ચ-સ્તરના કાર્ય ઉદ્દેશ્ય તરફ દોરી જાય છે તે પેટા-જરૂરિયાતો તરફ દોરી જાય છે.

વૈચારિક પરિમાણ બાજુ પર, AI જાણીતા એન્જિનિયરિંગ સંબંધો (વજન અપૂર્ણાંક, થ્રસ્ટ-ટુ-વેઇટ રેશિયો, વિંગ લોડિંગ) યાદ કરી શકે છે અને ગણતરીઓની પ્રારંભિક સાંકળ સ્થાપિત કરી શકે છે. ઉદાહરણ તરીકે, પેસેન્જર એરક્રાફ્ટ માટે, બળતણ વજનના અપૂર્ણાંકનો અંદાજ Breguet રેન્જ સમીકરણ સાથે કરી શકાય છે અને ખાલી વજનના અપૂર્ણાંકનો આંકડાકીય સંબંધો સાથે અંદાજ લગાવી શકાય છે. પરંતુ આ સાંકળની દરેક કડી હાથની ગણતરી દ્વારા પુષ્ટિ થયેલ છે.

ટીપ: આવશ્યકતાઓ લખતી વખતે, સ્પષ્ટપણે AI ને "દરેક અસ્પષ્ટ વિશેષણને મેટ્રિક, એકમ અને ચકાસણી પદ્ધતિથી બદલવા" માટે કાર્ય આપો. મોડેલ વધુ શિસ્તબદ્ધ રીતે કામ કરે છે જ્યારે તમે કહો છો કે "મેઝરેબલ બનાવો" અચકાસણીય નિવેદનો જેમ કે "યુઝર ફ્રેન્ડલી".

ટ્રેડ-ઓફ વિશ્લેષણને ગોઠવી રહ્યું છે

ટ્રેડ-ઓફ વિશ્લેષણનું કેન્દ્ર સામાન્ય માપદંડો સાથે અનેક ઉમેદવારોના રૂપરેખાંકનોને જોડે છે. ક્લાસિક ટૂલ એ ભારિત નિર્ણય મેટ્રિક્સ છે: માપદંડને મહત્વ આપવામાં આવે છે વજન, દરેક ઉમેદવારને દરેક માપદંડ પર સ્કોર કરવામાં આવે છે, ભારિત કુલ લેવામાં આવે છે. AI ઝડપથી આ મેટ્રિક્સ બનાવે છે, પરંતુ બે ક્ષતિઓથી સાવચેત રહો: ​​વજન એ વ્યક્તિલક્ષી એન્જિનિયરિંગ નિર્ણય છે (AI પર છોડી દેવામાં આવતું નથી) અને સ્કોર્સ ભૌતિક વાજબીતા પર આધારિત હોવા જોઈએ (નિર્મિત નથી).

માપદંડ (વજન)

રૂપરેખા. A: ઉચ્ચ પાંખ

રૂપરેખા. B: નીચી પાંખ

રૂપરેખા. સી: કેનાર્ડ

શ્રેણી, કિમી (0.30)

1200

1350

1250

કર્બ વજન, કિગ્રા (0.25)

640

610

690

ઉત્પાદન ખર્ચ (0.20)

મધ્યમ

નીચું

ઉચ્ચ

સ્થિરતા (0.15)

ઉચ્ચ

મધ્યમ

મધ્યમ

જાળવણીની સરળતા (0.10)

ઉચ્ચ

મધ્યમ

નીચું

તમે AI બનાવી શકો છો આ ટેબલ; પરંતુ શ્રેણી અને વજન નંબરો સ્વતંત્ર પ્રારંભિક ગણતરીમાંથી આવવા જોઈએ, અને "સ્થિરતા: ઉચ્ચ" જેવા ગુણાત્મક સ્કોર્સ પણ ન્યાયી હોવા જોઈએ. AI ની શક્તિ એ છે કે તે મિનિટોમાં દસ અલગ અલગ રૂપરેખાંકનો ટેબ્યુલેટ કરે છે અને સેન્ટિમેન્ટ વિશ્લેષણ કરે છે (વજન બદલાય તો રેન્કિંગ કેવી રીતે બદલાય છે).

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

હું ટ્રેનિંગ એરક્રાફ્ટ ડિઝાઇન કરી રહ્યો છું. મને શ્રેષ્ઠ રૂપરેખાંકન કહો.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે વૈચારિક એરક્રાફ્ટ ડિઝાઇન કન્સલ્ટન્ટ છો. સંદર્ભ: બે-સીટ ટ્રેનર એરક્રાફ્ટ માટે પ્રારંભિક ટ્રેડ-ઓફ અભ્યાસ (મૂલ્યો પ્રતિનિધિ છે): લક્ષ્ય શ્રેણી ~1000 કિમી, ક્રૂઝ ઝડપ ~55 m/s, પેલોડ ~220 કિગ્રા, ઓછી ઉત્પાદન કિંમત અગ્રતા. કાર્ય:1) ઉમેદવારોના 3 રૂપરેખાંકનો સૂચવો (વિંગ પોઝિશન, એન્જિનનો પ્રકાર).2) દરેક ઉમેદવારની આના પર સરખામણી કરતું ટેબલ સેટ કરો: શ્રેણી, અંદાજિત ખાલી વજન, ઉત્પાદન ખર્ચ, સ્થિરતા.3) તમારા આંકડાકીય અંદાજ માટે ઉપયોગ કરો સંબંધ અને ધારણા લખો. અવરોધ: જણાવો કે તમે તમારા વજનના અંદાજમાં કયા આંકડાકીય સંબંધનો ઉપયોગ કર્યો છે; લખવાનું એકમ; અંતિમ નિર્ણય ન લો, ઉમેદવાર સબમિટ કરો. હું વિચાર કરીશ અને અંતિમ નિર્ણય જાતે લઈશ.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 — કાર્યની જરૂરિયાતને માપી શકાય તેવી જરૂરિયાતમાં અનુવાદિત કરવી:

નીચેની હિસ્સેદારોની વિનંતીઓને એકવચન, માપી શકાય તેવી અને ચકાસી શકાય તેવી આવશ્યકતાઓમાં પરિવર્તિત કરો. દરેક જરૂરિયાત માટે: એક મેટ્રિક, એક એકમ, થ્રેશોલ્ડ મૂલ્ય અને સૂચિત ચકાસણી પદ્ધતિ (વિશ્લેષણ/પરીક્ષણ/પ્રદર્શન). અસ્પષ્ટ વિશેષણો ("પ્રકાશ", "ઝડપી") નો કોંક્રિટ નંબરોમાં અનુવાદ કરો; જો ત્યાં અનિશ્ચિતતા હોય, તો પૂછો કે તમને કઈ માહિતીની જરૂર છે. વિનંતીઓ: [અહીં યાદી]

નમૂનો 2 — ટ્રેસેબિલિટી મેટ્રિક્સ અને સંઘર્ષ સ્ક્રીનીંગ:

આવશ્યકતાઓની આ સૂચિ લો અને: (a) એક ટ્રેસેબિલિટી ટેબલ બનાવો જે દરેક જરૂરિયાતને ઉચ્ચ-સ્તરના કાર્ય ઉદ્દેશ્ય સાથે જોડે; (b) વિરોધાભાસી અથવા પડકારજનક આવશ્યકતાઓની કોઈપણ જોડીને ચિહ્નિત કરો (દા.ત. શ્રેણી વિ. પેલોડ); (c) ગુમ થયેલ અથવા ચકાસી ન શકાય તેવી જરૂરિયાતોની યાદી. પરિણામને ટેબલ બનવા દો. આવશ્યકતાઓ: [અહીં યાદી]

નમૂનો 3 — ભારિત નિર્ણય મેટ્રિક્સ સેટઅપ:

નીચેના ઉમેદવારોની ગોઠવણીઓ માટે ભારિત નિર્ણય મેટ્રિક્સ ફ્રેમવર્ક બનાવો. માપદંડની પંક્તિઓ અને ઉમેદવારોની કૉલમ બનાવો. વજન કૉલમ ખાલી છોડી દો (હું વજન દાખલ કરીશ). દરેક કોષમાં તમે જે સ્કોર મૂકશો તેનું ભૌતિક સમર્થન એક અલગ નોંધમાં સમજાવો; બનાવેલ નંબર લખશો નહીં, તમે જે સ્થાનનું અનુમાન કર્યું છે તેને "અનુમાન" તરીકે ચિહ્નિત કરો. ઉમેદવારો: [...] માપદંડ: [...]

નમૂનો 4 — વૈચારિક પરિમાણ ક્રોસ-ચેક:

નીચે આપેલા પ્રાઇઝિંગ પરિણામને સ્વતંત્ર રીતે તપાસો: MTOW, વિંગ એરિયા, થ્રસ્ટ. (a) વિંગ લોડિંગ (W/S) ની ગણતરી કરો અને તમારા આપેલા એરક્રાફ્ટ વર્ગ માટે લાક્ષણિક શ્રેણી સાથે તેની તુલના કરો. (b) થ્રસ્ટ-ટુ-વેઇટ રેશિયો (T/W) ની ગણતરી કરો અને સામાન્ય શ્રેણી સાથે તેની સરખામણી કરો. (c) જો મૂલ્યો લાક્ષણિક શ્રેણીની બહાર હોય તો ચેતવણી આપો અને સંભવિત ભૂલ સૂચવો. બધા એકમો સ્પષ્ટ રીતે લખો. ઇનપુટ: [MTOW, S, T મૂલ્યો]

મીની કેસો

કેસ 1 - વિરોધાભાસી જરૂરિયાતની વહેલી શોધ. UAV પ્રોજેક્ટમાં, હિસ્સેદારોને "ઓછામાં ઓછા 8 કલાકનો એરટાઇમ" અને "મહત્તમ 12 કિલો કુલ માસ" એમ બંને જોઈએ છે. બે આવશ્યકતાઓને પ્રમાણિત કરીને અને ઉર્જા બજેટને રફ કરીને, AI બતાવે છે કે સામાન્ય બેટરી ઉર્જા ઘનતા (લગભગ 200 Wh/kg) સાથેની 8-કલાકની ફ્લાઇટમાં એકલા 6-7 kg બેટરીની જરૂર પડશે; આ પેલોડ અને સ્ટ્રક્ચરની સાથે 12 કિલોના બજેટમાં બંધ બેસતું નથી. વિગતવાર ડિઝાઇન શરૂ થાય તે પહેલાં વિરોધાભાસની ચર્ચા કરવામાં આવે છે. પાઠ: સંખ્યાઓમાં આવશ્યકતાઓનું ભાષાંતર છુપાયેલા વિરોધાભાસને વહેલા પ્રગટ કરે છે.

કેસ 2 - સંવેદનશીલતા વિશ્લેષણ નિર્ણયને બદલે છે. એક ટીમ ત્રણ વિંગ રૂપરેખાંકનોની તુલના કરે છે; પ્રારંભિક વજન સાથે રૂપરેખાંકન. B જીત્યો (ભારિત સ્કોર 0.82 વિ. 0.79). AI ને પૂછવામાં આવે છે કે "જો હું ખર્ચ વજન 0.20 થી 0.10 સુધી ઘટાડીશ તો શું થશે"; આ દૃશ્યમાં શ્રેણી આગળ આવે છે અને રૂપરેખા. A લીડ લે છે (0.84 વિ. 0.80). ટીમ જુએ છે કે અગ્રતા ખર્ચ માટે નિર્ણય કેટલો સંવેદનશીલ છે અને સ્ટેકહોલ્ડર સાથે વજનની સ્પષ્ટતા કરે છે. પાઠ: તે એકલ સ્કોર નથી જે મહત્વનું છે, પરંતુ રેન્કિંગની સ્થિરતા.

કેસ 3 - વજનના અંદાજમાં ઓર્ડરની ભૂલ. AI હળવા વિમાનના ખાલી વજનને સંબંધમાંથી 95 કિલો આપે છે. એન્જિનિયર યાદ કરે છે કે સમાન વર્ગના બે સીટવાળા વિમાનનું ખાલી વજન સામાન્ય રીતે 350-500 કિગ્રાની રેન્જમાં હોય છે; 95 કિલો વજન શારીરિક રીતે અશક્ય છે. જ્યારે ચકાસવામાં આવે છે, ત્યારે તે જોવામાં આવે છે કે AI એ સંબંધમાં ખોટી રીતે ગુણાંક લાગુ કર્યો છે અને તે સુધારેલ છે. પાઠ: દરેક વજનના અંદાજની તુલના વર્ગની જાણીતી શ્રેણી સાથે તીવ્રતાના ઓર્ડર દ્વારા કરવામાં આવે છે.

સામાન્ય ભૂલો

• અસ્પષ્ટ જરૂરિયાત સ્વીકારવી. એવી આવશ્યકતા કે જેમાં મેટ્રિક્સ અને એકમો ન હોય તેની ચકાસણી કરી શકાતી નથી; "તે પ્રકાશ હોવું જોઈએ" એક ઇચ્છા છે, જરૂરિયાત નથી.
• AI રાખવાથી વજન પસંદ કરો. નિર્ણય મેટ્રિક્સમાં માપદંડનું વજન વ્યક્તિલક્ષી ઇજનેરી અને હિસ્સેદારોના ચુકાદા છે; જો AI પર છોડી દેવામાં આવે, તો નિર્ણય અધૂરો રહે છે.
• વાજબીતા વિના પોઈન્ટ સ્વીકારવું. જો "સ્થિરતા: ઉચ્ચ" જેવા ગુણાત્મક સ્કોર્સનો કોઈ ભૌતિક આધાર ન હોય, તો મેટ્રિક્સ અનુમાનોની ફેન્સી યાદી બની જાય છે.
• વજન/કદના અંદાજની પુષ્ટિ કરતું નથી. આંકડાકીય સહસંબંધો રફ અંદાજ છે; વર્ગ શ્રેણી સાથે તેની તુલના કર્યા વિના તેને વિગતવાર ડિઝાઇનમાં લઈ જવામાં આવતું નથી.
• પાછળથી માટે ટ્રેસેબિલિટી છોડીને. જો જરૂરિયાત ક્યાંથી આવી તે નોંધવામાં નહીં આવે, તો ભવિષ્યમાં પરિવર્તનની અસર કયા નિર્ણયો પર થશે તે કોઈને ખબર નહીં પડે.

સારાંશમાં

કાલ્પનિક ડિઝાઇન એ સ્ટેજ છે જ્યાં સૌથી સસ્તો પરંતુ સૌથી અસરકારક નિર્ણયો લેવામાં આવે છે. અસ્પષ્ટ વિનંતીઓને માપી શકાય તેવી આવશ્યકતાઓમાં અનુવાદિત કરવા, ટ્રેસિબિલિટી અને સંઘર્ષ માટે સ્કેનિંગ અને ટ્રેડ-ઑફ કોષ્ટકોમાં બહુવિધ રૂપરેખાંકનોની સરખામણી કરવા માટે AI અહીં એક શક્તિશાળી પ્રવેગક છે. જો કે, માપદંડ વજન એ માનવ ચુકાદો છે, ભૌતિકશાસ્ત્ર આધારિત હાથની ગણતરી અને વર્ગ અંતરાલો દ્વારા આંકડાકીય અનુમાનો ચકાસવામાં આવે છે, અંતિમ રૂપરેખાંકન નિર્ણય એન્જિનિયર પાસે રહે છે. AI ઉમેદવારો પેદા કરે છે; નક્કી કરતું નથી.

એપ્લિકેશન કાર્ય

તમારી પસંદગીના હવાઈ અથવા અવકાશયાન માટે ત્રણ ઉચ્ચ-સ્તરના મિશન ઉદ્દેશો લખો. AI નો ઉપયોગ કરીને, આને ઓછામાં ઓછી છ માપી શકાય તેવી આવશ્યકતાઓમાં અનુવાદિત કરો અને ટ્રેસેબિલિટી ટેબલ સેટ કરો. પછી ત્રણ ઉમેદવારોની ગોઠવણી માટે ભારિત નિર્ણય મેટ્રિક્સ બનાવો; વજન જાતે નક્કી કરો. અંતે, સ્વતંત્ર હાથની ગણતરી અને વર્ગ શ્રેણી સાથે AI દ્વારા આપવામાં આવેલા વજન/કદના અંદાજની પુષ્ટિ કરો. જ્યાં તમને તકરાર જણાય ત્યાં જરૂરિયાતોની ઓછામાં ઓછી એક જોડીની જાણ કરો.

ચેકલિસ્ટ

• [ ] મેં દરેક જરૂરિયાતને એકવચન, માપી શકાય તેવી અને ચકાસી શકાય તેવી બનાવી છે.
• [ ] મેં અસ્પષ્ટ વિશેષણોને મેટ્રિક, એકમ અને થ્રેશોલ્ડ સાથે બદલ્યા છે.
• [ ] મેં ટ્રેસેબિલિટી ટેબલ સેટ કર્યું છે અને વિરોધાભાસી આવશ્યકતાઓને ચિહ્નિત કરી છે.
• [ ] મેં નિર્ણય મેટ્રિક્સનું વજન જાતે નક્કી કર્યું (AI નહીં).
• [ ] મેં મેટ્રિક્સ સ્કોર્સને ભૌતિક ન્યાયીકરણ માટે આભારી છે.
• [ ] મેં વર્ગ અંતર અને હાથની ગણતરી સાથે વજન/કદના અંદાજોની ચકાસણી કરી.