Nyereség:
- Képes a kompromisszumos tanulmányok felgyorsítására a küldetési követelményektől a repülőgépek/űrjárművek koncepcionális méretezéséig AI támogatással
- Követelmények írásának, nyomon követhetőségének és konzisztenciájának ellenőrzése konfigurált promptokkal
- Az ésszerűtlen kimenetek kiküszöbölése az AI által javasolt tervezési pontok fizikai alapú kézi számításokkal történő keresztellenőrzésével
Egy repülőgép vagy űrrepülőgép követelménylistából születik, nem rajztáblán. Az „Ennyi terhelést ebbe a tartományba, ilyen sebességgel, ezen az áron” mondat a tervezés magja, amely évekig kitart. Az elvi tervezés (a tervezés legkorábbi szakasza, amelyben először meghatározzák a jármű durva méretét, tömegét és konfigurációját) az a folyamat, amelynek során ebből a magból kivonják a kezdeti formát. Az itt meghozott döntések olcsók, de hatásaik a legdrágábbak: egy rossz elvi választás több millió dolláros részlettervet dobhat ki.
Ebben az egységben mesterséges intelligenciát (AI) fogunk használni a koncepciótervezés három terhének enyhítésére: a homályos feladatkéréseket mérhető követelményekké alakítjuk, fenntartjuk a követhetőséget és a követelmények közötti konzisztenciát, valamint felgyorsítjuk a versengő tervezési lehetőségek közötti kompromisszumelemzést. De vázoljuk fel a kritikus elvet az elejétől kezdve: Minden méret, minden súlybecslés, amelyet az AI javasol, szükségszerűen keresztellenőrzésre kerül egy fizikai alapú kézi számítással. A mesterséges intelligencia ötletbörze és könyvelő partner; nem birtokolja a méretezési döntést.
Fogalmak: Követelmény: Egyetlen ellenőrizhető állítás, amelynek az eszköznek meg kell felelnie. Nyomon követhetőség: A nyilvántartási lánc, hogy honnan származnak az egyes követelmények, és milyen tervezéssel/teszttel teljesültek. Kereskedelmi terület: A változtatható tervezési változók által létrehozott összes opció halmaza. MTOW: Maximális felszálló tömeg (Maximum Take-Off Weight), a legnagyobb tömeg, amelyet a jármű fel tud szállni.
A feladatszükséglettől a követelményig: lépésről lépésre
A jó követelménynek három tulajdonsága van: egyes szám (egy dolgot mond), mérhető (számot és egységet tartalmaz) és ellenőrizhető (kézenfekvő, hogyan kell ellenőrizni). „A repülőgépnek gyorsnak kell lennie” nem követelmény; "A repülőgépnek tengerszinten 250 kt kaliberű légsebességet (KCAS) kell elérnie" követelmény.
Az első lépés az érdekelt felek kérelmeinek összegyűjtése, és a mesterséges intelligencia segítségével a követelménytervezetekbe történő összevonása. A második lépés az egyes követelmények mérhetővé tétele: minden homályos jelzőt („könnyű”, „tartós”, „hatékony”) cseréljünk ki egy mérőszámra és küszöbértékre. A harmadik lépés a követelmények közötti ellentmondások keresése: a hatótávolság és a hasznos teher gyakran versenyez egymással, az AI gyorsan felszínre hozza ezeket az ellentmondásokat. A negyedik lépés egy nyomon követhetőségi mátrix felállítása: táblázatba foglalva, hogy melyik felső szintű feladatcél melyik részkövetelményhez vezet.
A fogalmi méretezési oldalon az AI felidézheti az ismert mérnöki összefüggéseket (tömeghányadok, tolóerő-tömeg arány, szárnyterhelés), és létrehozhat egy kezdeti számítási láncot. Például egy utasszállító repülőgép esetében az üzemanyag tömeghányad becsülhető a Breguet tartomány egyenlettel, az üres tömeg hányad pedig statisztikai összefüggésekkel becsülhető meg. De ennek a láncnak minden egyes láncszeme kézi számítással megerősített.
Tipp: A követelmények írásakor kifejezetten adja meg az AI-nak azt a feladatot, hogy „minden kétértelmű melléknevet cseréljen le egy metrikára, mértékegységre és ellenőrzési módszerre”. A modell sokkal fegyelmezettebben működik, amikor azt mondod, hogy "tegyél mérhetővé" nem ellenőrizhető állításokat, például "felhasználóbarát".
A kompromisszumos elemzés konfigurálása
A kompromisszumos elemzés lényege több jelölt konfiguráció és közös kritériumok egymás mellé helyezése. A klasszikus eszköz a súlyozott döntési mátrix: a kritériumok fontossági súllyal rendelkeznek, minden jelöltet minden kritériumon pontoznak, és a súlyozott összeget veszik. A mesterséges intelligencia gyorsan felépíti ezt a mátrixot, de ügyeljen két buktatóra: a súlyozás szubjektív mérnöki döntés (nem az MI-re van bízva), a pontszámoknak pedig fizikai indokláson kell alapulniuk (nem kitalált).
Kritérium (súly)
Konfig. V: Magas szárny
Konfig. B: Alacsony szárny
Konfig. C: Canard
Hatótávolság, km (0,30)
1200
1350
1250
Saját tömeg, kg (0,25)
640
610
690
Gyártási költség (0,20)
közepes
alacsony
magas
Stabilitás (0,15)
magas
közepes
közepes
Könnyű karbantartás (0,10)
magas
közepes
alacsony
Az AI elkészítheti ezt a táblázatot; De a tartomány- és súlyszámoknak független előzetes számításból kell származniuk, és az olyan minőségi pontszámokat is meg kell indokolni, mint a „stabilitás: magas”. Az AI ereje abban rejlik, hogy percek alatt tíz különböző konfigurációt táblázatba foglal, és hangulatelemzést végez (hogyan változik a rangsor, ha egy súly változik).
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Kiképző repülőgépet tervezek. Mondja el a legjobb konfigurációt.
Erőteljes felszólítás:
Szerep: Ön koncepcionális repülőgép-tervezési tanácsadó. Kontextus: Előzetes kompromisszumos tanulmány egy kétüléses edzőrepülőgéphez (az értékek reprezentatívak): céltartomány ~1000 km, utazósebesség ~55 m/s, hasznos teher ~220 kg, alacsony gyártási költség prioritás. Feladat:1) Javasoljon 3 jelölt konfigurációt (szárny helyzete, motor típusa).2) Készítsen táblázatot, amelyben összehasonlítja az egyes jelölteket: hatótávolság, becsült üres tömeg, gyártási költség, stabilitás.3) Számszerű becsléseihez használja, írja meg az összefüggést és a feltételezést.Kényszer: adja meg, melyik statisztikai összefüggést használta a súlybecslésekben; írási egység; Ne hozz végleges döntést, tegyél be egy jelöltet. Én magam fogok mérlegelni és meghozni a végső döntést.
Másolható prompt sablonok
1. sablon – Egy feladatigény lefordítása mérhető szükségletté:
Alakítsa át a következő érdekelt felek kéréseit egyedi, mérhető és ellenőrizhető követelményekké. Minden követelményhez: egy metrika, egy mértékegység, egy küszöbérték és egy javasolt ellenőrzési módszer (elemzés/teszt/demonstráció). A homályos mellékneveket ("könnyű", "gyors") fordítsa le konkrét számokra; Ha bizonytalan, kérdezze meg, milyen információra van szüksége. Kérések: [itt listázza]
2. sablon – Nyomon követhetőségi mátrix és konfliktusszűrés:
Vegyük ezt a követelménylistát, és: (a) készítsünk egy nyomon követhetőségi táblázatot, amely minden követelményt összekapcsol a magas szintű feladat céljával; (b) jelölje meg az egymásnak ellentmondó vagy kihívást jelentő követelmények párját (pl. hatótávolság vs. hasznos teher); c) felsorolja a hiányzó vagy ellenőrizhetetlen követelményeket. Legyen az eredmény egy táblázat. Követelmények: [lista itt]
3. sablon – Súlyozott döntési mátrix beállítása:
Hozzon létre egy súlyozott döntési mátrix keretrendszert a következő jelölt konfigurációkhoz. Készítse el a kritériumsorokat és a jelöltek oszlopait. Hagyja a súly oszlopot ÜRESEN (beírom a súlyokat). Magyarázza el külön megjegyzésben az egyes cellákba beírandó pontszám fizikai indoklását; Ne írjon kitalált számot, a kitalált helyet jelölje "kitalálni". Jelöltek: [...] Kritériumok: [...]
4. sablon – Elvi méretezési keresztellenőrzés:
Függetlenül ellenőrizze a következő méretezési eredményt: MTOW, szárnyfelület, tolóerő. (a) Számítsa ki a szárnyterhelést (W/S), és hasonlítsa össze az adott repülőgéposztályra jellemző hatótávolsággal. (b) Számítsa ki a tolóerő-tömeg arányt (T/W), és hasonlítsa össze a tipikus tartománnyal. (c) Figyelmeztetés, ha az értékek kívül esnek a tipikus tartományon, és jelezze a lehetséges hibát. Írja fel az összes egységet kifejezetten. Bemenet: [MTOW, S, T értékek]
Mini tokok
1. eset – Az ütköző igény korai felismerése. Egy UAV-projektben az érintettek „legalább 8 óra műsoridőt” és „legfeljebb 12 kg össztömeget” szeretnének. A két követelmény számszerűsítésével és az energiaköltségvetés nagyításával az AI megmutatja, hogy egy 8 órás repüléshez tipikus akkumulátor-energiasűrűséggel (kb. 200 Wh/kg) csak 6-7 kg akkumulátorra lenne szükség; Ez nem fér bele a 12 kg-os költségvetésbe a hasznos teherrel és a szerkezettel együtt. Az ellentmondást a részletes tervezés megkezdése előtt tárgyalják. Tanulság: a követelmények számokká fordítása korán feltárja a rejtett ellentmondásokat.
2. eset – Az érzékenységvizsgálat megváltoztatja a döntést. Egy csapat három szárnykonfigurációt hasonlít össze; Konfiguráció kezdeti súlyokkal. B nyer (súlyozott pontszám 0,82 vs. 0,79). A mesterséges intelligencia megkérdezi: „Mi történik, ha a költségsúlyt 0,20-ról 0,10-re csökkentem”; ebben a forgatókönyv-tartományban előtérbe kerül, és a Config. A átveszi a vezetést (0,84 vs. 0,80). A csapat látja, mennyire érzékeny a költségprioritásra vonatkozó döntés, és tisztázza a súlyokat az érintettekkel. Tanulság: nem egy pontszám számít, hanem a helyezés stabilitása.
3. eset – Rendelési hiba a súlybecslésben. Az AI egy relációból 95 kg-nak adja meg egy könnyű repülőgép üres tömegét. A mérnök emlékeztet arra, hogy a hasonló osztályú kétüléses repülőgépek üres tömege jellemzően 350-500 kg között mozog; 95 kg fizikailag lehetetlen. Ha bejelöli, akkor látható, hogy az AI helytelenül alkalmazott együtthatót a relációban, és ez korrigálásra kerül. Tanulság: minden súlybecslést nagyságrendekkel összehasonlítanak az osztály ismert tartományával.
Gyakori hibák
- A homályos követelmény elfogadása. A mérőszámokat és mértékegységeket nem tartalmazó követelmény nem ellenőrizhető; A „könnyűnek kell lennie” kívánság, nem követelmény.
- Az AI segítségével válassza ki a súlyokat. A döntési mátrixban szereplő kritériumok a szubjektív tervezés és az érintettek megítélése; Ha az AI-ra hagyjuk, a döntés hatálytalan marad.
- Pontok elfogadása indoklás nélkül. Ha az olyan minőségi pontszámoknak, mint a „Stabilitás: magas” nincs fizikai alapja, a mátrix a találgatások képzeletbeli listájává válik.
- Nem erősíti meg a súly/méret becslést. A statisztikai összefüggések durva becslések; Nem kerül bele a részlettervezésbe anélkül, hogy össze ne hasonlítaná az osztálykínálattal.
- A nyomon követhetőséget későbbre hagyva. Ha nem rögzítik, hogy honnan ered a követelmény, akkor senki sem tudja, hogy a változás milyen döntéseket érint a jövőben.
Összefoglalva
A koncepciótervezés az a szakasz, ahol a legolcsóbb, de leghatékonyabb döntéseket hozzák meg. A mesterséges intelligencia hatékony gyorsító eszköz a homályos kérések mérhető követelményekké alakításában, a nyomon követhetőség és az ütközések keresésében, valamint több konfiguráció összehasonlításában a kompromisszumos táblázatok között. A kritériumok súlya azonban emberi megítélés, a numerikus előrejelzéseket fizikai alapú kézi számítások és osztályintervallumok igazolják, a végső konfigurációs döntés a mérnökön marad. A mesterséges intelligencia jelölteket állít elő; nem dönt.
Pályázati feladat
Írj három magas szintű küldetési célt egy általad választott légi vagy űrhajóhoz. Az AI segítségével fordítsa le ezeket legalább hat mérhető követelményre, és állítson fel egy nyomon követhetőségi táblázatot. Ezután hozzon létre egy súlyozott döntési mátrixot a három jelölt konfigurációhoz; Határozza meg a súlyokat saját maga. Végül erősítse meg a mesterséges intelligencia által megadott súly/méret becslést független kézi számítással és osztálytartománnyal. Jelentsen legalább egy olyan követelménypárt, ahol ütközést talál.
ellenőrző lista
- [ ] Minden követelményt egyedivé, mérhetővé és ellenőrizhetővé tettem.
- [ ] A kétértelmű mellékneveket metrikával, mértékegységgel és küszöbértékkel helyettesítettem.
- [ ] Nyomon követhetőségi táblát állítottam fel és egymásnak ellentmondó követelményeket jelöltem meg.
- [ ] A döntési mátrix súlyait magam határoztam meg (nem AI).
- [ ] A mátrixpontszámokat fizikai indoklásnak tulajdonítottam.
- [ ] A súly/méret becsléseket osztályközökkel és kézi számítással igazoltam.