Analisi dei dati metallurgici e frontiere dell'intelligenza artificiale con Python

Guadagni:

• Capacità di produrre e comprendere il codice che pulisce, analizza e visualizza i dati metallurgici con Python, con supporto AI
• Capacità di stabilire l'abitudine di convalidare il codice generato dall'intelligenza artificiale con controllo unitario, caso di test e plausibilità fisica
• Una comprensione olistica dei limiti end-to-end, della responsabilità e del quadro etico dell’IA nella metallurgia

Il lavoro metallurgico viene svolto sempre più con una quantità maggiore di dati: centinaia di risultati di prove di trazione, migliaia di misurazioni SPC, registrazioni di forni di trattamento termico, risultati di caratterizzazione. La ricerca manuale di questi dati in Excel è lenta e soggetta a errori; Python (un linguaggio di programmazione comune per l’analisi dei dati e il calcolo scientifico) rende tutto questo ripetibile, verificabile e automatico. L'intelligenza artificiale è molto potente nella scrittura, nel debug e nella spiegazione del codice Python, ma il codice che produce può sembrare corretto ma fornire il risultato sbagliato: errore unitario, coefficiente sbagliato, perdita silenziosa di dati. In questa unità finale imparerai come analizzare i dati metallurgici con il supporto dell'intelligenza artificiale in Python e verificare ciascun codice, quindi riassumere in modo olistico i confini dell'intelligenza artificiale, la responsabilità e il quadro etico trattati nell'intero modulo.

Compiti tipici nell'analisi dei dati metallurgici

Attività comuni con supporto AI in Python:

• Pulizia dei dati: valore mancante, confusione di unità (MPa vs. ksi), rimozione dei valori anomali. I dati sporchi corrompono anche la migliore analisi.
• Visualizzazione: disegno curva di trazione, carta di controllo, distribuzione granulometrica, profilo temperatura-tempo.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• Automazione: elaborazione in batch di un gran numero di file e produzione di tabelle/report di riepilogo.

La relazione Hall-Petch è un buon esempio in questo caso: il limite di snervamento aumenta in modo inversamente proporzionale alla radice quadrata del diametro del grano. L'intelligenza artificiale può tradurre questa formula in codice; Ma se usi d come micrometro o metro e quale unità usi per il coefficiente k cambia completamente il risultato. La correttezza del codice non sta nel memorizzare la formula, ma nel validare le unità e un caso di test.

Suggerimento: assicurati di includere un "test di risposta noto" in ogni account scritto dall'IA. Fornisci un piccolo input di cui conosci il risultato a mano (ad esempio la resistenza prevista per d = 100 µm); Se il codice fornisce quel valore, puoi fidarti; in caso contrario, l'errore è nascosto.

Passo dopo passo: un flusso di analisi sicuro con l'intelligenza artificiale

1. Descrivi l'attività e i dati: quale file, quali colonne, quali unità, cosa verrà calcolato?
2. Richiedi scheletro del codice: chiedi all'IA uno scheletro commentato e suddiviso in passaggi; Definire le unità con variabili esplicite in alto.
3. Test con dati piccoli: esegui prima con poche righe/valori noti; Controlla il risultato manualmente.
4. Controllo delle unità e dei confini: il risultato è fisicamente ragionevole? Esiste una sciocchezza come la forza negativa, tasso del 120%?
5. Visualizza e osserva: il grafico mostra la tendenza prevista? I dati anomali sono errori?
6. Verificare e documentare: confrontare il risultato con un calcolo/standard indipendente; Commentare il codice e le ipotesi.

Tabella di verifica del codice AI

Rischio

sintomo

Metodo di controllo

Errore dell'unità

Il risultato è 1000x pervertito

Definire le unità nella variabile esplicita, controllo delle dimensioni

Coefficiente/formula errata

Valore ragionevole ma sbagliato

Scenario di prova con risposte note

Perdita silenziosa dei dati

Il numero di righe è inferiore al previsto

Stampa il numero di righe prima/dopo l'elaborazione

distorsione anomala

kayak medio

Visualizza con un grafico, guarda la distribuzione

Overfitting (biblioteca allucinatoria)

funzione inesistente

Esegui, leggi l'errore, guarda la documentazione

tre mini custodie

Caso 1: errore di volume nascosto. Un ingegnere richiede il codice all'IA per il calcolo Hall-Petch; Il codice prevede il diametro del grano in metri, ma l'ingegnere inserisce i micrometri. Il risultato è 1000 volte perverso, ma non si nota a prima vista perché sembra un "numero". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Lezione: il test a risposta nota rivela l'errore dell'unità in pochi secondi.

Caso 2: perdita silenziosa di dati. Un team pulisce 500 risultati di pull test con codice scritto dall'intelligenza artificiale; Anche se il codice elimina le righe con valori mancanti, elimina accidentalmente anche alcune righe valide, lasciando 300 righe. La resistenza media è superiore al previsto perché il lotto di basso valore viene eliminato. Quando il team stampa il numero di righe prima/dopo l'elaborazione, vede che 200 righe sono scomparse silenziosamente e corregge il filtro. Lezione: stampare il numero di righe in ogni fase di elaborazione dei dati rileva le perdite silenziose.

Caso 3 – Uso corretto, rapporto ripetibile. Un team di qualità deve elaborare decine di registri dei forni e produrre rapporti riepilogativi ogni settimana. Chiede all'IA di scrivere uno script commentato che legga i file in blocco e produca grafici e tabelle riassuntive. Il team testa il codice con alcuni file conosciuti, verifica il numero di unità e linee, ispeziona visivamente il grafico di output. Quindi utilizza lo script settimanalmente; Le ore di lavoro sono ridotte a minuti e si lavora nello stesso modo verificabile ogni settimana. L’intelligenza artificiale ha consentito un’automazione ripetibile, ha confermato il team.

Modelli di prompt copiabili

MODELLO SCHELETRO CODICE"Ruolo: sei l'assistente del codice per l'analisi dei dati metallurgici. Compito: [ad esempio leggere i risultati del disegno da CSV e carico di snervamento medio]. Dati: [file, colonne, UNITÀ]. scrivere uno scheletro commentato con i panda: (1) definire le unità nella variabile aperta in alto, (2) leggere i dati e stampare il conteggio delle righe, (3) cancellare e stampare ANCORA il conteggio delle righe, (4) eseguire il calcolo, (5) stampare il risultato e un controllo di plausibilità. Aggiungere commenti a ogni passaggio. Segna dove devo verificare."

MODELLO DI TEST DI RISPOSTA CONOSCIUTA"Scrivi un 'test di risposta nota' per la seguente funzione: [funzione]. Scegli un piccolo input il cui risultato può essere calcolato manualmente, commenta l'output atteso e verifica con assert. Verifica anche la coerenza dell'unità. Se il test non viene superato, elenca le possibili ragioni (unità, coefficiente, formula)."

REVISIONE CODICE / MODELLO DEBUG "Esamina il seguente codice: [codice]. Controlla e contrassegna quanto segue: (1) coerenza del volume, (2) rischio di perdita silenziosa di dati, (3) impatto anomalo, (4) output fisicamente impossibile (forza negativa, tasso > 100%). Scrivi come verificare per ciascun rischio. Non confermare il codice come "funzionante"; indica inaffidabile senza test. "

MODELLO DI VISUALIZZAZIONE "traccia [curva di trazione / tracciato di controllo / distribuzione] con matplotlib. Aggiungi UNITÀ alle etichette degli assi, inserisci titolo e griglia. Contrassegna i valori anomali in modo diverso. Tieni presente che devo ispezionare visivamente la trama e verificare la tendenza prevista (ad esempio, aumento della sollecitazione-deformazione). Non nascondere alcun punto per "abbellire" i dati."

Prompt debole / Prompt forte

PROMPT DEBOLE: "Scrivimi il codice che esegue il calcolo Hall-Petch."

RICHIESTA FORTE: "Ruolo: sei l'assistente del codice per l'analisi dei dati metallurgici. Scrivi una funzione Python per calcolare Hall-Petch(σy = σ0 + k·d^(-1/2)). Unità: d micrometro, σ0 e σy MPa, k MPa·μm^(1/2). Attiva la conversione delle unità all'interno della funzione e commenta. Inoltre d = 100 Calcola manualmente il risultato atteso per µm,σ0 = 50 MPa, k = 300 MPa·μm^0,5 e test con asserzione. Aggiungi controllo di plausibilità fisica (σy non può essere negativo Considera il codice inaffidabile senza test).

Il prompt debole produce codice privo di unità e test e potrebbe andare storto silenziosamente. Prompt efficaci definiscono chiaramente le unità, impongono la conversione, richiedono test delle risposte note e controlli di plausibilità, rendendo il codice verificabile.

Riepilogo olistico del modulo: Il posto e i limiti dell'IA nella metallurgia

In questo modulo è stato ripetuto un unico principio: l’intelligenza artificiale è un assistente, non un decisore. In dodici unità, abbiamo utilizzato l'intelligenza artificiale end-to-end, dalla selezione dei materiali alla previsione delle proprietà, dall'analisi di fase alla microstruttura, dal trattamento termico alla fabbricazione, dal controllo di qualità all'analisi dei danni, dalla caratterizzazione alla standardizzazione e all'analisi Python. In ciascuna unità, l’intelligenza artificiale ha spiegato concetti, generato ipotesi, scritto bozze e codici, ma in nessuna unità ha preso la decisione da sola. I limiti erano chiari: allucinazioni (numero e standard inventati), non delegabilità della responsabilità critica per la sicurezza, dipendenza dalla qualità dei dati e dalla misurazione/calibrazione, rischio di estrapolazione e riservatezza. La disciplina della verifica è sempre rimasta nelle mani degli esseri umani nel triangolo standard-laboratorio-conto.

Errori comuni

• Applicazione del codice a dati reali senza test con risposte note.
• Non definire chiaramente le unità; Trascurando la confusione MPa/ksi, µm/m.
• Non stampare il numero di righe durante le fasi di elaborazione dei dati e non notare la perdita silenziosa.
• Affidarsi alla media senza visualizzare i valori anomali.
• Accettare la libreria/funzione inesistente composta dall'AI senza eseguirla.
• Supponendo che il codice sia corretto perché "sembra funzionare"; mancato controllo della plausibilità fisica.

In sintesi

L'intelligenza artificiale nell'analisi dei dati metallurgici con Python è un potente acceleratore per la codifica, il debug e l'automazione; ma il codice che produce può contenere errori unitari, coefficienti errati e perdita silenziosa di dati. Verifica ciascun codice con test a risposta nota, controllo delle unità, monitoraggio del conteggio delle righe e plausibilità fisica. Qui, come in tutto il modulo, l'intelligenza artificiale è l'assistente: garantisce velocità e organizzazione, precisione e responsabilità sono assunte dall'ingegnere autorizzato. Nelle decisioni metallurgiche critiche per la sicurezza, i risultati dell'intelligenza artificiale non sostituiscono mai standard, esperimenti, calcoli e l'approvazione di ingegneri competenti.

Compito dell'applicazione

Scegli un calcolo metallurgico (ad esempio Hall-Petch o una media dei dati di trazione). Con il modello "CODE SKELETON", chiedi all'IA un codice commentato che stampi il numero di righe con unità esplicite. Quindi aggiungi uno scenario di test in cui conosci manualmente il risultato con il modello "TEST RISPOSTA CONOSCIUTA" ed eseguilo. Se il codice non fornisce il valore atteso, trova l'errore (unità, coefficiente, dati) e correggilo. Infine, scrivi della disciplina di verifica dell'intelligenza artificiale che hai imparato in questo modulo adattandola alla tua attività in tre articoli.

lista di controllo

• [ ] Ho definito chiaramente il compito, i dati e le unità dell'IA.
• [ ] Ho definito le unità con variabili esplicite nella parte superiore del codice.
• [ ] Nelle fasi di elaborazione dei dati, ho stampato il numero di righe e controllato la perdita silenziosa.
• [] Ho verificato il codice con un caso di test con una risposta nota.
• [ ] Ho verificato la plausibilità fisica (valore negativo/assurdo) dell'output.
• [] Ho usato l’intelligenza artificiale come acceleratore; Ho mantenuto integrità e responsabilità.

Esame del modulo

1. Quando si lavora con uno strumento di intelligenza artificiale come ingegnere dei materiali, la responsabilità ultima di quale delle seguenti attività dovrebbe sempre rimanere dell'essere umano (ingegnere legale)?

• A) Approvazione e firma dell'idoneità al servizio di una parte ✔
• B) Preparazione della prima bozza di una relazione sui danni
• C) Modifica delle etichette degli assi di un grafico di microstruttura
• D) Preparazione di un glossario dei termini metallurgici per una presentazione

Descrizione: AI; Può accelerare attività come il chiarimento dei concetti, la stesura di report, l'elenco delle ipotesi e la struttura del codice. Tuttavia, approvare l'idoneità di una parte per il servizio/volo è una decisione che si traduce nella sicurezza della vita e della proprietà; non può essere trasferito ad AI senza test accreditati e l'approvazione di un tecnico autorizzato.

2. Hai chiesto ad AI informazioni sulla resistenza allo snervamento dell'acciaio AISI 4140 quando bonificato a 200 °C e lui ha risposto "1500 MPa di sicuro". Qual è la prima azione corretta da intraprendere?

• A) Inserisci il valore direttamente nel conto della progettazione perché l'intelligenza artificiale sembra fiduciosa
• B) Verifica del valore con scheda tecnica del materiale/certificato di fabbrica e prova di trazione, se necessario, senza fare affidamento sul valore a punto singolo ✔
• C) Abbassare casualmente il valore per stare sul sicuro
• D) Accettare il valore e passare direttamente alla ricetta del trattamento termico

Spiegazione: i modelli linguistici possono fabbricare in modo convincente numeri infondati (allucinazioni). Forza di snervamento; Varia in un ampio intervallo a seconda della temperatura di rinvenimento, dello spessore della sezione e della temprabilità. È necessario ottenere il valore dal certificato dello stabilimento o dalla prova di trazione in conformità con lo standard e non includere un singolo punto di output AI nella progettazione.

3. Con un modello di apprendimento automatico che prevedeva le proprietà di un acciaio, l'intelligenza artificiale ha prodotto un valore "sicuro" per una lega ben al di fuori dell'intervallo di composizione nei dati di addestramento. Qual è il problema principale con questo output?

• A) Il modello fornisce sempre risultati in percentuale, MPa è sbagliato
• B) La previsione non è affidabile perché è fatta al di fuori dell'intervallo dei dati di addestramento (estrapolazione) e deve essere verificata mediante esperimento ✔
• C) Il modello funziona solo per acciai inossidabili
• D) L'output del modello è sempre esattamente il doppio del valore reale

Spiegazione: i modelli di machine learning funzionano ragionevolmente nell'ambito dei dati di addestramento (interpolazione); Al di fuori di questo intervallo (estrapolazione), le previsioni diventano inaffidabili e il modello spesso non lo mostra. Il valore generato in un punto esterno alla distribuzione dei dati di addestramento non può essere utilizzato senza convalida sperimentale.

4. Hai applicato l'intelligenza artificiale per calcolare il rapporto di fase in una lega a due fasi. Quale input dovrebbe utilizzare correttamente l'IA quando applica la "regola della leva"?

• A) Solo temperatura; le combinazioni non sono necessarie
• B) Solo la densità della lega
• C) Composizione totale della lega con composizioni al confine di fase alla temperatura rilevante ✔
• D) Solo la temperatura di fusione

Spiegazione: La regola della leva fornisce le quantità di fase utilizzando le distanze tra le composizioni dei confini di fase (ad esempio le composizioni della fase solida e liquida) e la composizione totale della lega ad una data temperatura. Se le combinazioni dei limiti di fase vengono lette in modo errato, il rapporto sarà completamente sbagliato; Pertanto è obbligatoria la conferma dei valori dal diagramma di fase.

5. Hai misurato la dimensione dei grani dalla microstruttura con un flusso di elaborazione delle immagini basato sull'intelligenza artificiale, ma hai dimenticato di calibrare la barra della scala in pixel. Perché il risultato non è affidabile?

• A) Tutte le misurazioni dimensionali hanno una scala sbagliata perché non è stata eseguita la calibrazione della lunghezza dei pixel ✔
• B) La misurazione è distorta poiché viene utilizzata un'immagine a colori
• C) La dimensione del grano può essere misurata solo tramite SEM, la microscopia ottica è imprecisa
• D) La misurazione non è necessaria perché la risoluzione dell'immagine è elevata

Descrizione: Nella metallografia quantitativa ogni pixel corrisponde ad una lunghezza; Se questa trasformazione non viene calibrata con la barra della scala, tutte le misurazioni dimensionali come la dimensione dei grani, il rapporto di fase e la porosità appariranno sulla scala sbagliata. La calibrazione è il primo e obbligatorio passaggio della misurazione basata su immagini.

6. AI ha suggerito una ricetta di trattamento termico (austenitizzazione + tempra + rinvenimento) per raggiungere la durezza desiderata per un acciaio. Qual è il passo migliore prima di applicare la prescrizione?

• A) Applicazione della ricetta direttamente alla produzione di massa
• B) Applicare la ricetta sul pezzo di prova, misurare la durezza/microstruttura e confrontarla con lo standard ✔
• C) Per sicurezza, aumentare semplicemente la temperatura di rinvenimento in modo casuale
• D) Correggere ed approvare solo l'ortografia della prescrizione

Descrizione: Come risultato del trattamento termico; Lo spessore della sezione della parte e la temprabilità (Jominy) variano fortemente in base alla realtà del forno e dell'ambiente di raffreddamento. La prescrizione data dall’AI è un’ipotesi iniziale; Dovrebbe essere verificato applicandolo sul pezzo di prova e misurandone la durezza e la microstruttura e confrontandolo con lo standard.

7. Hai chiesto all'AI un "numero di sostanza specifica" di uno standard ASTM per un valore limite di materiale e lei ha risposto con un valore esatto. Qual è il comportamento ingegneristico corretto?

• A) Scrivere il valore direttamente nel report perché l'intelligenza artificiale è aggiornata
• B) Modificare il valore in modo casuale per rimanere sul sicuro
• C) Verificare il numero, la versione e il valore della sostanza dal testo standard ufficiale e attuale ✔
• D) Aggiunta del numero dell'articolo al file di conformità senza verificarlo

Spiegazione: anche se i modelli linguistici conoscono correttamente il nome standard, potrebbero ricordare erroneamente o inventare il numero dell'articolo, la versione e il punto di interruzione. In campi vincolanti come ASTM/ISO/EN, ogni sostanza e valore devono essere verificati parola per parola dalla fonte ufficiale e attuale; L'output dell'AI mostra solo dove guardare.

8. Hai mostrato all'IA la foto della superficie rotta di un bullone e hai ricevuto la risposta 'si tratta sicuramente di una frattura per fatica'. Qual è l’approccio corretto all’analisi delle cause profonde?

• A) Scrivere la diagnosi direttamente nel referto perché l'AI parla con precisione
• B) Basta aumentare la risoluzione della foto e confermare la diagnosi
• C) Installazione di una nuova parte senza esaminare la superficie rotta
• D) Confermare la diagnosi come ipotesi con la frattografia, la storia della carica e l'evidenza della microstruttura ✔

Descrizione: Interpretazione della superficie rotta; La frattografia (striature, linee di spiaggia, separazione fossette/scissione con SEM) richiede la considerazione congiunta della storia del carico, dell'ambiente e delle prove della microstruttura. La diagnosi definitiva che l'AI fa da una singola foto è un'ipotesi; La causa principale non può essere dichiarata senza la conferma dei risultati di laboratorio.

9. L'intelligenza artificiale ha assegnato un picco a una fase specifica in un modello XRD (diffrazione di raggi X). Qual è il metodo più appropriato per rendere affidabile l'identificazione delle fasi?

• A) Abbinamento del picco al database dei modelli di riferimento (ad esempio schede PDF) e controllo di sovrapposizioni e artefatti ✔
• B) Accettare direttamente l'incarico perché AI dice il nome della fase
• C) Considerando solo il picco più alto e ignorando il resto
• D) Colora il disegno e rendilo visivamente bello

Descrizione: L'identificazione della fase XRD viene effettuata facendo corrispondere le posizioni e le intensità dei picchi misurati con modelli di riferimento noti (ad esempio schede ICDD/PDF). Assegnare un singolo picco isolato è fuorviante; dovrebbero essere presi in considerazione i picchi sovrapposti, l'orientamento preferenziale e gli artefatti di fondo e l'assegnazione dovrebbe essere confermata con il database di riferimento.

10. Una bozza di rapporto di danno/ispezione preparata da AI contiene valori tecnici fluidi ma di origine sconosciuta. Qual è il comportamento corretto?

• A) Presentare la relazione così com'è perché il testo è scorrevole
• B) Arrotondare e lucidare i valori
• C) Basta leggere il riepilogo esecutivo e saltare il resto
• D) Abbina ciascun valore alla misurazione/fonte originale e rimuovi il ✔ non confermato

Descrizione: ciascun valore tecnico nel report; Deve essere riconducibile alla misurazione, alla registrazione del dispositivo calibrato, ai dati standard o del produttore. Anche se si tratta di un valore contenuto in una frase scorrevole, nessun numero la cui fonte non sia stata verificata dovrebbe essere incluso nel rapporto o nella base decisionale; In caso contrario, al documento viene trasferito un valore fittizio che crea passività.

11. Qual è il passaggio migliore prima di utilizzare un calcolo Python generato dall'intelligenza artificiale (ad esempio, la relazione Hall-Petch per la dimensione del grano-resistenza allo snervamento)?

• A) Applicazione del codice direttamente ai dati di produzione effettivi
• B) Assicurati solo che il codice sia breve e ordinato
• C) Eseguire il codice in uno scenario di test con risultati noti e verificare le unità e l'output ✔
• D) Cancellare parte del codice per accorciarlo

Spiegazione: Un codice può sembrare corretto ma dare il risultato sbagliato: potrebbe esserci un errore di unità, un coefficiente errato o un errore di formula. L'esecuzione del codice in un piccolo caso di test in cui si conosce manualmente il risultato, il confronto con l'output previsto e il controllo delle unità rileva l'errore prima che venga trasferito alla decisione effettiva.

12. Desideri incollare la ricetta della lega non ancora brevettata e i parametri di processo della tua azienda in uno strumento AI disponibile al pubblico e richiedere l'analisi. Qual è l'approccio più corretto?

• A) Incollare la ricetta così com'è per renderla più veloce
• B) E' sufficiente cancellare solo il nome dell'azienda e condividere tutti i restanti parametri.
• C) Condividere i dati e poi chiedere all'IA di cancellarli
• D) Verifica della politica istituzionale e anonimizzazione dei dati o utilizzo di uno strumento sicuro/istituzionale ✔

Descrizione: La ricetta della lega, i parametri di processo e le specifiche del cliente sono segreti commerciali e sensibili alla proprietà intellettuale. Prima di condividere i dati è necessario verificare la policy aziendale, anonimizzarli o utilizzare uno strumento istituzionale/in loco che non diffonda i dati.

13. Il sistema SPC (controllo statistico del processo) basato sull'intelligenza artificiale ha segnalato che un limite della carta di controllo era stato superato in un lotto di produzione. Qual è il comportamento ingegneristico corretto?

• A) Ignorare l'avviso e continuare la produzione
• B) Ampliare i limiti di controllo in modo che non si verifichi alcun avviso
• C) Considerare l'avvertimento come un fattore scatenante, confermare la misurazione, indagare la causa principale e decidere con criteri di accettazione ✔
• D) Rottamazione diretta dell'intero lotto senza misurazione

Spiegazione: Il superamento del limite della carta di controllo è un avviso; La causa principale non è automaticamente ovvia. Potrebbe trattarsi di un errore di misurazione, di un problema di campionamento o di una deriva effettiva del processo. L'approccio corretto è considerare l'avvertimento come un fattore scatenante, confermare la misurazione, indagare la causa principale e prendere una decisione in base ai criteri di accettazione e al risultato dell'NDT/esame.

14. La valutazione dell'immagine assistita dall'intelligenza artificiale su una parte di fusione ha contrassegnato una zona come "accettabile". Qual è l’approccio giusto per una parte critica per la sicurezza?

• A) Considerare la valutazione preliminare dell'AI come uno strumento di screening e collegare l'accettazione finale al risultato del CND e all'approvazione autorizzata ✔
• B) Considerare la valutazione AI come accettazione finale e approvare la parte
• C) Passare al processo successivo senza ispezionare affatto la parte
• D) E' sufficiente effettuare solo un controllo visivo della superficie del pezzo.

Descrizione: I difetti interni della fusione (porosità, ritiri, inclusioni) sono spesso invisibili dalla superficie e vengono valutati mediante controlli non distruttivi (NDT: radiografia, ultrasuoni). La valutazione preliminare che l’AI fornisce attraverso l’immagine è uno strumento di screening; L'accettazione finale della parte critica per la sicurezza viene fornita con NDT e approvazione dell'ispezione autorizzata in conformità con lo standard.