재료 선택 및 의사결정 지원 시스템의 AI — 금속공학 및 재료공학의 인공지능

이득:

요구 사항, 제약 조건 및 성능 지수를 사용하여 재료 선택 문제를 구조화하고 이를 AI에 정확하게 설명하는 능력
후보 자료를 Ashby 접근 방식 및 가중 결정 매트릭스와 비교할 때 AI를 가설 생성기로 사용하는 기능
데이터 시트, 표준, 비용/공급 사실과 비교하여 AI가 권장하는 각 재료 및 기능 값을 검증하는 기능

재료 선택은 야금 및 재료 엔지니어의 가장 눈에 띄고 책임감 있는 업무입니다. 자전거 프레임용 알루미늄, 탄소 섬유 또는 강철; 펌프 샤프트의 경우 316 스테인리스 또는 이중 스테인리스; 열간 금형용 공구강은 무엇입니까? 이러한 결정을 내리려면 강도, 무게, 부식, 온도, 가공성, 비용 및 공급과 같은 수십 가지 상충되는 제약 조건의 균형을 동시에 맞춰야 합니다. 인공 지능(텍스트와 숫자를 처리하고 제안을 생성하는 시스템)은 후보 목록 작성, 비교 매트릭스 설정 및 근거 작성 프로세스를 가속화합니다. 그러나 데이터 시트, 표준 및 필요한 경우 테스트를 통해서만 귀하가 선택한 재료가 실제로 적합하다는 것을 입증할 수 있습니다. 이번 단원에서는 AI를 사용하여 체계적인 방식으로 재료 선택을 수행하는 방법을 배웁니다.

재료 선택 문제를 올바르게 설정

잘못된 재료 선택은 잘못된 모델이 아니라 잘못 정의된 문제로 인해 발생하는 경우가 많습니다. AI에게 "가장 좋은 재료가 무엇인지" 묻는 것은 의미가 없습니다. "최고"는 어떤 제약 조건에서 어떤 기능을 수행할지에 따라 달라지기 때문입니다. 음향 자료 선택 문제는 다음 네 가지 구성 요소로 정의됩니다.

기능: 작품의 기능은 무엇입니까? (예: 축방향 하중을 받는 막대, 압력에 저항하는 용기)
제약: 초과해서는 안 되는 한계. (예: 항복 강도 ≥ 350MPa, 작동 온도 200°C, 염수에 대한 내성.)
목표: 무엇을 최소화/최대화할 것인가? (예: 무게 최소화, 비용 최소화)
자유변수: 우리는 무엇을 선택할 수 있는가? (재료 및 종종 치수(예: 단면))

이 프레임워크는 Ashby의 재료 선택 접근 방식의 기초입니다. 성능 지수는 특정 목적에 가장 적합한 재료 특성의 조합을 제공하는 표현입니다. 예를 들어, 특정 강성의 가장 가벼운 빔에 대해 비강도와 같은 지표가 사용됩니다. 기능과 제약 조건이 주어지면 AI는 올바른 성능 지수를 도출하고 후보 재료 클래스의 순위를 매기는 데 도움이 됩니다. 하지만 도출된 지수의 물리적 파생을 확인해야 합니다.

단계별: AI 기반 재료 선택

요구 사항을 작성합니다: 기능, 제약 조건, 목적, 자유 변수. 수치적이고 측정 가능하도록 하세요.
후보 클래스 식별: AI에게 재료 클래스(강철, 스테인리스, 알루미늄 합금, 티타늄, 폴리머, 복합재)를 나열하고 이 기능에 대한 각 클래스의 적합성을 정당화하도록 요청합니다.
제약 조건 제거: 제약 조건을 충족하지 않는 등급을 제거합니다(예: 부식 제약 조건으로 인해 탄소강이 제거됨).
성능지수별 정렬: 나머지 후보를 목적(가벼움, 비용)별로 정렬합니다.
결정 매트릭스 설정: 가중치 채점표를 사용하여 최종 후보자를 비교합니다.
확인: 데이터 시트/표준에서 선택한 재료의 속성 값을 얻고, 공급 및 비용을 확인하고, 필요한 경우 샘플을 테스트합니다.

팁: AI가 제공한 재료 특성을 최종 값으로 사용하지 마십시오. AI가 "6061-T6 알루미늄의 항복강도는 276MPa"라고 말해도 실제 값은 조질 상태, 반제품 형상(판, 봉, 압출), 단면 두께에 따라 달라집니다. EN/ASTM 데이터 시트에서 값을 확인하십시오.

가중 결정 매트릭스

가중치 결정 매트릭스는 최종 후보자 중에서 선택할 때 투명하고 방어 가능한 방법입니다. 각 기준에는 중요도 가중치가 부여되고, 각 후보는 각 기준에 대해 점수가 매겨지며, 가중치 합계가 계산됩니다. 아래는 해수 펌프 샤프트의 예입니다(점수 1-5, 가중치 합계 1.0).

기준

무게

316L 스테인레스

듀플렉스 2205

니켈-알 브론즈

내식성(해수)

0.35

항복강도

0.25

가공성

0.15

비용(낮을수록 좋음)

0.15

공급/리드타임

0.10

가중 합계

1.00

3.40

4.30

3.45

이 표에서는 이중 2205를 강조합니다. 그러나 테이블은 결정이 아니라 토론의 근거입니다. 가중치와 점수를 결정합니다. AI는 정기적으로 이를 계산하고 근거를 작성합니다. 점수의 기준(부식에 대한 PREN 값, 강도에 대한 표준 최소값)을 확인해야 합니다.

세 개의 미니 케이스

사례 1 — 잘못된 성격, 잘못된 힘. 한 디자이너가 AI에게 브래킷에 대해 "6061 알루미늄의 항복 강도"를 묻습니다. AI는 "276 MPa"라고 말합니다. 설계자는 이 값을 사용하지만 공급된 재료는 T4 템퍼이고 항복 강도는 ~145 MPa에 불과합니다. 예상보다 낮은 하중에서 부품이 영구적으로 변형됩니다. 교훈: 재산 가치는 재료의 상태(T4/T6)에 따라 달라집니다. AI가 부여한 값은 성질을 명시하지 않으면 의미가 없으며 반드시 데이터시트를 통해 확인해야 합니다.

사례 2 - 올바른 제거. 팀은 6bar의 압력과 지속적인 염수 접촉에서 작동하는 밸브 본체에 대한 후보 목록을 AI에 요청합니다. AI는 부식 제한으로 인해 탄소강과 저합금강을 제거합니다. 316L은 듀플렉스와 브론즈를 권장하고 각각에 대한 PREN(Pitting Resistance Equivalent Number) 개념을 설명합니다. 팀은 이 예비 심사를 받아들이지만 실제 염소 농도와 온도 부식 테스트 데이터를 바탕으로 최종 결정을 내립니다. AI가 제거되고 실험되었습니다.

사례 3 - 비용의 현실. 한 제품에 대해 AI는 티타늄 Ti-6Al-4V를 권장합니다. 경량성과 부식성이 우수합니다. 하지만 해당 부품이 연간 5만개 생산된다는 점과 가격 압박이 있다는 맥락은 전해지지 않고 있다. 티타늄의 킬로그램당 비용과 가공 난이도로 인해 이 제품은 상업적으로 실현 불가능합니다. 팀은 맥락을 추가하고 다시 질문합니다. 이번에는 비용 효율적인 스테인레스 스틸이 선택되었습니다. 교훈: 처음부터 비용과 제조 가능성에 대한 제약을 주지 않으면 AI는 기술적으로는 정확하지만 상업적으로는 잘못된 조언을 제공합니다.

복사 가능한 프롬프트 템플릿

MATERIAL SELECTION FRAMEWORK TEMPLATE"역할: 당신은 보조 재료 선택 전문가입니다. 부분: [설명]. 아래 프레임을 채우십시오:- 기능: [...]- 제약 조건(수치): [강도, 온도, 부식, 무게...]- 목적: [최소화: 무게/비용]- 자유 변수: [재료 + 단면] 그에 따라 적절한 성능 지수를 도출하고 단계별로 표시합니다. 소스와 함께 속성 값을 제공하고 추가합니다. '데이터시트에서 확인해야 합니다' 경고가 표시됩니다."

후보 선별 템플릿 "다음 제약 조건을 충족하지 않는 재료 클래스에 서명하고 정당화합니다: [목록 제약 조건]. 나머지 후보를 목적별로 정렬합니다. 각 후보가 어떤 표준(예: EN, ASTM)으로 정의되는지 명시합니다. 정확한 특성 번호를 제공하지 말고 범위를 제공하고 '검증해야 함' 등급을 지정합니다."

결정 매트릭스 템플릿 "다음 후보에 대한 가중 결정 매트릭스를 설정합니다: [후보]. 내 기준 및 가중치: [기준=가중치 목록]. 각 후보를 1~5점으로 평가하고 각 점수의 BASIS(특징, 소스)를 한 문장으로 작성합니다. 가중 합계를 계산하고 결과를 표로 제공합니다. 점수 기반을 '검증해야 함'으로 표시합니다."

부식 호환성 템플릿 "환경: [온도, 염소/산 농도, pH]. 스테인리스 후보에 대한 PREN 근거를 설명하고 어떤 테스트(예: ASTM G48 피트 테스트)를 통해 검증해야 하는지 알려줍니다. 테스트 없이 재료 선택을 마무리하지 말고 후보 목록만 나열하세요."

약한 프롬프트 / 강한 프롬프트

약한 프롬프트: "해수에 사용되는 펌프 샤프트에 가장 적합한 재료는 무엇입니까?"

강력한 프롬프트:"역할: 당신은 재료 선택 전문가입니다. 부품: 원심 해수 펌프 샤프트. 제약 조건: 지속적인 해수 접촉(~20,000ppm 염화물, 25-40°C), 항복 강도 ≥ 450MPa, 피로 하중 사용 가능, 선반으로 가공 가능, 연간 300개. 목적: 수명 비용 최소화. 제약 조건에 따라 후보 스테인리스 및 청동을 처리하고 정렬합니다. 어떤 표준과 어떤 것을 작성하는지 작성합니다. 각각에 대해 검증 테스트가 필요합니다. 소스와 함께 속성 값을 제공하고 마무리합니다."

강력한 프롬프트; 환경을 수치적으로 제시하고, 강도 제약 조건을 설정하고, 생산 수량과 비용 목표를 명시하고, 검증 테스트를 요청합니다. 따라서 AI는 상업적으로나 기술적으로 적합한 후보 목록을 생성합니다.

일반적인 실수

기능과 제약을 수량화하지 않고 "최고의 재료"를 요구합니다.
재료의 상태(성질, 형상, 단면)를 지정하지 않고 속성 값을 가져옵니다.
비용, 공급 및 제조 가능성 제약을 맥락에 두지 않습니다.
AI가 도출하는 성과 지표의 물리적 도출을 제어하지 않습니다.
결정 매트릭스의 점수에 대한 근거를 확인하지 않고 결과를 최종적인 것으로 간주합니다.
실험 없이 부식과 같은 환경 의존적 결정을 확인합니다.

요약하면

재료 선택에서 AI는 기능과 제약 조건을 명확히 하면 강력한 의사 결정 지원 도구입니다. AI는 후보 목록을 생성하고 성능 지수를 도출하며 결정 매트릭스를 구성하고 타당성을 작성합니다. 그러나 모든 속성 값은 데이터 시트와 표준을 통해 검증되어야 하며 모든 부식/저항에 대한 중요한 결정은 실험을 통해 검증되어야 합니다. 함수-제약-객관-자유 변수의 프레임워크 내에서 문제를 프레이밍하는 것은 좋은 선택의 절반입니다.

응용과제

실제 또는 가상 부품(예: 외부 패스너)을 선택합니다. 함수, 제약 조건, 목적 변수, 자유 변수를 수치로 작성합니다. "MATERIAL SELECTION FRAMEWORK" 템플릿을 사용하여 AI에 후보 목록과 성과 지표를 요청합니다. 그런 다음 최소 3명의 후보자로 "결정 매트릭스" 템플릿을 작성합니다. 마지막으로, 선택한 재료의 항복 강도와 부식 거동을 확인하기 위해 사용할 표준과 테스트에 대한 단락을 작성하세요.

체크리스트

[ ] 함수, 제약조건, 목적, 자유변수를 수치적으로 정의했습니다.
[ ] 제약 조건을 충족하지 못하는 클래스를 정당하게 제거했습니다.
[ ] 재질조건(성질/형태)을 지정하여 물성값을 얻었습니다.
[ ] 나는 의사결정 매트릭스 점수의 기초를 언급했습니다.
[ ] 나는 비용, 공급, 제조 가능성을 상황에 맞게 고려합니다.
[ ] 데이터 시트, 표준 및 필요한 실험을 통해 선택을 검증할 계획을 세웠습니다.