Metalurģijas datu analīze un AI robežas ar Python

Ieguvumi:

• Spēja izveidot un izprast kodu, kas attīra, analizē un vizualizē metalurģijas datus, izmantojot Python, ar AI atbalstu
• Spēja izveidot ieradumu apstiprināt mākslīgā intelekta ģenerētu kodu ar vienības pārbaudi, testa gadījumu un fizisko ticamību
• Visaptveroša izpratne par mākslīgā intelekta pilnīgajiem ierobežojumiem, atbildību un ētisko sistēmu metalurģijā

Metalurģijas darbs arvien vairāk tiek veikts, izmantojot vairāk datu: simtiem stiepes testu rezultātu, tūkstošiem SPC mērījumu, termiskās apstrādes krāsns ierakstu, raksturojuma izvadi. Šo datu manuāla meklēšana programmā Excel ir lēna un ar kļūdu iespējamība; Python (izplatīta programmēšanas valoda datu analīzei un zinātniskai skaitļošanai) padara to atkārtojamu, pārbaudāmu un automātisku. AI ir ļoti spēcīgs Python koda rakstīšanā, atkļūdošanā un izskaidrošanā, taču tā radītais kods var izskatīties pareizs, taču dot nepareizu rezultātu: vienības kļūda, nepareizs koeficients, kluss datu zudums. Šajā pēdējā daļā jūs uzzināsit, kā analizēt metalurģijas datus ar AI atbalstu programmā Python un pārbaudīt katru kodu, pēc tam holistiski noapaļot AI robežas, atbildību un ētikas ietvaru, kas aptver visu moduli.

Tipiski uzdevumi metalurģijas datu analīzē

Izplatītākie uzdevumi ar AI atbalstu programmā Python:

• Datu tīrīšana: trūkst vērtības, vienību sajaukšana (MPa pret ksi), nobīdes noņemšana. Netīri dati sabojā pat vislabāko analīzi.
• Vizualizācija: stiepes līknes zīmēšana, kontroles diagramma, graudu izmēra sadalījums, temperatūras-laika profils.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, statistika.
• Automatizācija: liela skaita failu pakešu apstrāde un kopsavilkuma tabulu/atskaišu sagatavošana.

Šeit labs piemērs ir Hall-Petch attiecība: tecēšanas robeža palielinās apgriezti proporcionāli graudu diametra kvadrātsaknei. AI var pārvērst šo formulu kodā; Bet tas, vai jūs izmantojat d kā mikrometru vai skaitītāju un kādu vienību izmantojat koeficientam k, pilnībā maina rezultātu. Koda pareizība slēpjas nevis formulas iegaumēšanā, bet vienību un testa gadījuma apstiprināšanā.

Padoms. Katrā kontā, ko raksta AI, noteikti iekļaujiet “zināmo atbilžu testu”. Norādiet nelielu ievadi, kura rezultātu jūs zināt ar roku (piemēram, paredzamā stiprība d = 100 µm); Ja kods piešķir šo vērtību, varat tam uzticēties; ja tā nenotiek, kļūda ir paslēpta.

Soli pa solim: droša analīzes plūsma ar AI

1. Aprakstiet uzdevumu un datus: Kurš fails, kuras kolonnas, kuras vienības, kas tiks aprēķināts?
2. Pieprasīt koda skeletu: pieprasiet AI komentētu, pakāpeniski sadalītu skeletu; Definējiet vienības ar skaidriem mainīgajiem augšpusē.
3. Pārbaude ar maziem datiem: vispirms izpildiet ar dažām rindām/zināmām vērtībām; Pārbaudiet rezultātu manuāli.
4. Vienības un robežu kontrole: vai izvade ir fiziski saprātīga? Vai ir tādas muļķības kā negatīvs spēks, 120% likme?
5. Vizualizējiet un skatieties: vai diagrammā ir redzama gaidāmā tendence? Vai nobīdes ir datu kļūdas?
6. Pārbaudiet un dokumentējiet: salīdziniet rezultātu ar neatkarīgu aprēķinu/standartu; Komentējiet kodu un pieņēmumus.

AI koda verifikācijas tabula

Risks

simptoms

Kontroles metode

Vienības kļūda

Rezultāts ir 1000x perverss

Definējiet vienības skaidrā mainīgā lieluma kontrolē

Nepareizs koeficients/formula

Saprātīga, bet nepareiza vērtība

Testa scenārijs ar zināmām atbildēm

Kluss datu zudums

Rindu skaits ir mazāks, nekā paredzēts

Drukāt rindu skaitu pirms/pēc apstrādes

izkropļojumi

vidējais kajaks

Vizualizējiet ar grafiku, apskatiet sadalījumu

Pārmērīga pielāgošanās (halucinācijas bibliotēka)

neesoša funkcija

Palaist, lasīt kļūdu, apskatīt dokumentāciju

trīs mini futrāļi

1. gadījums — slēptā skaļuma kļūda. Inženieris pieprasa kodu no AI Hall-Petch aprēķināšanai; Kods paredz graudu diametru metros, bet inženieris ievada mikrometrus. Rezultāts ir 1000 reižu perverss, taču no pirmā acu uzmetiena tas nav pamanāms, jo izskatās pēc "skaitļa". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Nodarbība: zināmo atbilžu pārbaude atklāj vienības kļūdu sekundēs.

2. gadījums — kluss datu zudums. Komanda notīra 500 vilkšanas testa rezultātus ar AI rakstītu kodu; Kamēr kods izmet rindas ar trūkstošām vērtībām, tas arī nejauši izmet dažas derīgās rindas, atstājot 300 rindas. Vidējais stiprums ir augstāks, nekā paredzēts, jo mazvērtīgā partija ir izslēgta. Kad komanda izdrukā rindu skaitu pirms/pēc apstrādes, viņi redz, ka 200 rindas ir klusi pazudušas, un izlabo filtru. Nodarbība: drukājot rindu skaitu katrā datu apstrādes posmā, tiek fiksēti klusie zudumi.

3. gadījums — Pareiza lietošana, atkārtojams ziņojums. Kvalitātes komandai katru nedēļu ir jāapstrādā desmitiem krāsns ierakstu un jāsagatavo kopsavilkuma ziņojumi. Tas lūdz AI uzrakstīt komentētu skriptu, kas nolasa failus lielapjomā un veido grafikus un kopsavilkuma tabulas. Komanda pārbauda kodu ar dažiem zināmiem failiem, pārbauda vienību un līniju skaitu, vizuāli pārbauda izvades grafiku. Pēc tam katru nedēļu izmanto skriptu; Darba stundas tiek samazinātas līdz minūtēm, un katru nedēļu strādājiet tādā pašā, auditējamā veidā. AI iespējoja atkārtojamu automatizāciju, apstiprināja komanda.

Kopējamas uzvedņu veidnes

CODE SKELETON TEMPLATE"Loma: jūs esat koda palīgs metalurģijas datu analīzei. Uzdevums: [piemēram, nolasīt zīmēšanas rezultātus no CSV un vidējo tecēšanas robežu]. Dati: [fails, kolonnas, VIENĪBAS]. Uzrakstiet komentētu skeletu ar pandām: (1) augšpusē definējiet vienības atvērtajā mainīgajā, (2) lasiet datus, (3) notīriet rindu un saskaitiet 4 rindu. aprēķinu, (5) izdrukājiet rezultātu un ticamības pārbaudi pievienojiet komentārus katram solim.

ZINĀMAS ATBILDES TESTA VEIDNE"Uzrakstiet "zināmas atbildes testu" šādai funkcijai: [funkcija]. Izvēlieties nelielu ievadi, kuras rezultātu var aprēķināt manuāli, komentējiet sagaidāmo rezultātu un pārbaudiet ar apgalvojumu. Tāpat pārbaudiet vienības konsekvenci. Ja pārbaude neiztur, uzskaitiet iespējamos iemeslus (vienība, koeficients, formula)."

KODA PĀRSKATĪŠANA / ATKLĀŠANAS VEINE"Pārbaudiet šādu kodu: [kods]. Pārbaudiet un atzīmējiet: (1) sējuma konsekvenci, (2) klusuma datu zuduma risku, (3) ārpus efektu, (4) fiziski neiespējamu izvadi (negatīvs stiprums, >100% biežums). Uzrakstiet, kā pārbaudīt katru risku. Neapstipriniet kodu, nenorādot, ka tas ir nedarbīgs.

VIZUALIZĀCIJAS VEIDNE "zīmēt [stiepuma līkne / kontroles diagramma / sadalījums] ar matplotlib. Pievienojiet VIENĪBAS asu etiķetēm, ievietojiet nosaukumu un režģi. Atzīmējiet izņēmumus atšķirīgi. Ņemiet vērā, ka man ir vizuāli jāpārbauda diagramma un jāpārbauda paredzamā tendence (piemēram, pieaugošā spriedzes deformācija). Neslēpiet nevienu punktu, lai "izskaistinātu" datus."

Vāja uzvedne / spēcīga uzvedne

VĀJS PROMPT: "Uzrakstiet man kodu, kas veic Hall-Petch aprēķinus."

STRONG PROMPT:"Loma: jūs esat koda palīgs metalurģijas datu analīzei. Uzrakstiet Python funkciju, lai aprēķinātu Hall-Petch(σy = σ0 + k·d^(-1/2)). Mērvienības: d mikrometrs, σ0 un σy MPa, k MPa · µm^(1/2). Aprēķinātās funkcijas rezultāts = 0 ir arī IESLĒGT. manuāli µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 un pārbaudiet ar apgalvojumu (σy nevar būt negatīvs bez pārbaudes).

Vāja uzvedne rada kodu, kuram nav vienības un pārbaudes, un tas var klusi noiet greizi. Spēcīgas uzvednes skaidri definē vienības, nodrošina pārveidošanu, pieprasa zināmu atbilžu pārbaudi un ticamības pārbaudi — padarot kodu pārbaudāmu.

Holistisks moduļa kopsavilkums: AI vieta un robežas metalurģijā

Šajā modulī tika atkārtots viens princips: AI ir palīgs, nevis lēmumu pieņēmējs. Divpadsmit vienībās mēs izmantojām AI pilnībā, sākot no materiāla izvēles līdz īpašuma prognozēšanai, fāzes analīzei līdz mikrostruktūrai, termiskai apstrādei līdz izgatavošanai, kvalitātes kontrolei līdz bojājumu analīzei, raksturošanai līdz standartizācijai un Python analīzei. Katrā vienībā AI izskaidroja jēdzienus, ģenerēja hipotēzes, rakstīja melnrakstus un kodu, taču nevienā vienībā tas nepieņēma lēmumu viens. Ierobežojumi bija skaidri: halucinācijas (izdomāts numurs un standarts), drošībai kritiskās atbildības nedeleģējamība, atkarība no datu kvalitātes un mērījumu/kalibrēšanas, ekstrapolācijas risks un konfidencialitāte. Pārbaudes disciplīna vienmēr ir palikusi pie cilvēkiem standarta-laboratorijas-konta trīsstūrī.

Biežas kļūdas

• Koda lietošana reāliem datiem, neveicot testēšanu ar zināmām atbildēm.
• nav skaidri definētas vienības; Skats uz MPa/ksi, µm/m apjukums.
• Nedrukājot rindu skaitu datu apstrādes soļu laikā un nepamanot klusuma zudumu.
• Paļaušanās uz vidējo, nevizualizējot novirzes.
• AI izveidotās neesošās bibliotēkas/funkcijas pieņemšana, to neizpildot.
• Pieņemot, ka kods ir pareizs, jo tas "šķiet, ka tas darbojas"; nespēja pārbaudīt fizisko ticamību.

Rezumējot

AI metalurģijas datu analīzē ar Python ir spēcīgs kodēšanas, atkļūdošanas un automatizācijas paātrinātājs; bet tā radītajā kodā var būt vienības kļūdas, nepareizi koeficienti un kluss datu zudums. Pārbaudiet katru kodu, izmantojot zināmo atbilžu testēšanu, vienību pārbaudi, līniju skaita izsekošanu un fizisko ticamību. Šeit, tāpat kā visā modulī, AI ir palīgs: tas nodrošina ātrumu un organizāciju, precizitāti un atbildību pārņem pilnvarotais inženieris. Drošībai kritiskos metalurģijas lēmumos mākslīgā intelekta izvade nekad neaizstāj standartus, eksperimentus, aprēķinus un kompetenta inženiera apstiprinājumu.

Lietojumprogrammas uzdevums

Izvēlieties metalurģisko aprēķinu (piemēram, Hall-Petch vai stiepes datu vidējo vērtību). Izmantojot veidni CODE SKELETON, pieprasiet AI komentētu kodu, kas izdrukā rindu skaitu ar vienībām, kas ir skaidri norādītas. Pēc tam pievienojiet testa scenāriju, kurā jūs zināt rezultātu manuāli, izmantojot veidni "ZINĀMAS ATBILDES TESTS", un palaidiet to. Ja kods nesniedz gaidīto vērtību, atrodiet kļūdu (vienību, koeficientu, datus) un izlabojiet to. Visbeidzot trīs rakstos rakstiet par AI verifikācijas disciplīnu, ko apguvāt šajā modulī, pielāgojot to savam biznesam.

kontrolsaraksts

• [ ] Es skaidri definēju AI uzdevumu, datus un vienības.
• [ ] Es definēju vienības ar skaidriem mainīgajiem koda augšdaļā.
• [ ] Datu apstrādes posmos es izdrukāju rindu skaitu un pārbaudīju kluso zudumu.
• [ ] Es pārbaudīju kodu, izmantojot testa gadījumu ar zināmu atbildi.
• [ ] Es pārbaudīju izvades fizisko ticamību (negatīvo/absurdo vērtību).
• [ ] Es izmantoju AI kā paātrinātāju; Es saglabāju godīgumu un atbildību.

Moduļa eksāmens

1. Strādājot ar mākslīgā intelekta rīku kā materiālu inženierim, galīgā atbildība par to, kura no tālāk minētajām lietām vienmēr ir jāuzņemas cilvēkam (juridiskajam inženierim)?

• A) Daļas piemērotības servisam apstiprināšana un parakstīšana ✔
• B) Bojājumu ziņojuma pirmā projekta sagatavošana
• C) Mikrostruktūras grafika asu etiķešu rediģēšana
• D) Metalurģijas terminu glosārija sagatavošana prezentācijai

Apraksts: AI; Tas var paātrināt tādus uzdevumus kā koncepcijas precizēšana, ziņojuma sastādīšana, hipotēžu saraksts un koda skelets. Taču detaļas piemērotības apstiprināšana servisam/lidojumam ir lēmums, kura rezultātā tiek nodrošināta dzīvības un īpašuma drošība; nevar nodot AI bez akreditētas pārbaudes un pilnvarota inženiera apstiprinājuma.

2. Jūs jautājat AI par AISI 4140 tērauda tecēšanas robežu, kad tas ir rūdīts un rūdīts 200 °C temperatūrā, un viņš atbildēja: “Noteikti 1500 MPa”. Kāda ir pirmā pareizā darbība?

• A) Ievietojiet vērtību tieši dizaina kontā, jo AI šķiet pārliecināts
• B) Vērtības pārbaude ar materiāla datu lapu/dzirnavu sertifikātu un, ja nepieciešams, stiepes testu, nepaļaujoties uz viena punkta vērtību ✔
• C) Nejauši pazeminot vērtību, lai paliktu drošā pusē
• D) Pieņemiet vērtību un pārejiet tieši uz termiskās apstrādes recepti

Paskaidrojums: Valodas modeļi var pārliecinoši safabricēt nepamatotus skaitļus (halucinācijas). Ražas spēks; Tas atšķiras plašā diapazonā atkarībā no rūdīšanas temperatūras, sekcijas biezuma un rūdāmības. Vērtība ir jāiegūst no dzirnavu sertifikāta vai stiepes testa saskaņā ar standartu, nevis projektā jāiekļauj viena punkta AI izvade.

3. Izmantojot mašīnmācīšanās modeli, kas paredz tērauda īpašības, AI radīja sakausējuma “drošu” vērtību, kas ir krietni ārpus sastāva diapazona apmācības datos. Kāda ir galvenā problēma ar šo izvadi?

• A) Modelis vienmēr dod rezultātus procentos, MPa ir nepareizs
• B) Prognoze nav uzticama, jo tā tiek veikta ārpus apmācības datu diapazona (ekstrapolācija), un tā ir jāpārbauda eksperimentā ✔
• C) Modelis darbojas tikai nerūsējošajam tēraudam
• D) Modeļa izvade vienmēr ir tieši divreiz lielāka par faktisko vērtību

Paskaidrojums: Mašīnmācīšanās modeļi saprātīgi darbojas apmācību datu diapazonā (interpolācija); Atrodoties ārpus šī diapazona (ekstrapolācija), prognozes kļūst neuzticamas, un modelis bieži to neuzrāda. Vērtību, kas ģenerēta punktā ārpus apmācības datu sadalījuma, nevar izmantot bez eksperimentālas validācijas.

4. Jūs izmantojāt AI, lai aprēķinātu fāzu attiecību divfāzu sakausējumā. Kāda ievade AI pareizi jāizmanto, piemērojot “sviras noteikumu”?

• A) tikai temperatūra; kombinācijas nav vajadzīgas
• B) Tikai sakausējuma blīvums
• C) Kopējais sakausējuma sastāvs ar fāzes robežsastāviem attiecīgajā temperatūrā ✔
• D) Tikai kušanas temperatūra

Paskaidrojums: Sviras noteikums norāda fāzes lielumus, izmantojot attālumus starp fāzes robežsastāviem (piemēram, cietās un šķidrās fāzes sastāvu) un sakausējuma kopējo sastāvu noteiktā temperatūrā. Ja fāzu robežu kombinācijas tiek nolasītas nepareizi, attiecība būs pilnīgi nepareiza; Tāpēc vērtību apstiprināšana no fāzes diagrammas ir obligāta.

5. Jūs izmērījāt graudu izmēru no mikrostruktūras, izmantojot AI darbinātu attēla apstrādes plūsmu, taču aizmirsāt kalibrēt mēroga joslu uz pikseļiem. Kāpēc rezultāts ir neuzticams?

• A) Visi izmēru mērījumi ir nepareizā mērogā, jo netika veikta pikseļu garuma kalibrēšana ✔
• B) Mērījums ir izkropļots, jo tiek izmantots krāsains attēls
• C) Graudu izmēru var izmērīt tikai ar SEM, optiskā mikroskopija ir neprecīza
• D) Mērīšana nav nepieciešama, jo attēla izšķirtspēja ir augsta

Apraksts: kvantitatīvā metalogrāfijā katrs pikselis atbilst garumam; Ja šī transformācija netiek kalibrēta ar skalas joslu, visi izmēru mērījumi, piemēram, graudu izmērs, fāzes attiecība un porainība, tiks parādīti nepareizā mērogā. Kalibrēšana ir pirmais un obligātais uz attēlu balstītā mērījuma solis.

6. AI ieteica termiskās apstrādes recepti (austenitizācija + rūdīšana + rūdīšana), lai sasniegtu tērauda mērķa cietību. Kāds ir labākais solis pirms receptes piemērošanas?

• A) Receptes izmantošana tieši masveida ražošanā
• B) Uzklājiet recepti uz izmēģinājuma gabala, izmēriet cietību/mikrostruktūru un salīdziniet to ar standarta ✔
• C) Vienkārši nejauši palieliniet rūdīšanas temperatūru drošā pusē
• D) Labot un apstiprināt tikai receptes pareizrakstību

Apraksts: Termiskās apstrādes rezultātā; Daļas sekcijas biezums, rūdāmība (Jominy) ļoti atšķiras atkarībā no krāsns un dzesēšanas vides realitātes. AI sniegtā recepte ir sākotnējā hipotēze; Tas jāpārbauda, ​​uzklājot to uz izmēģinājuma gabala un izmērot cietību un mikrostruktūru un salīdzinot to ar standartu.

7. Jūs prasījāt AI ASTM standarta “īpašās vielas numuru” materiāla robežvērtībai, un tā atbildēja ar precīzu vērtību. Kāda ir pareizā inženierijas uzvedība?

• A) Vērtības ierakstīšana tieši pārskatā, jo AI ir atjaunināta
• B) Vērtības maiņa nejauši, lai paliktu drošā pusē
• C) Pārbaudiet vielas numuru, versiju un vērtību no oficiālā un pašreizējā standarta teksta ✔
• D) preces numura pievienošana atbilstības failam, to nepārbaudot

Paskaidrojums. Pat ja valodu modeļi pareizi zina standarta nosaukumu, tie var nepareizi atcerēties vai izveidot raksta numuru, versiju un pārtraukuma punktu. Saistošajos laukos, piemēram, ASTM/ISO/EN, katrai vielai un vērtībai jābūt verbatiskai no oficiālā un pašreizējā avota; AI izvade tikai parāda, kur meklēt.

8. Jūs parādījāt MI uzlauztas skrūves virsmas fotoattēlu un saņēmāt atbildi "tas noteikti ir noguruma lūzums". Kāda ir pareizā pieeja pamatcēloņu analīzei?

• A) Diagnozes ierakstīšana tieši ziņojumā, jo AI runā precīzi
• B) Vienkārši palieliniet fotoattēla izšķirtspēju un apstipriniet diagnozi
• C) Jaunas daļas uzstādīšana, nepārbaudot salauzto virsmu
• D) Apstipriniet diagnozi kā hipotēzi ar fraktogrāfiju, lādiņu vēsturi un mikrostruktūras pierādījumiem ✔

Apraksts: Salauztas virsmas interpretācija; Fraktogrāfija (svītras, pludmales līnijas, bedrīšu/šķelšanās atdalīšana ar SEM) prasa kopā ņemt vērā slodzes vēsturi, vidi un mikrostruktūras pierādījumus. Galīgā diagnoze, ko AI veic no viena fotoattēla, ir hipotēze; Galvenais cēlonis nevar tikt paziņots bez apstiprinājuma ar laboratorijas izmeklējumiem.

9. AI piešķīra maksimumu konkrētai fāzei XRD (rentgenstaru difrakcijas) shēmā. Kāda ir vispiemērotākā metode, lai fāzes identificēšana būtu uzticama?

• A) Pīķa saskaņošana ar atsauces modeļu datubāzi (piemēram, PDF kartēm) un pārklāšanās un artefaktu pārbaude ✔
• B) Uzdevuma pieņemšana tieši, jo AI saka fāzes nosaukumu
• C) Ņemot vērā tikai augstāko virsotni un ignorējot pārējo
• D) Izkrāso rakstu un padari to vizuāli skaistu

Apraksts: XRD fāzes identifikācija tiek veikta, saskaņojot izmērītās maksimuma pozīcijas un intensitāti ar zināmiem atsauces modeļiem (piemēram, ICDD/PDF kartes). Viena pīķa piešķiršana atsevišķi ir maldinoša; jāņem vērā virsotnes, kas pārklājas, preferenciālā orientācija un fona artefakti, un piešķiršana jāapstiprina ar atsauces datubāzi.

10. AI sagatavotajā bojājumu/pārbaudes ziņojuma projektā ir tehniskas vērtības, kas ir mainīgas, bet nezināmas izcelsmes. Kāda ir pareizā uzvedība?

• A) Ziņojuma prezentēšana tādu, kāds tas ir, jo teksts ir raiti
• B) Vērtību noapaļošana un spīdēšana
• C) Vienkārši izlasiet kopsavilkumu un izlaidiet pārējo
• D) Saskaņojiet katru vērtību ar sākotnējo mērījumu/avotu un noņemiet neapstiprināto ✔

Apraksts: Katra tehniskā vērtība ziņojumā; Tam jābūt izsekojamam līdz mērījumiem, kalibrētas ierīces ierakstiem, standarta vai ražotāja datiem. Pat ja tā ir vērtība tekošā teikumā, pārskatā vai lēmuma pamatā nav jāiekļauj neviens skaitlis, kura avots nav pārbaudīts; Pretējā gadījumā dokumentam, kas rada atbildību, tiek pārnesta fiktīva vērtība.

11. Kāds ir labākais solis, pirms tiek izmantots mākslīgā intelekta ģenerēts Python aprēķins (piem., Hola-Peča attiecība graudu izmēra un ražas stiprumam)?

• A) Koda lietošana tieši faktiskajiem ražošanas datiem
• B) Vienkārši pārliecinieties, ka kods izskatās īss un glīts
• C) Palaidiet kodu testa scenārijā ar zināmiem rezultātiem un pārbaudiet vienības un izvadi ✔
• D) koda daļas dzēšana, lai to saīsinātu

Paskaidrojums: Kods var šķist pareizs, bet dot nepareizu rezultātu: var būt vienības kļūda, nepareizs koeficients vai formulas kļūda. Palaižot kodu nelielā testa gadījumā, kad jūs zināt rezultātu ar roku un salīdzinot to ar paredzamo rezultātu un pārbaudot vienības, kļūda tiek uztverta, pirms tā tiek pārnesta uz faktisko lēmumu.

12. Jūs vēlaties ielīmēt sava uzņēmuma vēl nepatentēto sakausējuma recepti un procesa parametrus publiski pieejamā AI rīkā un pieprasīt analīzi. Kura ir vispareizākā pieeja?

• A) Ielīmējiet recepti, lai tā būtu ātrāka
• B) Pietiek tikai izdzēst uzņēmuma nosaukumu un kopīgot visus atlikušos parametrus.
• C) Kopīgojiet datus un pēc tam lūdziet AI tos dzēst
• D) Institucionālās politikas pārbaude un datu anonimizācija vai droša/institucionāla rīka izmantošana ✔

Apraksts: sakausējuma recepte, procesa parametri un klientu specifikācijas ir komercnoslēpums un intelektuālā īpašuma jutīgums. Pirms datu kopīgošanas ir jāpārbauda uzņēmuma politika, jāanonimizē tā vai jāizmanto institucionāls/uz vietas rīks, kas neizsūta datus.

13. Ar AI darbināma SPC (statistiskā procesa kontroles) sistēma atzīmēja, ka ražošanas partijā ir pārsniegts kontroles diagrammas ierobežojums. Kāda ir pareizā inženierijas uzvedība?

• A) Ignorējiet brīdinājumu un turpiniet ražošanu
• B) Kontroles robežu paplašināšana, lai nerastos brīdinājums
• C) Uzskatiet brīdinājumu par sprūda, apstipriniet mērījumu, izpētiet galveno cēloni un izlemiet pēc pieņemšanas kritērijiem ✔
• D) Tieša visas partijas nodošana metāllūžņos bez mērīšanas

Paskaidrojums: Kontrolkartes limita pārsniegšana ir brīdinājums; Galvenais iemesls nav automātiski acīmredzams. Tā varētu būt mērījumu kļūda, paraugu ņemšanas problēma vai faktiska procesa novirze. Pareizā pieeja ir uzskatīt brīdinājumu par izraisītāju, apstiprināt mērījumu, izpētīt galveno cēloni un pieņemt lēmumu, pamatojoties uz pieņemšanas kritērijiem un NDT/pārbaudes rezultātu.

14. Ar mākslīgā intelekta palīdzību veikta attēla novērtēšana liešanas daļā atzīmēja zonu kā “pieņemamu”. Kāda ir pareizā pieeja drošībai svarīgai daļai?

• A) AI provizoriskā novērtējuma uzskatīšana par pārbaudes rīku un galīgās pieņemšanas saistīšana ar NDT rezultātu un pilnvaroto apstiprinājumu ✔
• B) Uzskatiet AI novērtējumu par galīgo akceptu un apstipriniet daļu
• C) Pāriet uz nākamo procesu, nepārbaudot daļu vispār
• D) Pietiek tikai vizuāli pārbaudīt detaļas virsmu.

Apraksts: Liešanas iekšējie defekti (porainība, saraušanās, ieslēgumi) bieži ir neredzami no virsmas un tiek novērtēti ar nesagraujošo testēšanu (NDT: radiogrāfija, ultraskaņa). Sākotnējais novērtējums, ko AI sniedz, izmantojot attēlu, ir skrīninga rīks; Drošībai kritiskās daļas galīgā akceptēšana tiek sniegta ar NDT un autorizētas pārbaudes apstiprinājumu saskaņā ar standartu.