Добивки:
- Способност за производство и разбирање на кодот што ги чисти, анализира и визуелизира металуршките податоци со Python, со поддршка за вештачка интелигенција
- Способност да се воспостави навика за проверка на кодот генериран од вештачка интелигенција со проверка на единицата, тест случај и физичка веродостојност
- Холистичко разбирање на границите од крај до крај, одговорноста и етичката рамка на вештачката интелигенција во металургијата
Металуршката работа се повеќе се врши со повеќе податоци: стотици резултати од тестот за истегнување, илјадници мерења на SPC, записи од печката за термичка обработка, излези од карактеризација. Бркањето на овие податоци рачно во Excel е бавно и склоно кон грешки; Python (заеднички програмски јазик за анализа на податоци и научно пресметување) го прави ова повторливо, може да се ревидира и автоматски. Вештачката интелигенција е многу моќна во пишување, дебагирање и објаснување на кодот на Python - но кодот што го произведува може да изгледа правилно, но да даде погрешен резултат: грешка во единицата, погрешен коефициент, тивко губење на податоци. Во оваа последна единица, ќе научите како да ги анализирате металуршките податоци со поддршка за вештачка интелигенција во Python и да го потврдите секој код, а потоа холистички да ги заокружите границите на вештачката интелигенција, одговорноста и етичката рамка опфатени низ целиот модул.
Типични задачи во металуршката анализа на податоци
Вообичаени задачи со поддршка за вештачка интелигенција во Python:
- Чистење податоци: Недостасува вредност, збунетост на единицата (MPa наспроти ksi), отстранување на оддалеченост. Валканите податоци ја расипуваат и најдобрата анализа.
- Визуелизација: Цртање крива на истегнување, контролна табела, дистрибуција на големината на зрната, профил температура-време.
- Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
- Автоматизација: Сериска обработка на голем број датотеки и производство на збирни табели/извештаи.
Врската Hall-Petch е добар пример овде: јачината на приносот се зголемува обратно пропорционално на квадратниот корен на дијаметарот на зрното. ВИ може да ја преведе оваа формула во код; Но, дали користите d како микрометар или метар и која единица ја користите за k коефициентот целосно го менува резултатот. Точноста на кодот не лежи во меморирање на формулата, туку во потврдување на единиците и тест случај.
Совет: Не заборавајте да вклучите „познат тест за одговор“ во секоја сметка што ја пишува вештачката интелигенција. Наведете мал влез чиј резултат го знаете рачно (на пр. очекувана јачина за d = 100 µm); Ако кодот ја дава таа вредност, можете да му верувате; ако не, грешката е скриена.
Чекор по чекор: Безбеден тек на анализа со вештачка интелигенција
- Опишете ја задачата и податоците: Која датотека, кои колони, кои единици, што ќе се пресмета?
- Побарајте скелет за код: Прашајте ја вештачката интелигенција за коментиран, поделен скелет; Дефинирајте единици со експлицитни променливи на врвот.
- Тест со мали податоци: прво стартувајте со неколку редови/познати вредности; Проверете го резултатот рачно.
- Единица и гранична контрола: Дали излезот е физички разумен? Дали има некоја глупост како негативна сила, стапка од 120%?
- Визуелизирајте и погледнете: Дали графикот го покажува очекуваниот тренд? Дали се грешките на податоците за оддалеченоста?
- Потврдете и документирајте: Споредете го резултатот со независна пресметка/стандард; Коментирајте го кодот и претпоставките.
Табела за проверка на код за вештачка интелигенција
Ризик
симптом
Контролен метод
Грешка во единицата
Резултатот е 1000 пати изопачен
Дефинирајте единици во експлицитна променлива, контрола на големината
Неточен коефициент/формула
Разумна, но погрешна вредност
Тест сценарио со познати одговори
Тивко губење на податоци
Бројот на редови е помал од очекуваното
Печатете го бројот на редови пред/по обработката
надворешно искривување
просечен кајак
Визуелизирајте со графикон, погледнете ја распределбата
Преоптоварување (халуцинаторна библиотека)
непостоечка функција
Стартувај, грешка во читањето, погледни ја документацијата
три мини футроли
Случај 1 - Грешка со скриен волумен. Инженер бара код од AI за пресметка на Hall-Petch; Шифрата очекува дијаметар на зрното во метри, но инженерот внесува микрометри. Резултатот е 1000 пати перверзен, но не се забележува на прв поглед бидејќи изгледа како „бројка“. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Лекција: Тестирањето со познат одговор открива грешка во единицата за неколку секунди.
Случај 2 - Тивко губење на податоци. Тим чисти 500 резултати од тестот за повлекување со код напишан со вештачка интелигенција; Додека кодот ги исфрла редовите со вредности што недостасуваат, исто така случајно отфрла некои од важечките редови, оставајќи 300 редови. Просечната јачина е поголема од очекуваната, бидејќи серијата со ниска вредност е елиминирана. Кога тимот ќе го отпечати бројот на редови пред/по обработката, тие гледаат дека 200 редови тивко исчезнале и го поправаат филтерот. Лекција: печатењето на бројот на редови на секој чекор на обработка на податоци фаќа тивки загуби.
Случај 3 - Правилна употреба, повторлив извештај. Квалитетниот тим мора да обработи десетици записи од печката и да произведува збирни извештаи секоја недела. Бара од вештачката интелигенција да напише коментирана скрипта што ги чита датотеките на големо и произведува графикони и табели за резиме. Тимот го тестира кодот со неколку познати датотеки, го потврдува бројот на единици и линии, визуелно го проверува излезниот графикон. Потоа ја користи скриптата неделно; Работните часови се сведени на минути и работат на ист, ревизорски начин секоја недела. ВИ овозможи повторлива автоматизација, потврди тимот.
Шаблони за копирање на брзините
шаблон за КОДСКИ СКЕЛЕТ"Улога: Вие сте помошник за шифри за анализа на податоци за металургијата. Задача: [на пр. прочитајте ги резултатите од цртежот од CSV и просечната јачина на издашноста]. Податоци: [датотека, колони, ЕДИНИЦИ]. напишете коментиран скелет со панди: (1) дефинирајте ги единиците во отворена 2) и исчистете ги податоците од горната страна, отпечатете го бројот на редови ПОВТОРНО, (4) направете ја пресметката, (5) отпечатете го резултатот и додајте коментари на секој чекор.
ПОЗНАТ ШАБОР ЗА ТЕСТ ЗА ОДГОВОРИ"Напишете „тест за познат одговор“ за следнава функција: [функција]. Изберете мал влез чиј резултат може да се пресмета рачно, коментирајте го очекуваниот резултат и проверете го со тврдење.
ПРЕГЛЕД НА КОД / ОБРАБОТ ЗА ДЕБРАБИЧКИ "Испитајте го следниов код: [шифра]. Проверете и означете го следново: (1) конзистентност на јачината на звукот, (2) ризик од тивко губење на податоци, (3) надворешно влијание, (4) физички невозможен излез (негативна јачина, стапка >100%). Напишете како да потврдите за секој ризик. Не потврдувајте го кодот како "непотврден".
ШАБОР ЗА ВИЗУАЛИЗАЦИЈА"зацртај [крива на истегнување / контролен заплет / дистрибуција] со matplotlib. Додајте ЕДИНИЦИ на етикетите на оските, ставете наслов и мрежа. Обележете ги оддалечените делови поинаку. Имајте предвид дека треба визуелно да ја прегледам заплетот и да го потврдам очекуваниот тренд (на пр., зголемување на напрегањето). Не кријте никакви точки за да ги „разубавите“ податоците."
Слаб промпт / Силен промпт
СЛАБ ПРЕТСТАВ: „Напиши ми код што врши пресметка на Hall-Petch“.
STRONG PROMPT:"Улога: Вие сте асистент на код за металуршка анализа на податоци. Напишете функција на Python за да пресметате Hall-Petch(σy = σ0 + k·d^(-1/2)). Единици: d микрометар, σ0 и σy MPa, k MPa·µm^(1/2). Свртете ја рачно очекуваната функција на единицата и коментарот 10. µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 и тестирајте со потврда за проверка (σy не може да биде негативен).
Слабиот промпт произведува код кој нема единица и тестирање и може тивко да тргне наопаку. Силните потсетници јасно ги дефинираат единиците, спроведуваат конверзија, бараат тестирање со познат одговор и проверка на веродостојноста - правејќи го кодот проверлив.
Холистичко резиме на модулот: Местото и границите на ВИ во металургијата
Во текот на овој модул се повторуваше единствен принцип: ВИ е асистент, а не носител на одлуки. Низ дванаесет единици, користевме вештачка интелигенција од крај до крај, од избор на материјал до предвидување на својствата, фазна анализа до микроструктура, термичка обработка до изработка, контрола на квалитетот до анализа на оштетување, карактеризација до стандардизација и анализа на Пајтон. Во секоја единица, вештачката интелигенција објаснуваше концепти, генерираше хипотези, пишуваше нацрти и кодови - но во ниту една единица не ја донесе одлуката сама. Границите беа јасни: халуцинација (составен број и стандард), неделегирање на безбедносно-критична одговорност, зависност од квалитетот на податоците и мерење/калибрација, ризик од екстраполација и доверливост. Дисциплината на верификација отсекогаш останала кај луѓето во триаголникот стандардна лабораторија-сметка.
Вообичаени грешки
- Примена на кодот на вистински податоци без тестирање со познати одговори.
- Не дефинирање на единици јасно; Со поглед на конфузијата MPa/ksi, µm/m.
- Не се печати бројот на редови за време на чекорите за обработка на податоци и не се забележува тивко губење.
- Потпирајќи се на средната вредност без да се визуелизираат оддалечените.
- Прифаќање на непостоечката библиотека/функција составена од ВИ без да се изврши.
- Претпоставувајќи дека кодот е точен бидејќи „се чини дека функционира“; неуспех да се провери физичката веродостојност.
Сумирано
ВИ во металуршката анализа на податоци со Python е моќен акцелератор за кодирање, дебагирање и автоматизација; но кодот што го произведува може да носи единечни грешки, неточни коефициенти и тивко губење на податоци. Потврдете го секој код со тестирање со познати одговори, проверка на единицата, следење на бројот на линии и физичка веродостојност. Овде, како и во целиот модул, вештачката интелигенција е асистент: обезбедува брзина и организација, точноста и одговорноста да ги преземе овластениот инженер. Во безбедносните критични металуршки одлуки, излезот на вештачката интелигенција никогаш не е замена за стандарди, експерименти, пресметки и одобрение од компетентни инженери.
Задача за апликација
Изберете металуршка пресметка (на пр. Hall-Petch или просек на податоци за истегнување). Со шаблонот „КОДСКИ СКЕЛЕТ“, побарајте од вештачката интелигенција коментиран код што го печати бројот на линии со експлицитни единици. Потоа додадете сценарио за тестирање каде што рачно го знаете резултатот со шаблонот „ПОЗНАТ ТЕСТ ЗА ОДГОВОР“ и стартувајте го. Ако кодот не ја даде очекуваната вредност, пронајдете ја грешката (единица, коефициент, податоци) и поправете ја. Конечно, напишете за дисциплината за проверка на вештачката интелигенција што ја научивте во овој модул со тоа што ќе ја прилагодите на вашиот сопствен бизнис во три статии.
листа за проверка
- [ ] Јасно ги дефинирав задачата, податоците и единиците на вештачката интелигенција.
- [ ] Ги дефинирав единиците со експлицитни променливи на врвот на кодот.
- [ ] Во чекорите за обработка на податоци, го испечатив бројот на редови и ја проверив тивката загуба.
- [ ] Го потврдив кодот со тест случај со познат одговор.
- [ ] Ја проверив физичката веродостојност (негативна/апсурдна вредност) на излезот.
- [ ] Ја користев вештачката интелигенција како акцелератор; Ги задржав интегритетот и одговорноста.
Модул испит
1. Кога работите со алатка за вештачка интелигенција како инженер за материјали, крајната одговорност за кое од следниве треба секогаш да остане кај човекот (правен инженер)?
- А) Одобрување и потпишување на соодветноста на дел за сервисирање ✔
- Б) Подготовка на првиот нацрт на извештај за штета
- В) Уредување на етикетите на оските на графиконот на микроструктура
- Г) Подготовка на речник на металуршки термини за презентација
Опис: ВИ; Може да ги забрза задачите како што се појаснување на концептот, изготвување извештаи, листа на хипотези и скелет на кодови. Меѓутоа, одобрувањето на соодветноста на дел за сервис/лет е одлука што резултира со безбедност на животот и имотот; не може да се префрли на вештачка интелигенција без акредитирано тестирање и овластено инженерско одобрение.
2. Ја прашавте АИ за јачината на отстапување на челикот AISI 4140 при гаснење и калење на 200 °C, а тој одговори „сигурно 1500 MPa“. Која е првата правилна акција што треба да се преземе?
- А) Ставете ја вредноста директно во дизајнерската сметка бидејќи вештачката интелигенција изгледа сигурна
- Б) Потврдување на вредноста со лист со податоци за материјалот/сертификат за мелница и тест на истегнување доколку е потребно, не потпирајќи се на вредност од една точка ✔
- В) Случајно намалување на вредноста за да остане на безбедната страна
- Г) Прифатете ја вредноста и преминете директно на рецептот за термичка обработка
Објаснување: Јазичните модели можат убедливо да измислуваат неосновани броеви (халуцинации). Јачина на принос; Таа варира во широк опсег во зависност од температурата на калење, дебелината на делот и стврднувањето. Неопходно е да се добие вредноста од сертификатот за мелница или од тестот за истегнување во согласност со стандардот, а во дизајнот да не се вклучи ниту една точка AI излез.
3. Со моделот на машинско учење кој предвидува својство на челик, вештачката интелигенција произведе „безбедна“ вредност за легура која е надвор од опсегот на составот во податоците за обуката. Кој е главниот проблем со овој излез?
- А) Моделот секогаш дава резултати во проценти, MPa е погрешен
- Б) Предвидувањето е несигурно бидејќи е направено надвор од опсегот на податоци за обука (екстраполација) и мора да се потврди со експеримент ✔
- В) Моделот работи само за нерѓосувачки челици
- Г) Излезот на моделот е секогаш точно двојно поголем од реалната вредност
Објаснување: Моделите за машинско учење работат разумно во опсегот на податоци за обука (интерполација); Кога е надвор од овој опсег (екстраполација), предвидувањата стануваат неверодостојни и моделот често не го покажува тоа. Вредноста генерирана во точка надвор од дистрибуцијата на податоци за обука не може да се користи без експериментална валидација.
4. Применивте вештачка интелигенција за да го пресметате соодносот на фази во двофазна легура. Кој влез треба правилно да го користи вештачката интелигенција кога се применува „правилото за лост“?
- А) Само температура; комбинациите се непотребни
- Б) Само густината на легурата
- В) Вкупен состав на легурата со фазни гранични состави на соодветната температура ✔
- Г) Само температурата на топење
Објаснување: Правилото на лостот ги дава фазните количини користејќи ги растојанијата помеѓу составите на фазните граници (на пр. составите на цврстата и течната фаза) и вкупниот состав на легурата на дадена температура. Ако комбинациите на границите на фазите се читаат погрешно, односот ќе биде целосно погрешен; Затоа, потврдата на вредностите од фазниот дијаграм е задолжителна.
5. Ја измеривте големината на зрната од микроструктурата со проток на обработка на слика напојуван со вештачка интелигенција, но заборавивте да ја калибрирате лентата на скалата во пиксел. Зошто резултатот е несигурен?
- А) Сите димензионални мерења се на погрешна скала бидејќи не беше извршена калибрација на должината на пиксели ✔
- Б) Мерењето е искривено бидејќи се користи слика во боја
- В) Големината на зрната може да се мери само со SEM, оптичката микроскопија е неточна
- Г) Мерењето е непотребно бидејќи резолуцијата на сликата е висока
Опис: Во квантитативна металографија, секој пиксел одговара на должина; Ако оваа трансформација не се калибрира со лентата за скала, сите димензионални мерења како што се големината на зрната, односот на фазите и порозноста ќе се појават на погрешна скала. Калибрацијата е првиот и задолжителен чекор од мерењето базирано на слика.
6. АИ предложи рецепт за термичка обработка (устенитизирање + гаснење + калење) за да се постигне целна цврстина за челик. Кој е најдобриот чекор пред да го примените рецептот?
- А) Примена на рецептот директно за масовно производство
- Б) Нанесете го рецептот на пробното парче, измерете ја цврстината/микроструктурата и споредете ја со стандардната ✔
- В) Само случајно зголемете ја температурата на калење на безбедната страна
- Г) Исправување и одобрување само на правописот на рецептот
Опис: Како резултат на термичка обработка; Дебелината на делот, стврднувањето (Jominy) силно варираат во зависност од реалноста на печката и околината за ладење. Рецептот даден од АИ е почетна хипотеза; Треба да се потврди со нанесување на пробното парче и мерење на тврдоста и микроструктурата и споредување со стандардот.
7. Побаравте од АИ „специфичен број на супстанција“ од стандардот ASTM за гранична вредност на материјалот и таа одговори со точна вредност. Кое е правилното инженерско однесување?
- А) Запишување на вредноста директно во извештајот бидејќи вештачката интелигенција е ажурирана
- Б) Промена на вредноста по случаен избор за да остане на безбедната страна
- В) Потврдете го бројот, верзијата и вредноста на супстанцијата од официјалниот и тековниот стандарден текст ✔
- Г) Додавање на бројот на ставката во датотеката за усогласеност без да се провери
Објаснување: Дури и ако моделите на јазици правилно го знаат стандардното име, тие може погрешно да го запомнат или да го сочинуваат бројот, верзијата и точката на прекин на статијата. Во обврзувачките полиња како што се ASTM/ISO/EN, секоја супстанција и вредност мора да се проверат дословно од официјалниот и тековниот извор; Излезот за вештачка интелигенција покажува само каде да се погледне.
8. Ја покажавте фотографијата од скршената површина на завртката на вештачката интелигенција и добивте одговор „ова дефинитивно е фрактура од замор“. Кој е правилниот пристап кон анализата на основната причина?
- А) Директно запишување на дијагнозата во извештајот бидејќи вештачката интелигенција зборува прецизно
- Б) Само зголемете ја резолуцијата на фотографијата и потврдете ја дијагнозата
- В) Инсталирање на нов дел без испитување на скршената површина
- Г) Потврдете ја дијагнозата како хипотеза со фрактографија, историја на полнење и докази за микроструктура ✔
Опис: Толкување на скршена површина; Фрактографијата (стрикција, линии на плажа, раздвојување на дупчиња/расцепи со SEM) бара разгледување на историјата на оптоварување, животната средина и доказите за микроструктурата заедно. Дефинитивната дијагноза што АИ ја поставува од една фотографија е хипотеза; Основната причина не може да се наведе без потврда со лабораториски наоди.
9. AI додели врв на одредена фаза во шема на XRD (дифракција на Х-зраци). Кој е најсоодветниот метод за да се направи веродостојна идентификација на фази?
- А) Усогласување на врвот со базата на податоци за референтни шеми (на пр., PDF картички) и проверка за преклопување и артефакти ✔
- Б) Директно прифаќање на задачата бидејќи вештачката интелигенција го кажува името на фазата
- В) Разгледување само на највисокиот врв и игнорирање на останатите
- Г) Обојте ја шемата и направете ја визуелно убава
Опис: Идентификацијата на XRD фазата се врши со усогласување на измерените позиции и интензитети на врвот со познати референтни обрасци (на пр., ICDD/PDF картички). Доделувањето на единствен врв во изолација е погрешно; Треба да се земат предвид преклопувачките врвови, преференцијалната ориентација и артефактите во заднина и да се потврди задачата со референтната база на податоци.
10. Нацрт извештајот за оштетување/инспекција подготвен од АИ содржи технички вредности кои се течни, но од непознато потекло. Кое е правилното однесување?
- А) Презентирање на извештајот како што е затоа што текстот е течен
- Б) Заокружување и сјај на вредностите
- В) Само прочитајте го извршното резиме и прескокнете го остатокот
- Г) Поврзете ја секоја вредност со оригиналното мерење/извор и отстранете го непотврденото ✔
Опис: Секоја техничка вредност во извештајот; Мора да може да се следи до мерење, калибриран запис на уредот, стандардни податоци или податоци од производителот. Дури и ако тоа е вредност во течна реченица, ниеден број чиј извор не е потврден не треба да биде вклучен во извештајот или основата на одлуката; Во спротивно, фиктивна вредност се пренесува на документот што создава одговорност.
11. Кој е најдобриот чекор пред да користите пресметка на Python генерирана од вештачка интелигенција (на пр., односот Hall-Petch за големината на зрното и јачината на приносот)?
- А) Примена на кодот директно на фактичките податоци за производство
- Б) Само проверете дали кодот изгледа краток и уреден
- В) Извршете го кодот во тест сценарио со познати резултати и потврдете ги единиците и излезот ✔
- Г) Бришење на дел од кодот за да се скрати
Објаснување: кодот може да изгледа како точен, но да даде погрешен резултат: може да има грешка во единицата, неточен коефициент или грешка во формулата. Вклучувањето на кодот во мал тест случај каде што рачно го знаете исходот и споредувајќи го со очекуваниот излез и проверката на единиците, ја открива грешката пред да се пренесе на вистинската одлука.
12. Сакате да го залепите сè уште непатентираниот рецепт за легура на вашата компанија и параметрите на процесот во јавно достапна алатка за вештачка интелигенција и анализа на барањето. Кој е најправилниот пристап?
- А) Залепете го рецептот како што е за да биде побрз
- Б) Доволно е само да го избришете името на компанијата и да ги споделите сите преостанати параметри.
- В) Споделување на податоците и потоа барање од вештачката интелигенција да ги избрише
- Г) Проверка на институционалната политика и анонимизирање на податоците или користење безбедна/институционална алатка ✔
Опис: Рецептот за легура, параметрите на процесот и спецификациите на клиентите се деловна тајна и чувствителни на интелектуална сопственост. Пред да ги споделите податоците, неопходно е да се провери корпоративната политика, да се анонимизира или да се користи институционална/на лице место алатка која не ги испраќа податоците.
13. Системот SPC (статистичка контрола на процесот) напојуван со вештачка интелигенција означи дека е надмината граница на контролниот графикон во производна серија. Кое е правилното инженерско однесување?
- А) Игнорирајте го предупредувањето и продолжете со производството
- Б) Проширување на контролните граници за да нема предупредување
- В) Сметајте го предупредувањето како активирач, потврдете го мерењето, истражете ја основната причина и одлучете со критериуми за прифаќање ✔
- Г) Директно отфрлање на целата серија без мерење
Објаснување: Надминувањето на границата на контролната табела е предупредување; Главната причина не е автоматски очигледна. Тоа може да биде грешка при мерењето, проблем со земање примероци или вистински летање на процесот. Точниот пристап е да се смета предупредувањето како активирач, да се потврди мерењето, да се истражи основната причина и да се донесе одлука врз основа на критериумите за прифаќање и НДТ/резултатот од испитувањето.
14. Проценката на сликата со помош на вештачка интелигенција на делот за леење ја означи зоната како „прифатлива“. Кој е вистинскиот пристап за безбедносно критичниот дел?
- А) Разгледување на прелиминарната евалуација на вештачката интелигенција како алатка за проверка и поврзување на конечното прифаќање со резултатот од НДТ и овластеното одобрување ✔
- Б) Сметајте ја евалуацијата на вештачката интелигенција како конечно прифаќање и одобрувајте го делот
- В) Премин на следниот процес без воопшто да го прегледате делот
- Г) Доволно е само визуелно да се провери површината на делот.
Опис: Внатрешните дефекти на лиење (порозност, собирање, подмножества) често се невидливи од површината и се оценуваат со недеструктивно тестирање (NDT: радиографија, ултразвук). Прелиминарната евалуација што вештачката интелигенција ја дава преку сликата е алатка за проверка; Конечното прифаќање на безбедносниот критичниот дел се дава со NDT и овластено одобрение за инспекција во согласност со стандардот.