Keuntungan:
- Keupayaan untuk mempercepatkan kajian pertukaran daripada keperluan misi kepada saiz pesawat/kapal angkasa konseptual dengan sokongan AI
- Keupayaan untuk melaksanakan penulisan keperluan, kebolehkesanan dan kawalan ketekalan dengan gesaan yang dikonfigurasikan
- Keupayaan untuk menghapuskan output yang tidak munasabah dengan mengesahkan silang titik reka bentuk yang dicadangkan AI dengan pengiraan tangan berasaskan fizik
Kapal terbang atau kapal angkasa dilahirkan daripada senarai keperluan, bukan pada papan lukisan. Ayat "Bawa beban sebanyak ini ke julat ini, pada kelajuan ini, pada kos ini" adalah benih reka bentuk yang akan bertahan selama bertahun-tahun akan datang. Reka bentuk konseptual (peringkat reka bentuk terawal di mana saiz kasar, berat dan konfigurasi kenderaan ditentukan dahulu) ialah proses mengekstrak bentuk awal daripada benih ini. Keputusan yang dibuat di sini adalah murah, tetapi kesannya adalah yang paling mahal: satu pilihan konsep yang salah boleh membuang berjuta-juta dolar reka bentuk terperinci.
Dalam unit ini, kami akan menggunakan kecerdasan buatan (AI) untuk meringankan tiga beban reka bentuk konsep: menterjemahkan permintaan tugasan yang samar-samar kepada keperluan yang boleh diukur, mengekalkan kebolehkesanan dan konsistensi antara keperluan, dan mempercepatkan analisis pertukaran antara pilihan reka bentuk yang bersaing. Tetapi mari kita susun prinsip kritikal dari awal: Setiap saiz, setiap anggaran berat yang dicadangkan AI semestinya disahkan silang oleh pengiraan tangan berasaskan fizik. AI ialah rakan kongsi sumbang saran dan perakaunan; tidak memiliki keputusan saiz.
Konsep: Keperluan: Satu pernyataan yang boleh disahkan yang mesti dipenuhi oleh alat. Kebolehkesanan: Rantaian rekod dari mana setiap keperluan datang dan dengan reka bentuk/ujian apa yang telah dipenuhi. Ruang dagangan: Set semua pilihan yang dicipta oleh pembolehubah reka bentuk boleh ubah. MTOW: Berat berlepas maksimum (Berat Berlepas Maksimum), jisim tertinggi yang boleh dilepaskan oleh kenderaan.
Daripada Keperluan Tugas kepada Keperluan: Langkah demi Langkah
Keperluan yang baik mempunyai tiga kualiti: tunggal (mengatakan satu perkara), boleh diukur (mengandungi nombor dan unit), dan boleh disahkan (jelas cara menyemaknya). "Pesawat itu mesti pantas" bukanlah satu keperluan; "Pesawat itu mesti mencapai kelajuan udara berkaliber 250 kt (KCAS) pada paras laut" adalah satu keperluan.
Langkah pertama ialah mengumpulkan permintaan pihak berkepentingan dan menyaringnya ke dalam draf keperluan dengan AI. Langkah kedua ialah menjadikan setiap keperluan boleh diukur: gantikan setiap kata sifat yang tidak jelas (“ringan,” “tahan lama,” “cekap”) dengan metrik dan ambang. Langkah ketiga ialah mencari percanggahan antara keperluan: julat dan muatan sering bersaing antara satu sama lain, AI dengan cepat membawa percanggahan ini ke permukaan. Langkah keempat ialah mewujudkan matriks kebolehkesanan: menjadualkan objektif tugas peringkat atas yang membawa kepada sub-keperluan yang mana.
Dari segi dimensi konsep, AI boleh mengingati kembali hubungan kejuruteraan yang diketahui (pecahan berat, nisbah tujah-kepada-berat, pemuatan sayap) dan mewujudkan rantaian awal pengiraan. Sebagai contoh, untuk pesawat penumpang, pecahan berat bahan api boleh dianggarkan dengan persamaan julat Breguet dan pecahan berat kosong boleh dianggarkan dengan hubungan statistik. Tetapi setiap pautan rantai ini disahkan dengan pengiraan tangan.
Petua: Semasa menulis keperluan, berikan AI secara jelas tugas untuk "menggantikan setiap kata sifat samar-samar dengan kaedah metrik, unit dan pengesahan." Model ini berfungsi dengan lebih berdisiplin apabila anda menyebut "buat boleh diukur" kenyataan tidak boleh disahkan seperti "mesra pengguna".
Mengkonfigurasi Analisis Tukar Ganti
Inti analisis trade-off adalah menyandingkan beberapa konfigurasi calon dengan kriteria yang sama. Alat klasik ialah matriks keputusan berwajaran: kriteria diberi wajaran kepentingan, setiap calon diberi markah pada setiap kriteria, jumlah wajaran diambil. AI dengan cepat membina matriks ini, tetapi berhati-hati terhadap dua perangkap: pemberat ialah pertimbangan kejuruteraan subjektif (tidak diserahkan kepada AI) dan markah mesti berdasarkan justifikasi fizikal (bukan dibuat-buat).
Kriteria (berat)
Konfigurasi. A: Sayap tinggi
Konfigurasi. B: Sayap rendah
Konfigurasi. C: Canard
Julat, km (0.30)
1200
1350
1250
Berat kerb, kg (0.25)
640
610
690
Kos pengeluaran (0.20)
sederhana
rendah
tinggi
Kestabilan (0.15)
tinggi
sederhana
sederhana
Kemudahan penyelenggaraan (0.10)
tinggi
sederhana
rendah
Anda boleh meminta AI membina jadual ini; Tetapi nombor julat dan berat mesti datang daripada pengiraan awal yang bebas, dan skor kualitatif seperti "kestabilan: tinggi" juga mesti dibenarkan. Kekuatan AI ialah ia menjadualkan sepuluh konfigurasi berbeza dalam beberapa minit dan melakukan analisis sentimen (bagaimana kedudukan berubah jika berat berubah).
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Saya sedang mereka bentuk pesawat latihan. Beritahu saya konfigurasi terbaik.
Gesaan kuat:
Peranan: Anda adalah perunding reka bentuk pesawat konseptual. Konteks: Kajian pertukaran awal untuk pesawat jurulatih dua tempat duduk (nilai mewakili): julat sasaran ~1000 km, kelajuan pelayaran ~55 m/s, muatan ~220 kg, keutamaan kos pengeluaran yang rendah. Tugasan:1) Cadangkan 3 konfigurasi calon (kedudukan sayap, jenis enjin).2) Sediakan jadual membandingkan setiap calon pada: julat, anggaran berat kosong, kos pengeluaran, kestabilan.3) Gunakan untuk anggaran berangka anda tulis hubungan dan andaian.Kekangan: Nyatakan hubungan statistik yang anda gunakan dalam anggaran berat anda; tulis unit; Jangan buat keputusan muktamad, kemukakan calon. Saya akan menimbang dan membuat keputusan muktamad sendiri.
Templat Gesaan Boleh Salin
Templat 1 — Menterjemah keperluan tugasan kepada keperluan yang boleh diukur:
Ubah permintaan pihak berkepentingan berikut kepada keperluan tunggal, boleh diukur dan boleh disahkan. Untuk setiap keperluan: metrik, unit, nilai ambang dan kaedah pengesahan yang dicadangkan (analisis/ujian/demonstrasi). Terjemah kata adjektif yang samar-samar ("ringan", "cepat") kepada nombor konkrit; Jika terdapat ketidakpastian, tanya maklumat yang anda perlukan. Permintaan: [senarai di sini]
Templat 2 — Matriks kebolehkesanan dan saringan konflik:
Ambil senarai keperluan ini dan: (a) bina jadual kebolehkesanan yang menghubungkan setiap keperluan dengan objektif tugas peringkat tinggi; (b) tandakan mana-mana pasangan keperluan yang bercanggah atau mencabar (cth. julat vs. muatan); (c) senaraikan keperluan yang hilang atau tidak boleh disahkan. Biarkan hasilnya menjadi jadual. Keperluan: [senarai di sini]
Templat 3 — Persediaan matriks keputusan berwajaran:
Bina rangka kerja matriks keputusan berwajaran untuk konfigurasi calon berikut. Jadikan baris kriteria dan lajur calon. Biarkan ruangan berat KOSONG (saya akan masukkan pemberat). Terangkan dalam nota berasingan justifikasi fizikal untuk skor yang anda akan letakkan dalam setiap sel; Jangan tulis nombor yang dibuat-buat, tandakan tempat yang anda teka sebagai "teka". Calon: [...] Kriteria: [...]
Templat 4 — Semak silang dimensi konseptual:
Periksa secara bebas hasil prasaiz berikut: MTOW, kawasan sayap, tujahan. (a) Kira beban sayap (W/S) dan bandingkan dengan julat biasa untuk kelas pesawat anda yang diberikan. (b) Kira nisbah tujahan kepada berat (T/W) dan bandingkan dengan julat biasa. (c) Beri amaran jika nilai berada di luar julat biasa dan tunjukkan kemungkinan ralat. Tulis semua unit secara eksplisit. Input: [nilai MTOW, S, T]
Kes Mini
Kes 1 — Pengesanan awal keperluan yang bercanggah. Dalam projek UAV, pihak berkepentingan mahukan "sekurang-kurangnya 8 jam masa siaran" dan "jumlah jisim maksimum 12 kg". Dengan mengukur dua keperluan dan menganggarkan belanjawan tenaga, AI menunjukkan bahawa penerbangan 8 jam dengan ketumpatan tenaga bateri biasa (kira-kira 200 Wh/kg) memerlukan 6-7 kg bateri sahaja; Ini tidak sesuai dengan bajet 12 kg bersama dengan muatan dan struktur. Percanggahan dibincangkan sebelum reka bentuk terperinci bermula. Pengajaran: menterjemah keperluan kepada nombor mendedahkan percanggahan tersembunyi lebih awal.
Kes 2 — Analisis sensitiviti mengubah keputusan. Satu pasukan membandingkan tiga konfigurasi sayap; Konfigurasikan dengan pemberat awal. B menang (skor wajaran 0.82 lwn. 0.79). AI ditanya "apa yang berlaku jika saya mengurangkan berat kos daripada 0.20 kepada 0.10"; dalam julat senario ini muncul di hadapan dan Config. A mendahului (0.84 lwn. 0.80). Pasukan itu melihat betapa sensitifnya keputusan untuk mengutamakan kos dan menjelaskan wajaran dengan pihak berkepentingan. Pengajaran: bukan satu markah yang penting, tetapi kestabilan ranking.
Kes 3 — Ralat pesanan dalam anggaran berat. AI memberikan berat kosong pesawat ringan sebagai 95 kg dari hubungan. Jurutera itu ingat bahawa berat kosong pesawat dua tempat duduk kelas yang sama biasanya dalam julat 350-500 kg; 95 kg adalah mustahil secara fizikal. Apabila disemak, ia dilihat bahawa AI telah salah menggunakan pekali dalam hubungan dan ia diperbetulkan. Pelajaran: setiap anggaran berat dibandingkan dengan tertib magnitud dengan julat kelas yang diketahui.
Kesilapan biasa
- Menerima keperluan yang tidak jelas. Keperluan yang tidak mengandungi metrik dan unit tidak boleh disahkan; "Ia sepatutnya ringan" adalah keinginan, bukan keperluan.
- Mempunyai AI memilih berat. Wajaran kriteria dalam matriks keputusan adalah kejuruteraan subjektif dan pertimbangan pihak berkepentingan; Jika diserahkan kepada AI, keputusan itu kekal terbiar.
- Menerima mata tanpa alasan. Jika skor kualitatif seperti "Kestabilan: tinggi" tidak mempunyai asas fizikal, matriks menjadi senarai tekaan yang mewah.
- Tidak mengesahkan anggaran berat/saiz. Korelasi statistik adalah anggaran kasar; Ia tidak dibawa ke dalam reka bentuk terperinci tanpa membandingkannya dengan julat kelas.
- Meninggalkan kebolehkesanan untuk kemudian. Jika ia tidak direkodkan dari mana datangnya keperluan, tiada siapa yang akan tahu keputusan apa yang akan dipengaruhi oleh perubahan pada masa hadapan.
Secara ringkasnya
Reka bentuk konsep adalah peringkat di mana keputusan yang paling murah tetapi paling berkesan dibuat. AI ialah pemecut yang berkuasa di sini dalam menterjemahkan permintaan yang tidak jelas kepada keperluan yang boleh diukur, mengimbas untuk kebolehkesanan dan konflik, dan membandingkan berbilang konfigurasi merentas jadual pertukaran. Walau bagaimanapun, pemberat kriteria adalah pertimbangan manusia, ramalan berangka disahkan oleh pengiraan tangan berasaskan fizik dan selang kelas, keputusan konfigurasi akhir kekal dengan jurutera. AI menghasilkan calon; tidak membuat keputusan.
Tugasan permohonan
Tulis tiga objektif misi peringkat tinggi untuk udara atau kapal angkasa pilihan anda. Menggunakan AI, terjemahkan ini kepada sekurang-kurangnya enam keperluan yang boleh diukur dan sediakan jadual kebolehkesanan. Kemudian buat matriks keputusan berwajaran untuk tiga konfigurasi calon; Tentukan berat sendiri. Akhir sekali, sahkan anggaran berat/saiz yang diberikan oleh AI dengan pengiraan tangan bebas dan julat kelas. Laporkan sekurang-kurangnya sepasang keperluan di mana anda menemui konflik.
senarai semak
- [ ] Saya menjadikan setiap keperluan tunggal, boleh diukur dan boleh disahkan.
- [ ] Saya menggantikan kata adjektif yang tidak jelas dengan metrik, unit dan ambang.
- [ ] Saya menyediakan jadual kebolehkesanan dan menandakan keperluan bercanggah.
- [ ] Saya sendiri yang menentukan berat matriks keputusan (bukan AI).
- [ ] Saya mengaitkan markah matriks kepada justifikasi fizikal.
- [ ] Saya mengesahkan anggaran berat/saiz dengan jarak kelas dan pengiraan tangan.