Analisis Data Metalurgi dan Sempadan AI dengan Python

Keuntungan:

• Keupayaan untuk menghasilkan dan memahami kod yang membersihkan, menganalisis dan menggambarkan data metalurgi dengan Python, dengan sokongan AI
• Keupayaan untuk mewujudkan tabiat mengesahkan kod yang dijana AI dengan pemeriksaan unit, kes ujian dan kebolehpercayaan fizikal
• Pemahaman holistik tentang had hujung ke hujung, tanggungjawab dan rangka kerja etika AI dalam metalurgi

Kerja metalurgi semakin dilakukan dengan lebih banyak data: beratus-ratus keputusan ujian tegangan, beribu-ribu ukuran SPC, rekod relau rawatan haba, output pencirian. Mengejar data ini secara manual dalam Excel adalah lambat dan mudah ralat; Python (bahasa pengaturcaraan biasa untuk analisis data dan pengkomputeran saintifik) menjadikan ini boleh diulang, boleh diaudit dan automatik. AI sangat berkuasa dalam menulis, menyahpepijat dan menerangkan kod Python — tetapi kod yang dihasilkannya boleh kelihatan betul tetapi memberikan hasil yang salah: ralat unit, pekali salah, kehilangan data senyap. Dalam unit akhir ini, anda akan belajar cara menganalisis data metalurgi dengan sokongan AI dalam Python dan mengesahkan setiap kod, kemudian bulatkan secara holistik sempadan AI, tanggungjawab dan rangka kerja etika yang diliputi sepanjang keseluruhan modul.

Tugas biasa dalam analisis data metalurgi

Tugas biasa dengan sokongan AI dalam Python:

• Pembersihan data: Nilai tiada, kekeliruan unit (MPa lwn. ksi), penyingkiran outlier. Data kotor merosakkan analisis yang terbaik sekalipun.
• Visualisasi: Melukis lengkung tegangan, carta kawalan, taburan saiz butiran, profil suhu-masa.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• Automasi: Pemprosesan kumpulan sejumlah besar fail dan menghasilkan jadual/laporan ringkasan.

Hubungan Hall-Petch ialah contoh yang baik di sini: kekuatan hasil meningkat berkadar songsang dengan punca kuasa dua diameter butir. AI boleh menterjemah formula ini ke dalam kod; Tetapi sama ada anda menggunakan d sebagai mikrometer atau meter dan unit yang anda gunakan untuk pekali k mengubah sepenuhnya hasilnya. Ketepatan kod bukan terletak pada menghafal formula, tetapi dalam mengesahkan unit dan kes ujian.

Petua: Pastikan anda memasukkan "ujian jawapan yang diketahui" dalam setiap akaun yang ditulis AI. Berikan input kecil yang hasilnya anda ketahui dengan tangan (cth. kekuatan yang dijangkakan untuk d = 100 µm); Jika kod memberikan nilai itu, anda boleh mempercayainya; jika tidak, ralat itu tersembunyi.

Langkah demi langkah: Aliran analisis yang selamat dengan AI

1. Terangkan tugas dan data: Fail yang mana, lajur mana, unit mana, apakah yang akan dikira?
2. Meminta rangka kod: Minta AI untuk mengulas, rangka terbahagi langkah; Tentukan unit dengan pembolehubah eksplisit di bahagian atas.
3. Uji dengan data kecil: Jalankan dengan beberapa baris/nilai yang diketahui dahulu; Semak hasilnya secara manual.
4. Kawalan unit dan sempadan: Adakah output munasabah secara fizikal? Adakah terdapat sebarang karut seperti kekuatan negatif, kadar 120%?
5. Visualisasikan dan lihat: Adakah graf menunjukkan arah aliran yang dijangkakan? Adakah ralat data outlier?
6. Sahkan dan dokumen: Bandingkan hasilnya dengan pengiraan/standard bebas; Komen keluar kod dan andaian.

Jadual pengesahan kod AI

risiko

gejala

Kaedah kawalan

Ralat unit

Hasilnya 1000x sesat

Tentukan unit dalam pembolehubah eksplisit, kawalan saiz

Pekali/rumus salah

Nilai yang munasabah tetapi salah

Senario ujian dengan jawapan yang diketahui

Kehilangan data senyap

Bilangan baris kurang daripada yang dijangkakan

Cetak bilangan baris sebelum/selepas pemprosesan

herotan terpencil

kayak biasa

Visualisasikan dengan graf, lihat taburan

Overfitting (perpustakaan halusinasi)

fungsi yang tidak wujud

Jalankan, ralat baca, lihat dokumentasi

tiga kes mini

Kes 1 — Ralat kelantangan tersembunyi. Seorang jurutera meminta kod daripada AI untuk pengiraan Hall-Petch; Kod menjangkakan diameter butiran dalam meter, tetapi jurutera memasuki mikrometer. Hasilnya adalah 1000 kali songsang, tetapi ia tidak ketara pada pandangan pertama kerana ia kelihatan seperti "nombor". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Pelajaran: ujian jawapan diketahui mendedahkan ralat unit dalam beberapa saat.

Kes 2 — Kehilangan data senyap. Satu pasukan membersihkan 500 keputusan ujian tarik dengan kod bertulis AI; Semasa kod menjatuhkan baris dengan nilai yang tiada, ia juga membuang beberapa baris yang sah secara tidak sengaja, meninggalkan 300 baris. Kekuatan purata adalah lebih tinggi daripada jangkaan kerana kumpulan nilai rendah dihapuskan. Apabila pasukan mencetak bilangan baris sebelum/selepas pemprosesan, mereka melihat bahawa 200 baris telah hilang secara senyap dan membetulkan penapis. Pelajaran: mencetak bilangan baris pada setiap langkah pemprosesan data menangkap kerugian senyap.

Kes 3 — Penggunaan yang betul, laporan boleh diulang. Pasukan yang berkualiti mesti memproses berpuluh-puluh rekod relau dan menghasilkan laporan ringkasan setiap minggu. Ia meminta AI untuk menulis skrip komen yang membaca fail secara pukal dan menghasilkan graf dan jadual ringkasan. Pasukan menguji kod dengan beberapa fail yang diketahui, mengesahkan bilangan unit dan baris, memeriksa secara visual graf output. Kemudian gunakan skrip mingguan; Waktu kerja dikurangkan kepada minit dan bekerja dengan cara yang sama dan boleh diaudit setiap minggu. AI mendayakan automasi berulang, pasukan mengesahkan.

Templat gesaan yang boleh disalin

TEMPLAT RANGKA KOD"Peranan: Anda ialah pembantu kod untuk analisis data metalurgi.Tugas: [cth. baca hasil lukisan daripada CSV dan purata kekuatan hasil].Data: [fail, lajur, UNIT]. tulis rangka yang diulas dengan panda: (1) tentukan unit dalam pembolehubah terbuka di bahagian atas, (2) baca data dan cetak bilangan baris, (2) kosongkan baris dan cetak bilangan baris SEKALI LAGI, (4) lakukan pengiraan, (5) cetak keputusan dan semakan kebolehpercayaan Tambah komen pada setiap langkah.

TEMPLAT UJIAN JAWAPAN YANG DIKETAHUI"Tulis 'ujian jawapan diketahui' untuk fungsi berikut: [fungsi]. Pilih input kecil yang hasilnya boleh dikira secara manual, ulas output yang dijangkakan, dan semak dengan tegas. Uji juga ketekalan unit. Jika ujian tidak lulus, senaraikan kemungkinan sebab (unit, pekali, formula)."

SEMAKAN KOD / TEMPLAT DEBUG"Periksa kod berikut: [kod]. Semak dan tandai yang berikut:(1) ketekalan volum, (2) risiko kehilangan data senyap, (3) kesan terpencil, (4) keluaran yang mustahil secara fizikal (kekuatan negatif, kadar >100%). Tulis cara mengesahkan untuk setiap risiko. Jangan sahkan kod sebagai 'berfungsi tanpa ujian'; nyatakan tidak boleh dipercayai."

TEMPLAT PENGVISUALIAN"plot [lengkung tegangan / plot kawalan / pengedaran] dengan matplotlib. Tambahkan UNIT pada label paksi, letakkan tajuk dan grid. Tandakan outlier secara berbeza. Ambil perhatian bahawa saya perlu memeriksa plot secara visual dan mengesahkan arah aliran yang dijangkakan (cth. meningkatkan tekanan-tekanan). Jangan sembunyikan sebarang titik untuk 'mencantikkan' data."

Gesaan lemah / Gesaan kuat

PROMPT LEMAH: "Tulis saya kod yang melakukan pengiraan Hall-Petch."

PROMPT KUAT:"Peranan: Anda ialah pembantu kod untuk analisis data metalurgi. Tulis fungsi Python untuk mengira Hall-Petch(σy = σ0 + k·d^(-1/2)). Unit: d mikrometer, σ0 dan σy MPa, k MPa·µm^(1/2). Hidupkan penukaran unit dalam fungsi dan ulasan yang dijangkakan. Juga d = σ100 yang dijangkakan. 50 MPa, k = 300 MPa·µm^0.5 dan uji dengan tambah pemeriksaan kebolehpercayaan fizikal (σy tidak boleh negatif Anggap kod tidak boleh dipercayai tanpa ujian).

Gesaan yang lemah menghasilkan kod yang tidak mempunyai unit dan ujian dan mungkin menjadi salah secara senyap. Gesaan yang kuat mentakrifkan unit dengan jelas, menguatkuasakan penukaran, memerlukan ujian jawapan yang diketahui dan semakan kebolehpercayaan — menjadikan kod boleh disahkan.

Ringkasan holistik modul: Tempat dan had AI dalam metalurgi

Satu prinsip telah diulang sepanjang modul ini: AI ialah pembantu, bukan pembuat keputusan. Merentasi dua belas unit, kami menggunakan AI hujung ke hujung, daripada pemilihan bahan kepada ramalan sifat, analisis fasa kepada mikrostruktur, rawatan haba kepada fabrikasi, kawalan kualiti kepada analisis kerosakan, pencirian kepada standardisasi dan analisis Python. Dalam setiap unit, AI menerangkan konsep, menghasilkan hipotesis, menulis draf dan kod — tetapi dalam unit tidak ia membuat keputusan sendirian. Hadnya adalah jelas: halusinasi (nombor dan standard yang dibuat), tanggungjawab kritikal keselamatan yang tidak boleh diwakilkan, pergantungan pada kualiti data dan pengukuran/penentukuran, risiko ekstrapolasi dan kerahsiaan. Disiplin pengesahan sentiasa kekal dengan manusia dalam segi tiga akaun piawai-makmal.

Kesilapan biasa

• Menggunakan kod pada data sebenar tanpa ujian dengan jawapan yang diketahui.
• Tidak mentakrifkan unit dengan jelas; Menghadapi kekeliruan MPa/ksi, µm/m.
• Tidak mencetak bilangan baris semasa langkah pemprosesan data dan tidak menyedari kehilangan senyap.
• Bergantung pada min tanpa menggambarkan perkara luar.
• Menerima perpustakaan/fungsi yang tidak wujud yang dibuat oleh AI tanpa melaksanakannya.
• Dengan mengandaikan kod itu betul kerana "nampaknya berfungsi"; kegagalan untuk memeriksa kebolehpercayaan fizikal.

Secara ringkasnya

AI dalam analisis data metalurgi dengan Python ialah pemecut yang berkuasa untuk pengekodan, penyahpepijatan dan automasi; tetapi kod yang dihasilkannya mungkin membawa ralat unit, pekali yang salah dan kehilangan data senyap. Sahkan setiap kod dengan ujian jawapan diketahui, semakan unit, penjejakan kiraan baris dan kebolehpercayaan fizikal. Di sini, seperti dalam keseluruhan modul, AI ialah pembantu: ia memastikan kelajuan dan organisasi, ketepatan dan tanggungjawab diambil alih oleh jurutera yang diberi kuasa. Dalam keputusan metalurgi yang kritikal keselamatan, keluaran AI tidak pernah menggantikan piawaian, eksperimen, pengiraan dan kelulusan jurutera yang cekap.

Tugasan permohonan

Pilih pengiraan metalurgi (cth. Hall-Petch atau purata data tegangan). Dengan templat "CODE SELETON", minta AI untuk kod ulasan yang mencetak bilangan baris dengan unit yang jelas. Kemudian tambahkan senario ujian di mana anda mengetahui keputusan secara manual dengan templat "UJIAN JAWAPAN YANG DIKETAHUI" dan jalankannya. Jika kod tidak memberikan nilai yang dijangkakan, cari ralat (unit, pekali, data) dan betulkan. Akhir sekali, tulis tentang disiplin pengesahan AI yang anda pelajari dalam modul ini dengan menyesuaikannya dengan perniagaan anda sendiri dalam tiga artikel.

senarai semak

• [ ] Saya mentakrifkan tugas, data dan unit dengan jelas kepada AI.
• [ ] Saya mentakrifkan unit dengan pembolehubah eksplisit di bahagian atas kod.
• [ ] Dalam langkah pemprosesan data, saya mencetak bilangan baris dan menyemak kehilangan senyap.
• [ ] Saya mengesahkan kod dengan kes ujian dengan jawapan yang diketahui.
• [ ] Saya menyemak kebolehpercayaan fizikal (nilai negatif/tidak masuk akal) output.
• [ ] Saya menggunakan AI sebagai pemecut; Saya menjaga integriti dan tanggungjawab.

Peperiksaan Modul

1. Apabila bekerja dengan alat AI sebagai jurutera bahan, tanggungjawab utama yang manakah antara berikut harus sentiasa berada di tangan manusia (jurutera undang-undang)?

• A) Kelulusan dan tandatangan kesesuaian bahagian untuk servis ✔
• B) Penyediaan draf pertama laporan kerosakan
• C) Mengedit label paksi graf mikrostruktur
• D) Menyediakan glosari istilah metalurgi untuk persembahan

Penerangan: AI; Ia boleh mempercepatkan tugas seperti penjelasan konsep, penggubalan laporan, senarai hipotesis dan rangka kod. Walau bagaimanapun, meluluskan kesesuaian bahagian untuk perkhidmatan/penerbangan adalah keputusan yang mengakibatkan keselamatan nyawa dan harta benda; tidak boleh dipindahkan ke AI tanpa ujian bertauliah dan kelulusan jurutera yang dibenarkan.

2. Anda bertanya AI tentang kekuatan hasil keluli AISI 4140 apabila dipadamkan dan dibaja pada 200 °C, dan dia menjawab '1500 MPa pasti'. Apakah tindakan pertama yang betul untuk diambil?

• A) Letakkan nilai terus ke dalam akaun reka bentuk kerana AI kelihatan yakin
• B) Mengesahkan nilai dengan helaian data bahan/sijil kilang dan ujian tegangan jika perlu, tidak bergantung pada nilai mata tunggal ✔
• C) Menurunkan nilai secara rawak untuk kekal di bahagian selamat
• D) Terima nilai dan teruskan ke resipi rawatan haba

Penjelasan: Model bahasa boleh menyakinkan mencipta nombor yang tidak berasas (halusinasi). Kekuatan hasil; Ia berbeza dalam julat yang luas bergantung pada suhu pembajaan, ketebalan bahagian dan kebolehkerasan. Ia adalah perlu untuk mendapatkan nilai daripada sijil kilang atau ujian tegangan mengikut piawaian, dan tidak memasukkan satu titik keluaran AI dalam reka bentuk.

3. Dengan model pembelajaran mesin meramalkan sifat keluli, AI menghasilkan nilai 'selamat' untuk aloi di luar julat komposisi dalam data latihan. Apakah masalah utama dengan output ini?

• A) Model sentiasa memberikan keputusan dalam peratus, MPa salah
• B) Ramalan tidak boleh dipercayai kerana ia dibuat di luar julat data latihan (ekstrapolasi) dan mesti disahkan melalui eksperimen ✔
• C) Model hanya berfungsi untuk keluli tahan karat
• D) Output model sentiasa betul-betul dua kali ganda nilai sebenar

Penjelasan: Model pembelajaran mesin berfungsi dengan munasabah dalam julat data latihan (interpolasi); Apabila di luar julat ini (ekstrapolasi), ramalan menjadi tidak boleh dipercayai dan model sering tidak menunjukkan perkara ini. Nilai yang dijana pada titik di luar pengedaran data latihan tidak boleh digunakan tanpa pengesahan percubaan.

4. Anda menggunakan AI untuk mengira nisbah fasa dalam aloi dua fasa. Apakah input yang harus digunakan oleh AI dengan betul apabila menggunakan 'peraturan tuas'?

• A) Suhu sahaja; kombinasi tidak diperlukan
• B) Hanya ketumpatan aloi
• C) Jumlah komposisi aloi dengan komposisi sempadan fasa pada suhu yang berkaitan ✔
• D) Hanya suhu lebur

Penjelasan: Peraturan tuas memberikan kuantiti fasa menggunakan jarak antara komposisi sempadan fasa (cth. komposisi fasa pepejal dan cecair) dan jumlah komposisi aloi pada suhu tertentu. Jika gabungan sempadan fasa dibaca dengan salah, nisbahnya akan menjadi salah sama sekali; Oleh itu, pengesahan nilai dari rajah fasa adalah wajib.

5. Anda mengukur saiz butiran daripada struktur mikro dengan aliran pemprosesan imej berkuasa AI, tetapi terlupa untuk menentukur bar skala kepada piksel. Mengapa hasilnya tidak boleh dipercayai?

• A) Semua ukuran dimensi berada pada skala yang salah kerana penentukuran panjang piksel tidak dilakukan ✔
• B) Pengukuran herot kerana imej berwarna digunakan
• C) Saiz butiran hanya boleh diukur dengan SEM, mikroskop optik tidak tepat
• D) Pengukuran tidak diperlukan kerana resolusi imej adalah tinggi

Penerangan: Dalam metalografi kuantitatif, setiap piksel sepadan dengan panjang; Jika transformasi ini tidak ditentukur dengan bar skala, semua ukuran dimensi seperti saiz butiran, nisbah fasa dan keliangan akan muncul pada skala yang salah. Penentukuran ialah langkah pertama dan wajib dalam pengukuran berasaskan imej.

6. AI mencadangkan resipi rawatan haba (austenitizing + quenching + tempering) untuk mencapai kekerasan sasaran untuk keluli. Apakah langkah terbaik sebelum menggunakan preskripsi?

• A) Mengaplikasikan resipi terus kepada pengeluaran besar-besaran
• B) Sapukan resipi pada bahagian percubaan, ukur kekerasan/struktur mikro dan bandingkan dengan standard ✔
• C) Hanya secara rawak meningkatkan suhu pembajaan di bahagian selamat
• D) Membetulkan dan meluluskan ejaan preskripsi sahaja

Penerangan: Akibat rawatan haba; Ketebalan bahagian bahagian, kebolehkerasan (Jominy) sangat berbeza dengan realiti relau dan persekitaran penyejukan. Preskripsi yang diberikan oleh AI adalah hipotesis awal; Ia perlu disahkan dengan menggunakan pada bahagian percubaan dan mengukur kekerasan dan mikrostruktur dan membandingkannya dengan piawai.

7. Anda meminta AI untuk 'nombor bahan khusus' standard ASTM untuk nilai had bahan dan ia menjawab dengan nilai yang tepat. Apakah tingkah laku kejuruteraan yang betul?

• A) Menulis nilai terus ke laporan kerana AI adalah terkini
• B) Menukar nilai secara rawak untuk kekal di bahagian yang selamat
• C) Sahkan nombor bahan, versi dan nilai daripada teks standard rasmi dan semasa ✔
• D) Menambah nombor item pada fail pematuhan tanpa menyemaknya

Penjelasan: Walaupun model bahasa mengetahui nama standard dengan betul, mereka mungkin tersalah ingat atau membuat nombor artikel, versi dan titik putus. Dalam medan yang mengikat seperti ASTM/ISO/EN, setiap bahan dan nilai mesti disahkan verbatim daripada sumber rasmi dan semasa; Output AI hanya menunjukkan tempat untuk melihat.

8. Anda menunjukkan foto permukaan bolt yang pecah kepada AI dan menerima jawapan 'ini pasti patah keletihan'. Apakah pendekatan yang betul untuk analisis punca punca?

• A) Menulis diagnosis terus ke dalam laporan kerana AI bercakap dengan tepat
• B) Hanya tingkatkan resolusi foto dan sahkan diagnosis
• C) Memasang bahagian baru tanpa memeriksa permukaan yang pecah
• D) Sahkan diagnosis sebagai hipotesis dengan fractography, sejarah caj, dan bukti mikrostruktur ✔

Penerangan: Tafsiran permukaan pecah; Frakografi (striasi, garis pantai, pemisahan lesung pipit/belahan dengan SEM) memerlukan pertimbangan sejarah beban, persekitaran dan bukti mikrostruktur bersama-sama. Diagnosis muktamad yang dibuat oleh AI daripada satu foto adalah hipotesis; Punca punca tidak boleh diisytiharkan tanpa pengesahan oleh penemuan makmal.

9. AI menetapkan puncak kepada fasa tertentu dalam corak XRD (pembelauan sinar-X). Apakah kaedah yang paling sesuai untuk menjadikan pengenalpastian fasa boleh dipercayai?

• A) Memadankan puncak dengan pangkalan data corak rujukan (cth. kad PDF) dan menyemak pertindihan dan artifak ✔
• B) Menerima tugasan secara langsung kerana AI menyebut nama fasa
• C) Mempertimbangkan hanya puncak tertinggi dan mengabaikan yang lain
• D) Warnakan corak dan jadikan ia cantik secara visual

Penerangan: Pengenalpastian fasa XRD dilakukan dengan memadankan kedudukan dan keamatan puncak yang diukur dengan corak rujukan yang diketahui (cth. kad ICDD/PDF). Menetapkan satu puncak secara berasingan adalah mengelirukan; puncak bertindih, orientasi keutamaan dan artifak latar belakang harus diambil kira dan tugasan disahkan dengan pangkalan data rujukan.

10. Draf laporan kerosakan/pemeriksaan yang disediakan oleh AI mengandungi nilai teknikal yang cair tetapi tidak diketahui asalnya. Apakah tingkah laku yang betul?

• A) Membentangkan laporan sebagaimana adanya kerana teksnya lancar
• B) Membundarkan dan mengilatkan nilai
• C) Hanya baca ringkasan eksekutif dan langkau yang lain
• D) Padankan setiap nilai dengan ukuran/sumber asal dan keluarkan ✔ yang belum disahkan

Penerangan: Setiap nilai teknikal dalam laporan; Ia mesti boleh dikesan kepada ukuran, rekod peranti yang ditentukur, standard atau data pengilang. Walaupun ia adalah nilai dalam ayat yang lancar, tiada nombor yang sumbernya belum disahkan harus dimasukkan dalam laporan atau asas keputusan; Jika tidak, nilai rekaan dipindahkan ke dokumen yang mewujudkan liabiliti.

11. Apakah langkah terbaik sebelum menggunakan pengiraan Python yang dijana AI (cth., hubungan Hall-Petch untuk kekuatan hasil saiz bijian)?

• A) Menggunakan kod terus ke data pengeluaran sebenar
• B) Hanya memastikan kod kelihatan pendek dan kemas
• C) Jalankan kod dalam senario ujian dengan keputusan yang diketahui dan sahkan unit dan output ✔
• D) Memadam sebahagian daripada kod untuk memendekkannya

Penjelasan: Kod mungkin kelihatan betul tetapi memberikan hasil yang salah: mungkin terdapat ralat unit, pekali salah atau ralat formula. Menjalankan kod dalam kes ujian kecil di mana anda mengetahui hasilnya dengan tangan dan membandingkannya dengan output yang dijangkakan dan menyemak unit menangkap ralat sebelum ia membawa kepada keputusan sebenar.

12. Anda ingin menampal resipi aloi syarikat anda yang belum dipatenkan dan parameter proses ke dalam alat AI dan analisis permintaan yang tersedia secara terbuka. Manakah pendekatan yang paling betul?

• A) Menampal resipi seadanya untuk menjadikannya lebih cepat
• B) Cukuplah dengan hanya memadam nama syarikat dan berkongsi semua parameter yang tinggal.
• C) Berkongsi data dan kemudian meminta AI untuk memadamkannya
• D) Menyemak dasar institusi dan menamakan data atau menggunakan alat selamat/institusi ✔

Penerangan: Resipi aloi, parameter proses dan spesifikasi pelanggan adalah rahsia perdagangan dan harta intelek yang sensitif. Sebelum berkongsi data, adalah perlu untuk menyemak dasar korporat, menamakannya secara awanama atau menggunakan alat institusi/di tapak yang tidak menghantar data keluar.

13. Sistem SPC (kawalan proses statistik) berkuasa AI menandakan bahawa had carta kawalan telah dilampaui dalam kumpulan pengeluaran. Apakah tingkah laku kejuruteraan yang betul?

• A) Abaikan amaran dan teruskan pengeluaran
• B) Memperluaskan had kawalan supaya tiada amaran berlaku
• C) Anggap amaran sebagai pencetus, sahkan ukuran, siasat punca dan buat keputusan dengan kriteria penerimaan ✔
• D) Menghapuskan keseluruhan kumpulan secara langsung tanpa mengukur

Penjelasan: Melebihi had carta kawalan adalah amaran; Punca punca tidak secara automatik jelas. Ia boleh menjadi ralat pengukuran, isu pensampelan atau hanyut proses sebenar. Pendekatan yang betul ialah menganggap amaran sebagai pencetus, mengesahkan pengukuran, menyiasat punca dan membuat keputusan berdasarkan kriteria penerimaan dan keputusan NDT/peperiksaan.

14. Penilaian imej berbantukan AI pada bahagian tuangan menandakan zon sebagai 'boleh diterima'. Apakah pendekatan yang betul untuk bahagian kritikal keselamatan?

• A) Mempertimbangkan penilaian awal AI sebagai alat penyaringan dan mengaitkan penerimaan akhir dengan keputusan NDT dan kelulusan yang dibenarkan ✔
• B) Pertimbangkan penilaian AI sebagai penerimaan muktamad dan meluluskan bahagian tersebut
• C) Bergerak ke proses seterusnya tanpa memeriksa bahagian itu sama sekali
• D) Memadai sekadar memeriksa secara visual permukaan bahagian tersebut.

Penerangan: Kecacatan dalaman tuangan (keliangan, pengecutan, kemasukan) selalunya tidak kelihatan dari permukaan dan dinilai oleh ujian tidak merosakkan (NDT: radiografi, ultrasonik). Penilaian awal yang diberikan oleh AI melalui imej adalah alat penyaringan; Penerimaan akhir bahagian kritikal keselamatan diberikan dengan NDT dan kelulusan pemeriksaan yang dibenarkan mengikut piawaian.