Zyski:
- Możliwość przyspieszenia badań nad kompromisem od wymagań misji do koncepcyjnego wymiarowania samolotu/statku kosmicznego przy wsparciu AI
- Możliwość pisania wymagań, identyfikowalności i kontroli spójności za pomocą skonfigurowanych podpowiedzi
- Możliwość eliminowania nieracjonalnych wyników poprzez krzyżową weryfikację punktów projektowych sugerowanych przez sztuczną inteligencję z ręcznymi obliczeniami opartymi na fizyce
Samolot lub statek kosmiczny rodzi się z listy wymagań, a nie z deski kreślarskiej. Zdanie „Przenieść tak duży ładunek na ten dystans, przy tej prędkości i tym koszcie” jest zalążkiem projektu, który będzie trwał przez wiele lat. Projekt koncepcyjny (najwcześniejszy etap projektowania, na którym najpierw określa się przybliżony rozmiar, wagę i konfigurację pojazdu) to proces wydobywania z nasion początkowego kształtu. Podejmowane tu decyzje są tanie, ale ich efekty najdroższe: jeden zły wybór koncepcyjny może wyrzucić miliony dolarów szczegółowego projektu.
W tej jednostce będziemy wykorzystywać sztuczną inteligencję (AI), aby złagodzić trzy obciążenia związane z projektem koncepcyjnym: przełożenie niejasnych żądań zadań na mierzalne wymagania, utrzymanie identyfikowalności i spójności między wymaganiami oraz przyspieszenie analizy kompromisów między konkurencyjnymi opcjami projektowymi. Ale od początku wyjaśnijmy kluczową zasadę: każdy rozmiar i każda szacunkowa waga, którą sugeruje sztuczna inteligencja, są koniecznie weryfikowane krzyżowo za pomocą ręcznych obliczeń opartych na fizyce. AI jest partnerem w burzy mózgów i księgowości; nie jest właścicielem decyzji dotyczącej rozmiaru.
Pojęcia: Wymaganie: Pojedyncze weryfikowalne stwierdzenie, które musi spełniać narzędzie. Identyfikowalność: łańcuch zapisów, skąd pochodzi każde wymaganie i przy jakim projekcie/testie został spełniony. Przestrzeń handlowa: Zbiór wszystkich opcji tworzonych przez zmienne zmienne projektowe. MTOW: Maksymalna masa startowa (Maximum Take-Off Weight), najwyższa masa, jaką może unieść pojazd.
Od potrzeby zadania do wymagania: krok po kroku
Dobry wymóg ma trzy cechy: pojedynczą (mówi jedno), mierzalną (zawiera liczbę i jednostkę) i weryfikowalną (jest oczywiste, jak to sprawdzić). „Samolot musi być szybki” nie jest wymogiem; „Samolot musi osiągnąć prędkość kalibru 250 kt (KCAS) na poziomie morza” – to wymóg.
Pierwszym krokiem jest zebranie żądań interesariuszy i przekształcenie ich w projekt wymagań za pomocą sztucznej inteligencji. Drugi krok polega na tym, aby każde wymaganie było mierzalne: zastąp każdy niejasny przymiotnik („lekki”, „trwały”, „wydajny”) miernikiem i progiem. Trzeci krok polega na szukaniu sprzeczności pomiędzy wymaganiami: zasięg i ładowność często ze sobą konkurują, sztuczna inteligencja szybko wydobywa te sprzeczności na powierzchnię. Czwartym krokiem jest ustalenie macierzy identyfikowalności: zestawienie, który cel zadania najwyższego poziomu prowadzi do którego wymagania cząstkowego.
Jeśli chodzi o wymiarowanie koncepcyjne, sztuczna inteligencja może przywołać znane zależności inżynieryjne (ułamki wagowe, stosunek ciągu do masy, obciążenie skrzydeł) i ustalić początkowy łańcuch obliczeń. Na przykład w przypadku samolotu pasażerskiego udział wagowy paliwa można oszacować za pomocą równania zakresu Bregueta, a udział wagowy pustego paliwa można oszacować za pomocą zależności statystycznych. Ale każde ogniwo tego łańcucha jest potwierdzone ręcznymi obliczeniami.
Wskazówka: Pisząc wymagania, wyraźnie powierz AI zadanie „zastąpienia każdego niejednoznacznego przymiotnika metryką, jednostką i metodą weryfikacji”. Model działa znacznie bardziej zdyscyplinowany, gdy mówisz „utwórz mierzalne”, nieweryfikowalne stwierdzenia, takie jak „przyjazne dla użytkownika”.
Konfigurowanie analizy kompromisu
Istotą analizy kompromisu jest zestawienie kilku konfiguracji kandydatów ze wspólnymi kryteriami. Klasycznym narzędziem jest ważona macierz decyzji: kryteria mają przypisaną wagę, każdemu kandydatowi przyznawana jest punktacja za każde kryterium, brana jest pod uwagę suma ważona. Sztuczna inteligencja szybko buduje tę matrycę, ale uważaj na dwie pułapki: wagi są subiektywną oceną inżynierską (nie pozostawioną sztucznej inteligencji), a wyniki muszą opierać się na uzasadnieniu fizycznym (nie wymyślonym).
Kryterium (waga)
Konfig. O: Wysokie skrzydło
Konfig. B: Dolnopłat
Konfig. C: Canard
Zasięg, km (0,30)
1200
1350
1250
Masa własna, kg (0,25)
640
610
690
Koszt produkcji (0,20)
średni
niski
wysoki
Stabilność (0,15)
wysoki
średni
średni
Łatwość konserwacji (0.10)
wysoki
średni
niski
Możesz poprosić sztuczną inteligencję o zbudowanie tego stołu; Dane dotyczące zasięgu i masy muszą jednak pochodzić z niezależnych obliczeń wstępnych, a oceny jakościowe, takie jak „stabilność: wysoka”, muszą być również uzasadnione. Siła sztucznej inteligencji polega na tym, że w ciągu kilku minut zestawia dziesięć różnych konfiguracji i przeprowadza analizę nastrojów (jak zmienia się ranking w przypadku zmiany wagi).
Słaba zachęta/silna zachęta
Słaba zachęta:
Projektuję samolot szkolny. Powiedz mi najlepszą konfigurację.
Potężny monit:
Rola: Jesteś konsultantem ds. projektowania koncepcyjnego samolotów. Kontekst: Wstępne badanie kompromisowe dla dwumiejscowego samolotu szkolnego (wartości są reprezentatywne): zasięg docelowy ~1000 km, prędkość przelotowa ~55 m/s, ładowność ~220 kg, priorytet niski koszt produkcji. Zadanie: 1) Zaproponuj 3 potencjalne konfiguracje (położenie skrzydła, typ silnika).2) Przygotuj tabelę porównującą każdą kandydaturę pod względem: zasięgu, szacowanej masy własnej, kosztów produkcji, stabilności.3) Użyj do szacunków numerycznych, zapisz relację i założenia. Ograniczenie: Podaj, jakiej zależności statystycznej użyłeś w swoich szacunkach masy; napisz jednostkę; Nie podejmuj ostatecznej decyzji, zgłoś kandydata. Sam się zastanowię i podejmę ostateczną decyzję.
Kopiowalne szablony podpowiedzi
Szablon 1 — Przełożenie potrzeby zadaniowej na mierzalne wymaganie:
Przekształć następujące prośby interesariuszy w pojedyncze, mierzalne i weryfikowalne wymagania. Dla każdego wymagania: metryka, jednostka, wartość progowa i proponowana metoda weryfikacji (analiza/test/demonstracja). Przetłumacz niejasne przymiotniki („lekki”, „szybki”) na konkretne liczby; Jeśli nie masz pewności, zapytaj, jakich informacji potrzebujesz. Prośby: [wymień tutaj]
Wzór 2 – Matryca identyfikowalności i monitorowanie konfliktów:
Weź tę listę wymagań i: (a) zbuduj tabelę identyfikowalności, która łączy każde wymaganie z ogólnym celem zadania; (b) zaznaczyć wszelkie pary sprzecznych lub trudnych wymagań (np. zasięg vs ładowność); c) wykaz brakujących lub niemożliwych do sprawdzenia wymagań. Niech wynikiem będzie tabela. Wymagania: [wymień tutaj]
Szablon 3 – Konfiguracja ważonej macierzy decyzyjnej:
Zbuduj strukturę ważonej macierzy decyzyjnej dla następujących potencjalnych konfiguracji. Utwórz wiersze kryteriów i kolumny kandydatów. Kolumnę wagi pozostaw PUSKĄ (wprowadzę wagi). Wyjaśnij w osobnej notatce fizyczne uzasadnienie wyniku, który umieścisz w każdej komórce; Nie zapisuj wymyślonej liczby, zaznacz odgadnięte miejsce jako „zgadnij”. Kandydaci: [...] Kryteria: [...]
Szablon 4 – Kontrola krzyżowa wymiarowania koncepcyjnego:
Niezależnie sprawdź następujące wyniki wstępnego doboru: MTOW, powierzchnia skrzydła, ciąg. (a) Oblicz obciążenie skrzydła (W/S) i porównaj je z typowym zakresem dla danej klasy samolotu. (b) Oblicz stosunek ciągu do masy (T/W) i porównaj go z typowym zakresem. (c) Ostrzegaj, jeśli wartości wykraczają poza typowy zakres i wskazują możliwy błąd. Zapisz wyraźnie wszystkie jednostki. Wejście: [wartości MTOW, S, T]
Mini etui
Przypadek 1 – Wczesne wykrycie sprzecznych potrzeb. W projekcie UAV zainteresowane strony chcą zarówno „co najmniej 8 godzin czasu antenowego”, jak i „maksymalnej masy całkowitej 12 kg”. Poprzez ilościowe określenie obu wymagań i przybliżenie budżetu energetycznego sztuczna inteligencja pokazuje, że 8-godzinny lot przy typowej gęstości energii akumulatora (około 200 Wh/kg) wymagałby 6–7 kg samego akumulatora; Nie mieści się to w budżecie 12 kg wraz z ładownością i konstrukcją. Sprzeczność jest omawiana przed rozpoczęciem szczegółowego projektowania. Lekcja: przełożenie wymagań na liczby wcześnie ujawnia ukryte sprzeczności.
Przypadek 2 – Analiza wrażliwości zmienia decyzję. Jeden zespół porównuje trzy konfiguracje skrzydeł; Skonfiguruj z początkowymi wagami. B wygrywa (wynik ważony 0,82 vs. 0,79). AI zostaje zapytana „co się stanie, jeśli zmniejszę wagę kosztu z 0,20 do 0,10”; w tym scenariuszu na pierwszy plan wysuwa się zakres, a Config. A obejmuje prowadzenie (0,84 vs. 0,80). Zespół widzi, jak istotna jest decyzja w odniesieniu do priorytetu kosztów, i wyjaśnia interesariuszom wagę. Lekcja: nie liczy się pojedynczy wynik, ale stabilność rankingu.
Przypadek 3 – Błąd kolejności w oszacowaniu masy. AI podaje masę pustego lekkiego samolotu jako 95 kg z relacji. Inżynier wspomina, że masa własna dwumiejscowego samolotu podobnej klasy zazwyczaj mieści się w przedziale 350-500 kg; 95 kg jest fizycznie niemożliwe. Po zaznaczeniu widać, że AI błędnie zastosowała współczynnik w relacji i jest to poprawione. Lekcja: każde oszacowanie wagi jest porównywane o rzędy wielkości ze znanym zakresem klasy.
Typowe błędy
- Akceptacja niejasnych wymagań. Wymaganie, które nie zawiera metryk i jednostek, nie może zostać zweryfikowane; „Powinno być lekkie” to życzenie, a nie wymóg.
- Poproś sztuczną inteligencję o wybranie ciężarów. Wagi kryteriów w macierzy decyzyjnej to inżynieria subiektywna i ocena interesariuszy; Jeśli pozostawi się to AI, decyzja pozostaje porzucona.
- Przyjmowanie punktów bez uzasadnienia. Jeśli wyniki jakościowe, takie jak „Stabilność: wysoka”, nie mają podstaw fizycznych, macierz staje się wymyślną listą domysłów.
- Brak potwierdzenia szacunkowej wagi/rozmiaru. Korelacje statystyczne są przybliżonymi szacunkami; Nie uwzględnia się go w projekcie szczegółowym bez porównania go z zakresem klasowym.
- Pozostawiając identyfikowalność na później. Jeśli nie zostanie zapisane, skąd wziął się wymóg, nikt nie będzie wiedział, na jakie decyzje wpłynie dana zmiana w przyszłości.
Podsumowując
Projekt koncepcyjny to etap, na którym podejmowane są najtańsze, ale najskuteczniejsze decyzje. Sztuczna inteligencja jest tutaj potężnym akceleratorem, ponieważ przekłada niejasne żądania na mierzalne wymagania, skanuje pod kątem identyfikowalności i konfliktów oraz porównuje wiele konfiguracji w tabelach kompromisów. Jednakże wagi kryteriów zależą od ludzkiej oceny, przewidywania numeryczne są weryfikowane poprzez ręczne obliczenia oparte na fizyce i interwały klasowe, a ostateczna decyzja dotycząca konfiguracji pozostaje w gestii inżyniera. AI produkuje kandydatów; nie decyduje.
Zadanie aplikacji
Napisz trzy nadrzędne cele misji dla wybranego statku powietrznego lub statku kosmicznego. Korzystając ze sztucznej inteligencji, przełóż je na co najmniej sześć mierzalnych wymagań i utwórz tabelę identyfikowalności. Następnie utwórz ważoną macierz decyzyjną dla trzech potencjalnych konfiguracji; Sam określ wagę. Na koniec potwierdź szacunkową wagę/rozmiar podaną przez sztuczną inteligencję za pomocą niezależnych obliczeń ręcznych i zakresu klas. Zgłoś co najmniej jedną parę wymagań, w przypadku których znajdziesz konflikt.
lista kontrolna
- [ ] Każde wymaganie uczyniłem pojedynczym, mierzalnym i weryfikowalnym.
- [ ] Niejednoznaczne przymiotniki zastąpiłem metryką, jednostką i progiem.
- [ ] Utworzyłem tabelę identyfikowalności i zaznaczyłem sprzeczne wymagania.
- [ ] Sam wyznaczyłem wagi macierzy decyzyjnej (nie AI).
- [ ] Wyniki matrycy przypisałem uzasadnieniu fizycznemu.
- [ ] Sprawdziłem szacunki wagi/rozmiaru za pomocą odstępów między klasami i obliczeń ręcznych.