Analiza datelor metalurgice și frontierele AI cu Python

Câștiguri:

• Abilitatea de a produce și înțelege codul care curăță, analizează și vizualizează datele metalurgice cu Python, cu suport AI
• Abilitatea de a stabili un obicei de a valida codul generat de AI cu verificarea unității, caz de testare și plauzibilitate fizică
• O înțelegere holistică a limitelor end-to-end, a responsabilității și a cadrului etic al AI în metalurgie

Lucrările metalurgice sunt realizate din ce în ce mai mult cu mai multe date: sute de rezultate ale testelor de tracțiune, mii de măsurători SPC, înregistrări ale cuptorului de tratament termic, rezultate de caracterizare. Urmărirea manuală a acestor date în Excel este lentă și predispusă la erori; Python (un limbaj de programare comun pentru analiza datelor și calculul științific) face acest lucru repetabil, auditabil și automat. AI este foarte puternic la scrierea, depanarea și explicarea codului Python - dar codul pe care îl produce poate arăta corect, dar poate da rezultat greșit: eroare de unitate, coeficient greșit, pierdere silențioasă a datelor. În această unitate finală, veți învăța cum să analizați datele metalurgice cu suport AI în Python și să verificați fiecare cod, apoi să rotunjiți holistic limitele AI, responsabilitatea și cadrul de etică acoperite pe parcursul întregului modul.

Sarcini tipice în analiza datelor metalurgice

Sarcini comune cu suport AI în Python:

• Curățarea datelor: valoare lipsă, confuzie de unitate (MPa vs. ksi), eliminarea valorii aberante. Datele murdare corup chiar și cele mai bune analize.
• Vizualizare: Desen curba de tracțiune, diagrama de control, distribuția granulometriei, profilul temperatură-timp.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• Automatizare: procesarea în loturi a unui număr mare de fișiere și producerea de tabele/rapoarte rezumative.

Relația Hall-Petch este un exemplu bun aici: puterea de curgere crește invers proporțional cu rădăcina pătrată a diametrului boabelor. AI poate traduce această formulă în cod; Dar dacă utilizați d ca micrometru sau metru și ce unitate folosiți pentru coeficientul k schimbă complet rezultatul. Corectitudinea codului nu constă în memorarea formulei, ci în validarea unităților și a unui caz de testare.

Sfat: asigurați-vă că includeți un „test de răspuns cunoscut” în fiecare cont pe care îl scrie AI. Dați o intrare mică al cărei rezultat îl cunoașteți manual (de exemplu, puterea așteptată pentru d = 100 µm); Dacă codul oferă această valoare, poți avea încredere în el; dacă nu, eroarea este ascunsă.

Pas cu pas: un flux de analiză sigur cu AI

1. Descrieți sarcina și datele: ce fișier, ce coloane, ce unități, ce se va calcula?
2. Solicitați schelet de cod: cereți AI-ului un schelet comentat, împărțit în trepte; Definiți unități cu variabile explicite în partea de sus.
3. Testați cu date mici: rulați mai întâi cu câteva rânduri/valori cunoscute; Verificați manual rezultatul.
4. Controlul unității și al limitelor: este rezultatul fizic rezonabil? Există vreo prostie precum puterea negativă, rata de 120%?
5. Vizualizați și priviți: graficul arată tendința așteptată? Sunt erori de date aberante?
6. Verificați și documentați: Comparați rezultatul cu un calcul/standard independent; Comentați codul și ipotezele.

Tabel de verificare a codului AI

Risc

simptom

Metoda de control

Eroare de unitate

Rezultatul este de 1000x pervers

Definiți unitățile în variabila explicită, controlul dimensiunii

Coeficient/formula incorect

Valoare rezonabilă, dar greșită

Scenariul de testare cu răspunsuri cunoscute

Pierdere silențioasă a datelor

Numărul de rânduri este mai mic decât era de așteptat

Tipăriți numărul de rânduri înainte/după procesare

distorsiuni anormale

caiac mediu

Vizualizați cu un grafic, priviți distribuția

Suprafitting (biblioteca halucinatorii)

funcţie inexistentă

Rulați, citiți eroare, uitați-vă la documentație

trei mini cutii

Cazul 1 — Eroare de volum ascuns. Un inginer solicită cod de la AI pentru calculul Hall-Petch; Codul se așteaptă la diametrul cerealelor în metri, dar inginerul introduce micrometri. Rezultatul este de 1000 de ori pervers, dar nu se observă la prima vedere deoarece arată ca un „număr”. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Lecție: testarea cu răspunsuri cunoscute dezvăluie eroarea unității în câteva secunde.

Cazul 2 — Pierderea silențioasă a datelor. O echipă curăță 500 de rezultate ale testelor de tragere cu un cod scris de AI; În timp ce codul elimină rândurile cu valori lipsă, de asemenea, elimină accidental unele dintre rândurile valide, lăsând 300 de rânduri. Rezistența medie este mai mare decât se aștepta deoarece lotul cu valoare scăzută este eliminat. Când echipa imprimă numărul de rânduri înainte/după procesare, ei văd că 200 de rânduri au dispărut în tăcere și repară filtrul. Lecție: imprimarea numărului de rânduri la fiecare pas de procesare a datelor prinde pierderi silențioase.

Cazul 3 – Utilizare corectă, raport repetabil. O echipă de calitate trebuie să proceseze zeci de înregistrări ale cuptorului și să producă rapoarte rezumative în fiecare săptămână. Acesta solicită AI să scrie un script comentat care citește fișierele în bloc și produce grafice și tabele rezumative. Echipa testează codul cu câteva fișiere cunoscute, verifică numărul de unități și linii, inspectează vizual graficul de ieșire. Apoi folosește scriptul săptămânal; Orele de lucru sunt reduse la minute și funcționează în același mod, auditabil, în fiecare săptămână. AI a permis automatizarea repetabilă, a confirmat echipa.

Șabloane de prompt copiabile

COD SCHELETON TEMPLATE"Rol: Sunteți asistent de cod pentru analiza datelor din metalurgie. Sarcină: [de exemplu, citiți rezultatele desenului din CSV și puterea medie de curgere]. Date: [fișier, coloane, UNITĂȚI]. scrieți un schelet comentat cu panda: (1) definiți unitățile în variabila deschisă în partea de sus, (2) citiți datele și tipăriți rândul Ștergeți AIN și numărați, (printați rândul 3, ștergeți AG) calcul, (5) imprimați rezultatul și o verificare de plauzibilitate. Adăugați comentarii la fiecare pas.

ȘABLAN DE TEST DE RĂSPUNS CUNOSCUT „Scrieți un „test de răspuns cunoscut” pentru următoarea funcție: [funcție]. Alegeți o intrare mică al cărei rezultat poate fi calculat manual, comentați rezultatul așteptat și verificați cu afirmație. De asemenea, testați consistența unității. Dacă testul nu trece, enumerați motivele posibile (unitate, coeficient, formulă)."

EXAMINARE COD/ȘABLON DE DEBUG „Examinați următorul cod: [cod]. Verificați și semnalați următoarele: (1) consistența volumului, (2) risc de pierdere silențioasă a datelor, (3) impact anormal, (4) ieșire imposibilă fizic (putere negativă, rata > 100%). Scrieți cum să verificați pentru fiecare risc. Nu confirmați codul de testare ca „funcționează”; indicați nefiabil.”

ȘABLON DE VIZUALIZARE „Plot [curbă de tracțiune / diagramă de control / distribuție] cu matplotlib. Adăugați UNITS la etichetele axelor, puneți titlul și grila. Marcați valorile aberante în mod diferit. Rețineți că trebuie să inspectez vizual graficul și să verific tendința așteptată (de exemplu, creșterea tensiunii). Nu ascundeți niciun punct pentru „înfrumusețare”.

Prompt slab / Prompt puternic

PROMPT SLAB: „Scrie-mi codul care face calculul Hall-Petch”.

STRONG PROMPT: „Rol: sunteți asistent de cod pentru analiza datelor metalurgice. Scrieți o funcție Python pentru a calcula Hall-Petch(σy = σ0 + k·d^(-1/2)). Unități: d micrometru, σ0 și σy MPa, k MPa·µm^(1/2). = 50 MPa, k = 300 MPa·µm^0,5 și testați cu afirmație Adăugați verificarea plauzibilității fizice (σy nu poate fi negativă fără testare).

Promptul slab produce cod care nu are unitate și testare și poate merge prost în tăcere. Solicitările puternice definesc în mod clar unitățile, impun conversia, necesită testarea răspunsurilor cunoscute și verificarea plauzibilității - făcând codul verificabil.

Rezumatul holistic al modulului: Locul și limitele IA în metalurgie

Un singur principiu a fost repetat pe parcursul acestui modul: AI este un asistent, nu un factor de decizie. Pe parcursul a douăsprezece unități, am folosit AI end-to-end, de la selecția materialelor la predicția proprietăților, analiza de fază la microstructură, tratamentul termic la fabricare, controlul calității la analiza daunelor, caracterizarea la standardizare și analiza Python. În fiecare unitate, AI a explicat concepte, a generat ipoteze, a scris schițe și coduri - dar în nicio unitate nu a luat decizia singură. Limitele au fost clare: halucinații (număr inventat și standard), nedelegarea responsabilității critice în materie de siguranță, dependență de calitatea datelor și de măsurare/calibrare, risc de extrapolare și confidențialitate. Disciplina verificării a rămas întotdeauna la oameni în triunghiul standard-laborator-cont.

Greșeli comune

• Aplicarea codului la date reale fără testare cu răspunsuri cunoscute.
• Nu definirea clară a unităților; Privind confuzia MPa/ksi, µm/m.
• Nu imprimarea numărului de rânduri în timpul pașilor de procesare a datelor și nu observați pierderea silențioasă.
• Bazându-te pe medie fără a vizualiza valori aberante.
• Acceptarea bibliotecii/funcția inexistentă alcătuită de AI fără a o executa.
• Presupunând că codul este corect pentru că „pare că funcționează”; neverificarea plauzibilității fizice.

Pe scurt

AI în analiza datelor metalurgice cu Python este un accelerator puternic pentru codificare, depanare și automatizare; dar codul pe care îl produce poate conține erori de unitate, coeficienți incorecți și pierderi silențioase de date. Verificați fiecare cod cu testarea răspunsului cunoscut, verificarea unității, urmărirea numărului de linii și plauzibilitatea fizică. Aici, ca și în întregul modul, AI este asistentul: asigură viteza și organizarea, acuratețea și responsabilitatea sunt preluate de inginerul autorizat. În deciziile metalurgice critice pentru siguranță, producția AI nu înlocuiește niciodată standardele, experimentele, calculele și aprobarea inginerului competent.

Sarcina de aplicare

Alegeți un calcul metalurgic (de exemplu, Hall-Petch sau o medie a datelor de tracțiune). Cu șablonul „CODE SCHELETON”, cereți AI un cod comentat care imprimă numărul de linii cu unități explicite. Apoi adăugați un scenariu de testare în care cunoașteți rezultatul manual cu șablonul „TEST DE RĂSPUNS CUNOSCUT” și rulați-l. Dacă codul nu dă valoarea așteptată, găsiți eroarea (unitate, coeficient, date) și remediați-o. În cele din urmă, scrieți despre disciplina de verificare AI pe care ați învățat-o în acest modul adaptându-l la propria afacere în trei articole.

lista de verificare

• [ ] Am definit clar sarcina, datele și unitățile pentru AI.
• [ ] Am definit unitățile cu variabile explicite în partea de sus a codului.
• [ ] În pașii de prelucrare a datelor, am tipărit numărul de rânduri și am verificat pierderea silențioasă.
• [ ] Am verificat codul cu un caz de testare cu un răspuns cunoscut.
• [ ] Am verificat plauzibilitatea fizică (valoare negativă/absurdă) a ieșirii.
• [ ] Am folosit AI ca accelerator; Am păstrat integritatea și responsabilitatea.

Examenul modulului

1. Când lucrați cu un instrument AI ca inginer de materiale, responsabilitatea finală pentru care dintre următoarele ar trebui să rămână întotdeauna omului (inginer juridic)?

• A) Aprobarea și semnarea aptitudinii unei piese pentru service ✔
• B) Întocmirea primului proiect al procesului verbal de avarie
• C) Editarea etichetelor axelor unui grafic de microstructură
• D) Pregătirea unui glosar de termeni metalurgici pentru o prezentare

Descriere: AI; Poate accelera sarcini precum clarificarea conceptului, redactarea rapoartelor, lista de ipoteze și scheletul de cod. Cu toate acestea, aprobarea adecvării unei piese pentru service/zbor este o decizie care are ca rezultat siguranța vieții și a proprietății; nu poate fi transferat la AI fără testare acreditată și aprobarea inginerului autorizat.

2. L-ați întrebat pe AI despre limita de curgere a oțelului AISI 4140 la călire și revenire la 200 °C, iar el a răspuns „1500 MPa cu siguranță”. Care este prima acțiune corectă de luat?

• A) Puneți valoarea direct în contul de design, deoarece AI pare încrezător
• B) Verificarea valorii cu fișa tehnică a materialului/certificatul morii și încercarea de tracțiune, dacă este necesar, fără a se baza pe valoarea unui punct ✔
• C) Scăderea aleatorie a valorii pentru a rămâne pe partea sigură
• D) Acceptați valoarea și treceți direct la rețeta de tratament termic

Explicație: Modelele de limbaj pot fabrica în mod convingător numere nefundamentate (halucinații). Limita de curgere; Acesta variază într-o gamă largă în funcție de temperatura de revenire, grosimea secțiunii și călibilitatea. Este necesar să se obțină valoarea din certificatul morii sau din testul de tracțiune în conformitate cu standardul și să nu se includă un singur punct de ieșire AI în proiectare.

3. Cu un model de învățare automată care prezice proprietățile unui oțel, AI a produs o valoare „sigură” pentru un aliaj care se află în afara intervalului de compoziție din datele de antrenament. Care este principala problemă cu această ieșire?

• A) Modelul dă întotdeauna rezultate în procente, MPa este greșit
• B) Predicția este nesigură deoarece este făcută în afara intervalului de date de antrenament (extrapolare) și trebuie verificată prin experiment ✔
• C) Modelul funcționează numai pentru oțel inoxidabil
• D) Ieșirea modelului este întotdeauna exact de două ori valoarea reală

Explicație: modelele de învățare automată funcționează în mod rezonabil în intervalul de date de antrenament (interpolare); Când sunt în afara acestui interval (extrapolare), predicțiile devin nesigure și modelul adesea nu arată acest lucru. Valoarea generată într-un punct din afara distribuției datelor de antrenament nu poate fi utilizată fără validare experimentală.

4. Ați aplicat AI pentru a calcula raportul de fază într-un aliaj cu două faze. Ce intrare ar trebui să folosească corect AI când aplică „regula pârghiei”?

• A) Numai temperatura; combinațiile sunt inutile
• B) Numai densitatea aliajului
• C) Compoziţia totală a aliajului cu compoziţiile limită de fază la temperatura relevantă ✔
• D) Doar temperatura de topire

Explicație: Regula pârghiei oferă cantitățile de fază utilizând distanțele dintre compozițiile limită de fază (de exemplu, compozițiile fazei solide și lichide) și compoziția totală a aliajului la o temperatură dată. Dacă combinațiile de limite de fază sunt citite incorect, raportul va fi complet greșit; Prin urmare, confirmarea valorilor din diagrama de fază este obligatorie.

5. Ați măsurat dimensiunea granulelor din microstructură cu un flux de procesare a imaginii alimentat de AI, dar ați uitat să calibrați bara de scară la pixel. De ce rezultatul nu este de încredere?

• A) Toate măsurătorile dimensionale sunt la o scară greșită deoarece nu a fost efectuată calibrarea lungimii pixelilor ✔
• B) Măsurarea este distorsionată deoarece este utilizată imaginea color
• C) Dimensiunea granulelor poate fi măsurată numai prin SEM, microscopia optică este inexactă
• D) Măsurarea nu este necesară deoarece rezoluția imaginii este mare

Descriere: În metalografia cantitativă, fiecărui pixel îi corespunde o lungime; Dacă această transformare nu este calibrată cu bara de scară, toate măsurătorile dimensionale, cum ar fi dimensiunea granulelor, raportul de fază și porozitatea, vor apărea pe o scară greșită. Calibrarea este primul pas obligatoriu al măsurării bazate pe imagini.

6. AI a sugerat o rețetă de tratament termic (austenitizare + călire + revenire) pentru a atinge duritatea țintă pentru un oțel. Care este cel mai bun pas înainte de a aplica rețeta?

• A) Aplicarea rețetei direct la producția de masă
• B) Aplicați rețeta pe piesa de probă, măsurați duritatea/microstructura și comparați-o cu standardul ✔
• C) Doar crește aleatoriu temperatura de temperare pe partea sigură
• D) Corectarea și aprobarea numai ortografiei prescripției

Descriere: Ca urmare a tratamentului termic; Grosimea secțiunii părții, întăribilitatea (Jominy) variază puternic în funcție de realitatea cuptorului și a mediului de răcire. Prescripția dată de AI este o ipoteză inițială; Ar trebui verificat prin aplicarea lui pe piesa de probă și măsurarea durității și microstructurii și comparând-o cu standardul.

7. Ați cerut AI un „număr specific de substanță” dintr-un standard ASTM pentru o valoare limită a materialului și acesta a răspuns cu o valoare exactă. Care este comportamentul ingineresc corect?

• A) Scrierea valorii direct în raport deoarece IA este la zi
• B) Modificarea aleatorie a valorii pentru a rămâne în siguranță
• C) Verificați numărul substanței, versiunea și valoarea din textul standard oficial și actual ✔
• D) Adăugarea numărului articolului la dosarul de conformitate fără a-l verifica

Explicație: chiar dacă modelele lingvistice cunosc corect numele standard, ele pot să-și amintească greșit sau să creeze numărul articolului, versiunea și punctul de întrerupere. În câmpurile obligatorii precum ASTM/ISO/EN, fiecare substanță și valoare trebuie verificată textual din sursa oficială și curentă; Ieșirea AI arată doar unde să căutați.

8. Ai arătat AI fotografia cu suprafața spartă a unui șurub și ai primit răspunsul „aceasta este cu siguranță o fractură de oboseală”. Care este abordarea corectă a analizei cauzei principale?

• A) Scrierea diagnosticului direct în raport pentru că AI vorbește precis
• B) Doar creșteți rezoluția fotografiei și confirmați diagnosticul
• C) Instalarea unei piese noi fără a examina suprafața spartă
• D) Confirmați diagnosticul ca ipoteză cu fractografie, istoric de încărcare și dovezi de microstructură ✔

Descriere: interpretare suprafețe sparte; Fractografia (striație, linii de plajă, separare gropiță/clivaj cu SEM) necesită luarea în considerare a istoricului de încărcare, a mediului și a dovezilor microstructurii împreună. Diagnosticul definitiv pe care AI îl face dintr-o singură fotografie este o ipoteză; Cauza principală nu poate fi declarată fără confirmare prin constatările de laborator.

9. AI a atribuit un vârf unei faze specifice într-un model XRD (difracție de raze X). Care este metoda cea mai potrivită pentru a fi sigură identificarea fazelor?

• A) Potrivirea vârfului cu baza de date cu modele de referință (de exemplu, carduri PDF) și verificarea suprapunerii și a artefactelor ✔
• B) Acceptarea directă a sarcinii, deoarece AI spune numele fazei
• C) Luând în considerare doar vârful cel mai înalt și ignorând restul
• D) Colorează modelul și fă-l frumos vizual

Descriere: Identificarea fazei XRD se face prin potrivirea pozițiilor și intensităților de vârf măsurate cu modele de referință cunoscute (de exemplu, carduri ICDD/PDF). Alocarea unui singur vârf în mod izolat este înșelătoare; vârfurile suprapuse, orientarea preferențială și artefactele de fundal ar trebui să fie luate în considerare și atribuirea confirmată cu baza de date de referință.

10. Un proiect de raport de avarie/inspecție întocmit de AI conține valori tehnice fluide, dar de origine necunoscută. Care este comportamentul corect?

• A) Prezentarea raportului așa cum este, deoarece textul este fluent
• B) Rotunjirea și glosarea valorilor
• C) Citiți doar rezumatul executiv și săriți peste restul
• D) Potriviți fiecare valoare cu măsurarea/sursa originală și eliminați ✔ neconfirmat

Descriere: Fiecare valoare tehnică din raport; Acesta trebuie să poată fi urmărit la măsurare, înregistrarea dispozitivului calibrat, standard sau datele producătorului. Chiar dacă este o valoare într-o propoziție fluentă, niciun număr a cărui sursă nu a fost verificată nu trebuie inclus în raport sau în baza deciziei; În caz contrar, o valoare fictivă este transferată documentului care creează răspundere.

11. Care este cel mai bun pas înainte de a utiliza un calcul Python generat de AI (de exemplu, relația Hall-Petch pentru dimensiunea granulelor-limita de curgere)?

• A) Aplicarea codului direct la datele reale de producție
• B) Asigurându-vă doar că codul arată scurt și îngrijit
• C) Rulați codul într-un scenariu de testare cu rezultate cunoscute și verificați unitățile și ieșirea ✔
• D) Ștergerea unei părți a codului pentru a-l scurta

Explicație: Un cod poate părea corect, dar poate da un rezultat greșit: poate exista o eroare de unitate, un coeficient incorect sau o eroare de formulă. Rularea codului într-un mic caz de testare în care cunoașteți rezultatul manual și compararea acestuia cu rezultatul așteptat și verificarea unităților prinde eroarea înainte de a trece la decizia reală.

12. Doriți să lipiți rețeta de aliaj nebrevetată și parametrii de proces ai companiei dvs. într-un instrument AI disponibil public și să solicitați o analiză. Care este cea mai corectă abordare?

• A) Lipirea rețetei așa cum este pentru a o face mai rapidă
• B) Este suficient să ștergeți numele companiei și să partajați toți parametrii rămași.
• C) Partajarea datelor și apoi solicitarea AI-ului să le ștergă
• D) Verificarea politicii instituționale și anonimizarea datelor sau utilizarea unui instrument securizat/instituțional ✔

Descriere: Rețeta de aliaj, parametrii de proces și specificațiile clientului sunt sensibile la secretul comercial și la proprietatea intelectuală. Înainte de a partaja datele, este necesar să verificați politica corporativă, să o anonimizați sau să utilizați un instrument instituțional/la fața locului care nu trimite datele.

13. Sistemul SPC (control statistic al procesului) alimentat de IA a semnalat că o limită a graficului de control a fost depășită într-un lot de producție. Care este comportamentul ingineresc corect?

• A) Ignorați avertismentul și continuați producția
• B) Extinderea limitelor de control astfel încât să nu apară niciun avertisment
• C) Luați în considerare avertismentul ca declanșator, confirmați măsurarea, investigați cauza principală și decideți cu criterii de acceptare ✔
• D) Casarea directă a întregului lot fără măsurare

Explicație: Depășirea limitei diagramei de control este un avertisment; Cauza principală nu este automat evidentă. Poate fi o eroare de măsurare, o problemă de eșantionare sau o deviere reală a procesului. Abordarea corectă este de a considera avertismentul ca declanșator, de a confirma măsurarea, de a investiga cauza principală și de a lua o decizie pe baza criteriilor de acceptare și a rezultatului NDT/examinării.

14. Evaluarea imaginii asistată de IA pe o piesă de turnare a marcat o zonă ca „acceptabilă”. Care este abordarea corectă pentru o parte critică pentru siguranță?

• A) Considerând evaluarea preliminară AI ca instrument de screening și legarea acceptării finale de rezultatul END și aprobarea autorizată ✔
• B) Considerați evaluarea AI ca acceptare finală și aprobați partea
• C) Trecerea la următorul proces fără a inspecta deloc piesa
• D) Este suficient să verificați doar vizual suprafața piesei.

Descriere: Defectele interne de turnare (porozitate, contracție, incluziuni) sunt adesea invizibile de la suprafață și sunt evaluate prin teste nedistructive (NDT: radiografie, ultrasonic). Evaluarea preliminară pe care AI o dă prin intermediul imaginii este un instrument de screening; Acceptarea finală a părții critice pentru siguranță este dată cu NDT și aprobarea de inspecție autorizată în conformitate cu standardul.