පයිතන් සමඟ AI හි ලෝහමය දත්ත විශ්ලේෂණය සහ මායිම්

ලාභ:

• AI සහාය ඇතිව Python සමඟින් ලෝහ විද්‍යාත්මක දත්ත පිරිසිදු කරන, විශ්ලේෂණය කරන සහ දෘශ්‍යමාන කරන කේතය නිපදවීමට සහ තේරුම් ගැනීමට හැකියාව
• ඒකක පරීක්ෂා කිරීම, පරීක්ෂණ අවස්ථාව සහ භෞතික විශ්වසනීයත්වය සමඟ AI-ජනනය කරන ලද කේතය වලංගු කිරීමේ පුරුද්දක් ඇති කර ගැනීමේ හැකියාව
• ලෝහ විද්‍යාවේ AI හි අවසානය දක්වා සීමාවන්, වගකීම සහ සදාචාරාත්මක රාමුව පිළිබඳ පරිපූර්ණ අවබෝධයක්

ලෝහමය වැඩ වැඩි වැඩියෙන් දත්ත සමඟ සිදු කරනු ලැබේ: ආතන්ය පරීක්ෂණ ප්රතිඵල සිය ගණනක්, SPC මිනුම් දහස් ගණනක්, තාප පිරියම් කිරීමේ උදුන වාර්තා, ගුනාංගීකරන ප්රතිදාන. Excel හි මෙම දත්ත හඹා යාම මන්දගාමී සහ දෝෂ සහිතය; Python (දත්ත විශ්ලේෂණය සහ විද්‍යාත්මක පරිගණනය සඳහා පොදු ක්‍රමලේඛන භාෂාවක්) මෙය නැවත නැවත කළ හැකි, විගණනය කළ හැකි සහ ස්වයංක්‍රීය කරයි. Python කේතය ලිවීමට, දෝෂහරණය කිරීමට සහ පැහැදිලි කිරීමට AI ඉතා ප්‍රබලයි - නමුත් එය නිපදවන කේතය නිවැරදිව පෙනෙන නමුත් වැරදි ප්‍රතිඵලයක් ලබා දිය හැක: ඒකක දෝෂය, වැරදි සංගුණකය, නිහඬ දත්ත නැතිවීම. මෙම අවසාන ඒකකය තුළ, ඔබ Python හි AI සහාය ඇතිව ලෝහ විද්‍යාත්මක දත්ත විශ්ලේෂණය කරන්නේ කෙසේද සහ එක් එක් කේතය සත්‍යාපනය කරන්නේ කෙසේදැයි ඉගෙන ගනු ඇත, ඉන්පසු සම්පූර්ණ මොඩියුලය පුරාවටම ආවරණය කර ඇති AI සීමාවන්, වගකීම් සහ ආචාර ධර්ම රාමුව පරිපූර්ණ ලෙස වට කරයි.

ලෝහ විද්‍යාත්මක දත්ත විශ්ලේෂණයේ සාමාන්‍ය කාර්යයන්

Python හි AI සහාය ඇති පොදු කාර්යයන්:

• දත්ත පිරිසිදු කිරීම: අස්ථානගත වූ අගය, ඒකක ව්‍යාකූලත්වය (MPa vs. ksi), පිටත ඉවත් කිරීම. අපිරිසිදු දත්ත හොඳම විශ්ලේෂණය පවා දූෂිත කරයි.
• දෘශ්‍යකරණය: ආතන්ය වක්‍රය ඇඳීම, පාලන ප්‍රස්ථාරය, ධාන්ය ප්‍රමාණය ව්‍යාප්තිය, උෂ්ණත්ව කාල පැතිකඩ.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• ස්වයංක්‍රීයකරණය: ගොනු විශාල ප්‍රමාණයක් සැකසීම සහ සාරාංශ වගු/වාර්තා නිෂ්පාදනය කිරීම.

Hall-Petch සම්බන්ධතාවය මෙහි හොඳ උදාහරණයකි: අස්වැන්න ශක්තිය ධාන්ය විෂ්කම්භයේ වර්ගමූලයට ප්‍රතිලෝමව සමානුපාතිකව වැඩිවේ. AI හට මෙම සූත්‍රය කේතයට පරිවර්තනය කළ හැක; නමුත් ඔබ මයික්‍රොමීටරයක් ​​හෝ මීටරයක් ​​ලෙස d භාවිතා කළත් k සංගුණකය සඳහා ඔබ භාවිතා කරන ඒකකය ප්‍රතිඵලය සම්පූර්ණයෙන්ම වෙනස් කරයි. කේතයේ නිරවද්‍යතාවය පවතින්නේ සූත්‍රය කටපාඩම් කිරීමේදී නොව, ඒකක වලංගු කිරීම සහ පරීක්ෂණ නඩුවක් තුළ ය.

ඉඟිය: AI විසින් ලියන සෑම ගිණුමකම "දන්නා පිළිතුරු පරීක්ෂණයක්" ඇතුළත් කිරීමට වග බලා ගන්න. ඔබ අතින් ප්‍රතිඵලය දන්නා කුඩා ආදානයක් දෙන්න (උදා: d = 100 µm සඳහා අපේක්ෂිත ශක්තිය); කේතය එම අගය ලබා දෙන්නේ නම්, ඔබට එය විශ්වාස කළ හැකිය; එසේ නොවේ නම්, දෝෂය සැඟවී ඇත.

පියවරෙන් පියවර: AI සමඟ ආරක්ෂිත විශ්ලේෂණ ප්‍රවාහයක්

1. කාර්යය සහ දත්ත විස්තර කරන්න: කුමන ගොනුව, කුමන තීරු, කුමන ඒකක, ගණනය කරනු ලබන්නේ කුමක් ද?
2. කේත ඇටසැකිල්ල ඉල්ලන්න: අදහස් දැක්වූ, පියවරෙන් බෙදුණු ඇටසැකිල්ලක් සඳහා AI ගෙන් විමසන්න; ඉහළින් ඇති පැහැදිලි විචල්‍යයන් සහිත ඒකක නිර්වචනය කරන්න.
3. කුඩා දත්ත සමඟ පරීක්ෂා කරන්න: පළමුව පේළි කිහිපයක් / දන්නා අගයන් සමඟ ධාවනය කරන්න; ප්රතිඵලය අතින් පරීක්ෂා කරන්න.
4. ඒකක සහ මායිම් පාලනය: ප්‍රතිදානය භෞතිකව සාධාරණද? Negative strength, 120% rate වගේ විකාර තියෙනවද?
5. දෘශ්‍යකරණය සහ බලන්න: ප්‍රස්ථාරය අපේක්ෂිත ප්‍රවණතාවය පෙන්වයිද? පිටස්තර දත්ත දෝෂ ද?
6. තහවුරු කර ලේඛනගත කරන්න: ප්රතිඵලය ස්වාධීන ගණනය කිරීමකට / සම්මතයකට සසඳන්න; කේතය සහ උපකල්පන අදහස් දක්වන්න.

AI කේත සත්‍යාපන වගුව

අවදානම

රෝග ලක්ෂණය

පාලන ක්රමය

ඒකක දෝෂය

ප්රතිඵලය 1000x විකෘති වේ

පැහැදිලි විචල්‍යයේ ඒකක නිර්වචනය කරන්න, ප්‍රමාණය පාලනය කරන්න

වැරදි සංගුණකය/සූත්‍රය

සාධාරණ නමුත් වැරදි වටිනාකමක්

දන්නා පිළිතුරු සහිත පරීක්ෂණ අවස්ථාව

නිහඬ දත්ත නැතිවීම

පේළි ගණන බලාපොරොත්තු වූවාට වඩා අඩුය

සැකසීමට පෙර/පසු පේළි ගණන මුද්‍රණය කරන්න

පිටත විකෘති කිරීම

සාමාන්ය කයාක්

ප්‍රස්ථාරයක් සමඟ දෘශ්‍යමාන කරන්න, බෙදා හැරීම බලන්න

අධික ලෙස ගැලපීම (හලුසිනේටරි පුස්තකාලය)

නොපවතින කාර්යය

ධාවනය, කියවීමේ දෝෂය, ලේඛන බලන්න

කුඩා නඩු තුනක්

නඩුව 1 - සැඟවුණු පරිමාව දෝෂය. හෝල්-පෙච් ගණනය කිරීම සඳහා ඉංජිනේරුවෙකු AI වෙතින් කේතයක් ඉල්ලයි; කේතය ධාන්ය විෂ්කම්භය මීටර් වලින් අපේක්ෂා කරයි, නමුත් ඉංජිනේරුවා මයික්රොමීටර වලට ඇතුල් වේ. එහි ප්‍රතිඵලය 1000 ගුණයක් විකෘති වුවත් එය බැලූ බැල්මට නොපෙනෙන්නේ එය "අංකයක්" ලෙස පෙනෙන බැවිනි. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüküdaş. පාඩම: දන්නා-පිළිතුරු පරීක්ෂාව තත්පර කිහිපයකින් ඒකක දෝෂයක් අනාවරණය කරයි.

නඩුව 2 - නිහඬ දත්ත අහිමි වීම. කණ්ඩායමක් AI-ලිඛිත කේතය සමඟින් 500 ඇදීමේ පරීක්ෂණ ප්‍රතිඵල පිරිසිදු කරයි; කේතය නැතිවූ අගයන් සහිත පේළි පහත හෙළන අතර, එය අහම්බෙන් සමහර වලංගු පේළි ඉවතලන අතර පේළි 300ක් ඉතිරි කරයි. සාමාන්‍ය ප්‍රබලතාව බලාපොරොත්තු වූවාට වඩා ඉහළ අගයක් ගනී, මන්ද අඩු අගය කණ්ඩායම ඉවත් කර ඇත. කණ්ඩායම සැකසීමට පෙර/පසු පේළි ගණන මුද්‍රණය කරන විට, පේළි 200 ක් නිශ්ශබ්දව අතුරුදහන් වී ඇති බව ඔවුන් දකින අතර පෙරණය සවි කරයි. පාඩම: එක් එක් දත්ත සැකසුම් පියවරේදී පේළි ගණන මුද්‍රණය කිරීමෙන් නිහඬ පාඩු ලැබේ.

නඩුව 3 - නිවැරදි භාවිතය, නැවත නැවතත් කළ හැකි වාර්තාව. ගුණාත්මක කණ්ඩායමක් සෑම සතියකම උදුන වාර්තා දුසිම් ගණනක් සකස් කර සාරාංශ වාර්තා ඉදිරිපත් කළ යුතුය. ගොනු තොග වශයෙන් කියවන සහ ප්‍රස්ථාර සහ සාරාංශ වගු නිපදවන අදහස් දැක්වූ ස්ක්‍රිප්ට් එකක් ලිවීමට එය AI වෙතින් ඉල්ලා සිටී. කණ්ඩායම දන්නා ගොනු කිහිපයක් සමඟ කේතය පරීක්ෂා කරයි, ඒකක සහ රේඛා ගණන සත්‍යාපනය කරයි, ප්‍රතිදාන ප්‍රස්ථාරය දෘශ්‍ය ලෙස පරීක්ෂා කරයි. ඉන්පසු සතිපතා ස්ක්‍රිප්ට් භාවිතා කරයි; වැඩ කරන පැය ගණන මිනිත්තු වලට අඩු කර සෑම සතියකම එකම, විගණනය කළ හැකි ආකාරයෙන් වැඩ කරන්න. AI පුනරාවර්තන ස්වයංක්‍රීයකරණය සක්‍රීය කර ඇති බව කණ්ඩායම තහවුරු කළේය.

පිටපත් කළ හැකි ඉක්මන් සැකිලි

CODE SKELETON TEMPLATE"භූමිකාව: ඔබ ලෝහ විද්‍යා දත්ත විශ්ලේෂණය සඳහා කේත සහායකයා වේ. කාර්යය: [උදා: CSV සහ සාමාන්‍ය අස්වැන්න ශක්තියෙන් ඇඳීම් ප්‍රතිඵල කියවීම]. දත්ත: [ගොනුව, තීරු, UNITS]. අදහස් කළ ඇටසැකිල්ලක් pandas සමඟ ලියන්න: (1) ඉහළින් ඇති දත්තවල ඒකක කියවන්න සහ විචල්‍ය කළ හැකි සංඛ්‍යාව මුද්‍රණය කරන්න. පේළි, (3) නැවත පේළි ගණන පැහැදිලි කර මුද්‍රණය කරන්න, (4) ගණනය කරන්න, (5) ප්‍රතිඵලය මුද්‍රණය කරන්න සහ මට සත්‍යාපනය කිරීමට අවශ්‍ය සෑම පියවරකටම අදහස් එක් කරන්න.

දන්නා පිළිතුරු පරීක්ෂණ සැකිල්ල "පහත කාර්යය සඳහා 'දන්නා පිළිතුරු පරීක්ෂණයක්' ලියන්න: [function]. ප්‍රතිඵලය අතින් ගණනය කළ හැකි කුඩා ආදානයක් තෝරන්න, අපේක්ෂිත ප්‍රතිදානය අදහස් කරන්න, සහ තහවුරු කිරීම සමඟ එය පරීක්ෂා කරන්න. ඒකක අනුකූලතාව පරීක්ෂා කරන්න. පරීක්ෂණය සමත් නොවන්නේ නම්, හැකි හේතු ලැයිස්තුගත කරන්න (ඒකකය, සංගුණකය, සූත්‍රය)."

කේත සමාලෝචනය / DEBUG TEMPLATE"පහත කේතය පරීක්ෂා කරන්න: [කේතය]. පහත සඳහන් දේ පරීක්ෂා කර සලකුණු කරන්න:(1) පරිමාවේ අනුකූලතාව, (2) නිශ්ශබ්ද දත්ත නැතිවීමේ අවදානම, (3) බාහිර බලපෑම, (4) භෞතිකව කළ නොහැකි ප්‍රතිදානය (සෘණ ශක්තිය, >100% අනුපාතය). එක් එක් අවධානම සඳහා පරීක්‍ෂාවෙන් තොරව සත්‍යාපනය කළ නොහැකි කේතය සඳහන් කරන්නේ කෙසේද යන්න ලියන්න.

දෘශ්‍යකරණ අච්චුව"මැට්ප්ලොට්ලිබ් සහිත බිම් කොටස [ආතන්ය වක්‍රය / පාලන කුමන්ත්‍රණය / බෙදා හැරීම]. අක්ෂ ලේබලවලට UNITS එක් කරන්න, මාතෘකාව සහ ජාලකය දමන්න. පිටස්තරයන් වෙනස් ලෙස සලකුණු කරන්න. මට කුමන්ත්‍රණය දෘශ්‍යමය වශයෙන් පරීක්ෂා කර බලා අපේක්ෂිත ප්‍රවණතාවය සත්‍යාපනය කිරීමට අවශ්‍ය බව සටහන් කර ගන්න (උදා: වැඩිවන ආතතිය-වියාකීම්' දත්ත සඟවන්න එපා).

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල විමසුම: "හෝල්-පෙච් ගණනය කරන කේතය මට ලියන්න."

ශක්තිමත් ප්‍රොම්ප්ට්:"භූමිකාව: ලෝහ විද්‍යාත්මක දත්ත විශ්ලේෂණය සඳහා කේත සහායකයා ඔබයි. Hall-Petch (σy = σ0 + k·d^(-1/2)) ගණනය කිරීම සඳහා පයිතන් ශ්‍රිතයක් ලියන්න. ඒකක: d මයික්‍රොමීටරය, σ0 සහ σy MPa, k MPa·µmr ^ (1/2) ක්‍රියාව තුළ පරිවර්තනය කරන්න. 100 µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 සඳහා අපේක්‍ෂිත ප්‍රතිඵලය ගණනය කරන්න සහ තහවුරු කිරීම සමඟින් පරීක්ෂා කරන්න (σy පරීක්‍ෂණයකින් තොරව කේතය ඍණාත්මක විය නොහැක).

දුර්වල ප්‍රමාදය ඒකකයක් සහ පරීක්‍ෂණයක් නොමැති කේතයක් නිපදවන අතර නිහඬව වැරදි විය හැක. ප්‍රබල විමසීම් පැහැදිලිවම ඒකක නිර්වචනය කරයි, පරිවර්තනය බලාත්මක කරයි, දන්නා-පිළිතුරු පරීක්ෂාව අවශ්‍ය වේ, සහ විශ්වාසනීයත්වය පරීක්ෂා කිරීම - කේතය සත්‍යාපනය කරයි.

මොඩියුලයේ සමස්ථ සාරාංශය: ලෝහ විද්‍යාවේ AI හි ස්ථානය සහ සීමාවන්

මෙම මොඩියුලය පුරා තනි මූලධර්මයක් පුනරාවර්තනය විය: AI සහායකයෙකි, තීරණ ගන්නෙකු නොවේ. ඒකක දොළහක් පුරා, අපි ද්‍රව්‍ය තේරීමේ සිට දේපල පුරෝකථනය දක්වා, අදියර විශ්ලේෂණය සිට ක්ෂුද්‍ර ව්‍යුහය දක්වා, තාප පිරියම් කිරීම සිට පිරිසැකසුම් කිරීම, හානි විශ්ලේෂණයට තත්ත්ව පාලනය, ප්‍රමිතිකරණයට ගුනාංගීකරනය සහ පයිතන් විශ්ලේෂණය දක්වා AI අන්තයේ සිට අවසානය දක්වා භාවිතා කළෙමු. සෑම ඒකකයකම, AI සංකල්ප පැහැදිලි කළේය, උපකල්පන ජනනය කළේය, කෙටුම්පත් සහ කේතය ලිවීය - නමුත් කිසිදු ඒකකයක එය තනිවම තීරණය කළේ නැත. සීමාවන් පැහැදිලි විය: මායාව (සාදන ලද අංකය සහ සම්මත), ආරක්ෂිත-විවේචනාත්මක වගකීම පැවරීම නොකිරීම, දත්තවල ගුණාත්මකභාවය සහ මිනුම්/ක්‍රමාංකනය මත යැපීම, පිටකිරීමේ අවදානම සහ රහස්‍යභාවය. සත්‍යාපනයේ විනය සෑම විටම සම්මත-රසායනාගාර-ගිණුම් ත්‍රිකෝණය තුළ මිනිසුන් සමඟ පවතී.

පොදු වැරදි

• දන්නා පිළිතුරු සමඟ පරීක්‍ෂා නොකර සැබෑ දත්තවලට කේතය යෙදීම.
• ඒකක පැහැදිලිව නිර්වචනය නොකිරීම; MPa/ksi නොසලකා හරිමින්, µm/m ව්‍යාකූලත්වය.
• දත්ත සැකසීමේ පියවරයන්හිදී පේළි ගණන මුද්‍රණය නොකිරීම සහ නිශ්ශබ්ද අලාභය නොදැනීම.
• බාහිරයන් දෘශ්‍යමාන නොකර මධ්‍යන්‍යය මත රඳා සිටීම.
• AI විසින් සාදන ලද නොපවතින පුස්තකාලය/ක්‍රියාකාරීත්වය ක්‍රියාත්මක නොකර පිළිගැනීම.
• කේතය "වැඩ කරන බව පෙනේ" නිසා එය නිවැරදි යැයි උපකල්පනය කිරීම; භෞතික විශ්වසනීයත්වය පරීක්ෂා කිරීමට අසමත් වීම.

සාරාංශයක් ලෙස

Python සමඟ ලෝහ විද්‍යාත්මක දත්ත විශ්ලේෂණයේ AI යනු කේතීකරණය, නිදොස්කරණය සහ ස්වයංක්‍රීයකරණය සඳහා ප්‍රබල ත්වරණයකි; නමුත් එය නිපදවන කේතය ඒකක දෝෂ, වැරදි සංගුණක සහ නිශ්ශබ්ද දත්ත නැතිවීම රැගෙන යා හැක. දන්නා-පිළිතුරු පරීක්ෂාව, ඒකක පරීක්ෂාව, රේඛා ගණන් ලුහුබැඳීම, සහ භෞතික විශ්වසනීයත්වය සමඟ එක් එක් කේතය සත්‍යාපනය කරන්න. මෙහිදී, සමස්ත මොඩියුලයේ මෙන්, AI සහායකයා වේ: එය වේගය සහ සංවිධානය, නිරවද්‍යතාවය සහ වගකීම බලයලත් ඉංජිනේරුවරයා විසින් භාර ගැනීම සහතික කරයි. ආරක්ෂිත-විවේචනාත්මක ලෝහ විද්‍යාත්මක තීරණ වලදී, AI ප්‍රතිදානය කිසි විටෙකත් ප්‍රමිති, අත්හදා බැලීම්, ගණනය කිරීම් සහ දක්ෂ ඉංජිනේරු අනුමැතිය සඳහා ආදේශකයක් නොවේ.

යෙදුම් කාර්යය

ලෝහමය ගණනය කිරීමක් තෝරන්න (උදා. Hall-Petch හෝ ආතන්ය දත්ත සාමාන්යය). "CODE SKELETON" අච්චුව සමඟින්, පැහැදිලිව ඒකක සහිත රේඛා ගණන මුද්‍රණය කරන අදහස් දැක්වූ කේතයක් සඳහා AI වෙතින් විමසන්න. ඉන්පසු "දන්නා පිළිතුරු පරීක්ෂණය" අච්චුව සමඟින් ඔබ ප්‍රතිඵලය හස්තීයව දන්නා පරීක්‍ෂණ දර්ශනයක් එක් කර එය ක්‍රියාත්මක කරන්න. කේතය අපේක්ෂිත අගය ලබා නොදෙන්නේ නම්, දෝෂය (ඒකකය, සංගුණකය, දත්ත) සොයාගෙන එය නිවැරදි කරන්න. අවසාන වශයෙන්, ඔබ මෙම මොඩියුලය තුළ ඉගෙන ගත් AI සත්‍යාපන විනය ගැන ලිපි තුනකින් ඔබේම ව්‍යාපාරයට අනුවර්තනය කර ලියන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම AI වෙත කාර්යය, දත්ත සහ ඒකක පැහැදිලිව නිර්වචනය කළෙමි.
• [ ] මම කේතයේ ඉහළින් ඇති පැහැදිලි විචල්‍යයන් සහිත ඒකක නිර්වචනය කළෙමි.
• [ ] දත්ත සැකසීමේ පියවරේදී, මම පේළි ගණන මුද්‍රණය කර නිහඬ පාඩුව පරීක්ෂා කළෙමි.
• [ ] මම දන්නා පිළිතුරක් සහිත පරීක්ෂණ නඩුවක් සමඟ කේතය සත්‍යාපනය කළෙමි.
• [ ] මම ප්‍රතිදානයේ භෞතික විද්‍යාත්මකභාවය (සෘණ/විකාර අගය) පරීක්ෂා කළෙමි.
• [ ] මම ත්වරණකාරකයක් ලෙස AI භාවිතා කළෙමි; මම අඛණ්ඩතාව සහ වගකීම රැකගත්තා.

මොඩියුල විභාගය

1. ද්‍රව්‍ය ඉංජිනේරුවෙකු ලෙස AI මෙවලමක් සමඟ වැඩ කරන විට, පහත සඳහන් කවරක් සඳහා අවසාන වගකීම සැමවිටම මිනිසා (නීති ඉංජිනේරු) සමඟ පැවතිය යුතුද?

• A) සේවාව සඳහා කොටසක යෝග්‍යතාවය අනුමත කිරීම සහ අත්සන් කිරීම ✔
• B) හානි වාර්තාවක පළමු කෙටුම්පත සකස් කිරීම
• C) ක්ෂුද්‍ර ව්‍යුහ ප්‍රස්ථාරයක අක්ෂ ලේබල සංස්කරණය කිරීම
• D) ඉදිරිපත් කිරීමක් සඳහා ලෝහ විද්‍යාත්මක පදවල පාරිභාෂික ශබ්ද මාලාවක් සකස් කිරීම

විස්තරය: AI; එය සංකල්ප පැහැදිලි කිරීම, වාර්තා කෙටුම්පත් කිරීම, උපකල්පන ලැයිස්තුව සහ කේත ඇටසැකිල්ල වැනි කාර්යයන් වේගවත් කළ හැකිය. කෙසේ වෙතත්, සේවා/ගුවන් ගමන් සඳහා කොටසක යෝග්‍යතාවය අනුමත කිරීම ජීවිත හා දේපළවල ආරක්ෂාවට හේතු වන තීරණයකි; ප්‍රතීතනය ලත් පරීක්ෂණ සහ බලයලත් ඉංජිනේරු අනුමැතියකින් තොරව AI වෙත මාරු කළ නොහැක.

2. AISI 4140 වානේ නිවාදැමීම සහ 200 °C දී තෙම්පරාදු කළ විට එහි අස්වැන්න ශක්තිය ගැන ඔබ AI ගෙන් විමසූ අතර, ඔහු '1500 MPa නිසැකවම' පිළිතුරු දුන්නේය. ගත යුතු පළමු නිවැරදි ක්‍රියාමාර්ගය කුමක්ද?

• A) AI විශ්වාස කරන නිසා අගය කෙලින්ම සැලසුම් ගිණුමට දමන්න
• B) ද්‍රව්‍ය දත්ත පත්‍රිකාව/ඇඹරුම් සහතිකය සමඟ අගය සත්‍යාපනය කිරීම සහ අවශ්‍ය නම් ආතන්ය පරීක්ෂණය, තනි ලක්ෂ්‍ය අගය මත රඳා නොපවතී ✔
• C) ආරක්ෂිත පැත්තේ රැඳී සිටීම සඳහා අහඹු ලෙස අගය අඩු කිරීම
• D) අගය පිළිගෙන තාප පිරියම් කිරීමේ වට්ටෝරුව වෙත කෙලින්ම ගමන් කරන්න

පැහැදිලි කිරීම: භාෂා ආකෘතීන්ට ඒත්තු ගැන්වෙන පරිදි සනාථ කළ නොහැකි සංඛ්‍යා (මායාවන්) නිර්මාණය කළ හැක. අස්වැන්න ශක්තිය; උෂ්ණත්වය, අංශ ඝණකම සහ දෘඪතාව මත පදනම්ව එය පුළුල් පරාසයක වෙනස් වේ. ප්‍රමිතියට අනුකූලව මෝල් සහතිකයෙන් හෝ ආතන්ය පරීක්‍ෂණයෙන් අගය ලබා ගැනීම අවශ්‍ය වන අතර නිර්මාණයේ තනි ලක්ෂ්‍ය AI ප්‍රතිදානයක් ඇතුළත් නොකළ යුතුය.

3. වානේවල ගුණය පුරෝකථනය කරන යන්ත්‍ර ඉගෙනුම් ආකෘතියක් සමඟින්, පුහුණු දත්තවල සංයුති පරාසයෙන් පිටත මිශ්‍ර ළිඳක් සඳහා AI 'ආරක්ෂිත' අගයක් නිෂ්පාදනය කළේය. මෙම ප්‍රතිදානයේ ඇති ප්‍රධාන ගැටලුව කුමක්ද?

• A) ආකෘතිය සෑම විටම සියයට වලින් ප්රතිඵල ලබා දෙයි, MPa වැරදියි
• B) පුරෝකථනය විශ්වාස කළ නොහැක්කේ එය පුහුණු දත්ත පරාසයෙන් පිටත සිදු කර ඇති නිසා (extrapolation) සහ අත්හදා බැලීමෙන් සත්‍යාපනය කළ යුතුය ✔
• C) ආකෘතිය මල නොබැඳෙන වානේ සඳහා පමණක් ක්රියා කරයි
• D) ආකෘතියේ ප්‍රතිදානය සෑම විටම සත්‍ය අගය මෙන් දෙගුණයක් වේ

පැහැදිලි කිරීම: යන්ත්‍ර ඉගෙනුම් ආකෘති පුහුණු දත්ත පරාසය තුළ සාධාරණ ලෙස ක්‍රියා කරයි (අන්තර්ගත කිරීම); මෙම පරාසයෙන් පිටත (extrapolation), අනාවැකි විශ්වාස කළ නොහැකි වන අතර ආකෘතිය බොහෝ විට මෙය නොපෙන්වයි. පුහුණු දත්ත බෙදා හැරීමෙන් පිටත ස්ථානයක ජනනය කරන ලද අගය පර්යේෂණාත්මක වලංගුකරණයකින් තොරව භාවිතා කළ නොහැක.

4. ද්වි-අදියර මිශ්‍ර ලෝහයක අදියර අනුපාතය ගණනය කිරීමට ඔබ AI යෙදුවා. 'ලීවර රීතිය' යොදන විට AI නිවැරදිව භාවිතා කළ යුතු ආදානය කුමක්ද?

• A) උෂ්ණත්වය පමණක්; සංයෝජන අනවශ්යයි
• B) මිශ්ර ලෝහයේ ඝනත්වය පමණි
• C) අදාළ උෂ්ණත්වයේ දී අදියර මායිම් සංයුති සහිත මිශ්‍ර ලෝහයේ සම්පූර්ණ සංයුතිය ✔
• D) දියවන උෂ්ණත්වය පමණි

පැහැදිලි කිරීම: ලීවර රීතිය මඟින් අදියර මායිම් සංයුතිය (උදා: ඝන සහ ද්‍රව අවධියේ සංයුති) සහ දී ඇති උෂ්ණත්වයකදී මිශ්‍ර ලෝහයේ සම්පූර්ණ සංයුතිය අතර දුර භාවිතා කරමින් අදියර ප්‍රමාණ ලබා දෙයි. අදියර මායිම් සංයෝජන වැරදි ලෙස කියවා ඇත්නම්, අනුපාතය සම්පූර්ණයෙන්ම වැරදියි; එබැවින්, අදියර රූප සටහනෙන් අගයන් තහවුරු කිරීම අනිවාර්ය වේ.

5. ඔබ ක්ෂුද්‍ර ව්‍යුහයෙන් ධාන්‍ය ප්‍රමාණය AI බලයෙන් ක්‍රියාත්මක වන රූප සැකසුම් ප්‍රවාහයක් සමඟ මැනිය, නමුත් පරිමාණ තීරුව පික්සලයට ක්‍රමාංකනය කිරීමට අමතක විය. ප්රතිඵලය විශ්වාස කළ නොහැකි ඇයි?

• A) පික්සල් දිග ක්‍රමාංකනය සිදු නොකළ නිසා සියලුම මාන මිනුම් වැරදි පරිමාණයෙන් ඇත ✔
• B) වර්ණ රූපය භාවිතා කරන නිසා මිනුම් විකෘති වේ
• C) ධාන්‍ය ප්‍රමාණය මැනිය හැක්කේ SEM මගින් පමණි, දෘශ්‍ය අන්වීක්ෂය වැරදිය
• D) රූපයේ විභේදනය ඉහළ බැවින් මැනීම අනවශ්‍යයි

විස්තරය: ප්‍රමාණාත්මක ලෝහ විද්‍යාවේදී, සෑම පික්සලයක්ම දිගකට අනුරූප වේ; මෙම පරිවර්තනය පරිමාණ තීරුව සමඟ ක්‍රමාංකනය නොකළහොත්, ධාන්ය ප්‍රමාණය, අදියර අනුපාතය සහ සිදුරු වැනි සියලුම මාන මිනුම් වැරදි පරිමාණයෙන් දිස්වනු ඇත. ක්රමාංකනය යනු රූපය මත පදනම් වූ මිනුම්වල පළමු සහ අනිවාර්ය පියවරයි.

6. වානේ සඳහා ඉලක්ක දෘඪතාව සාක්ෂාත් කර ගැනීම සඳහා AI තාප පිරියම් කිරීමේ වට්ටෝරුවක් (austenitizing + quenching + tempering) යෝජනා කළේය. බෙහෙත් වට්ටෝරුව අයදුම් කිරීමට පෙර හොඳම පියවර කුමක්ද?

• A) මහා පරිමාණ නිෂ්පාදනය සඳහා වට්ටෝරුව කෙලින්ම යෙදීම
• B) අත්හදා බැලීමේ කෑල්ල මත වට්ටෝරුව යොදන්න, දෘඪතාව/ක්ෂුද්‍ර ව්‍යුහය මැන එය සම්මතය සමඟ සසඳන්න ✔
• C) ආරක්ෂිත පැත්තේ උෂ්ණත්වය අහඹු ලෙස වැඩි කරන්න
• D) බෙහෙත් වට්ටෝරුවේ අක්ෂර වින්‍යාසය පමණක් නිවැරදි කිරීම සහ අනුමත කිරීම

විස්තරය: තාප පිරියම් කිරීමේ ප්රතිඵලයක් ලෙස; කොටස කොටස ඝනකම, දෘඪතාව (Jominy) උදුනේ සහ සිසිලන පරිසරයේ යථාර්ථය සමඟ දැඩි ලෙස වෙනස් වේ. AI විසින් ලබා දෙන බෙහෙත් වට්ටෝරුව ආරම්භක කල්පිතයකි; එය ට්‍රයල් කෑල්ලට යොදා තද බව සහ ක්ෂුද්‍ර ව්‍යුහය මැන ප්‍රමිතිය සමඟ සංසන්දනය කිරීමෙන් සත්‍යාපනය කළ යුතුය.

7. ඔබ ද්‍රව්‍යමය සීමාව අගයක් සඳහා ASTM ප්‍රමිතියක 'නිශ්චිත ද්‍රව්‍ය අංකයක්' සඳහා AI වෙතින් ඉල්ලා සිටි අතර එය නිශ්චිත අගයකින් ප්‍රතිචාර දැක්වීය. නිවැරදි ඉංජිනේරු හැසිරීම කුමක්ද?

• A) AI යාවත්කාලීන බැවින් අගය කෙලින්ම වාර්තාවට ලිවීම
• B) ආරක්ෂිත පැත්තේ සිටීමට අහඹු ලෙස අගය වෙනස් කිරීම
• C) නිල සහ වත්මන් සම්මත පෙළ ✔ වෙතින් ද්‍රව්‍ය අංකය, අනුවාදය සහ අගය සත්‍යාපනය කරන්න
• D) එය පරීක්ෂා නොකර අනුකූලතා ගොනුවට අයිතම අංකය එකතු කිරීම

පැහැදිලි කිරීම: භාෂා ආකෘති සම්මත නම නිවැරදිව දැන සිටියද, ඔවුන් වැරදි ලෙස මතක තබා ගැනීමට හෝ ලිපි අංකය, අනුවාදය සහ බිඳවැටීම සෑදිය හැක. ASTM/ISO/EN වැනි බන්ධන ක්ෂේත්‍රවල, එක් එක් ද්‍රව්‍ය සහ අගය නිල සහ වත්මන් මූලාශ්‍රයෙන් වාචිකව සත්‍යාපනය කළ යුතුය; AI ප්‍රතිදානය පෙන්වන්නේ කොතැනද යන්න පමණි.

8. ඔබ බෝල්ට් එකක කැඩුණු මතුපිට ඡායාරූපය AI වෙත පෙන්වූ අතර 'මෙය නියත වශයෙන්ම තෙහෙට්ටුව කැඩී යාමකි' යන පිළිතුර ලැබුණි. මූල හේතු විශ්ලේෂණය සඳහා නිවැරදි ප්‍රවේශය කුමක්ද?

• A) AI නිවැරදිව කථා කරන නිසා රෝග විනිශ්චය කෙලින්ම වාර්තාවට ලිවීම
• B) ඡායාරූපයේ විභේදනය වැඩි කර රෝග විනිශ්චය තහවුරු කරන්න
• C) කැඩුණු මතුපිට පරීක්ෂා නොකර නව කොටසක් ස්ථාපනය කිරීම
• D) fractography, ආරෝපණ ඉතිහාසය සහ ක්ෂුද්‍ර ව්‍යුහය සාක්ෂි සහිත උපකල්පනයක් ලෙස රෝග විනිශ්චය තහවුරු කරන්න ✔

විස්තරය: කැඩුණු මතුපිට අර්ථ නිරූපණය; ෆ්‍රැක්ටෝග්‍රැෆි (ස්ට්‍රයිෂන්, බීච් රේඛා, ඩිම්පල්/ක්ලීවේජ් සෙම්ප්‍රතිශ්‍යාව SEM සමඟ) සඳහා බර ඉතිහාසය, පරිසරය සහ ක්ෂුද්‍ර ව්‍යුහය සාක්ෂි එකට සලකා බැලීම අවශ්‍ය වේ. AI විසින් තනි ඡායාරූපයකින් කරන නිශ්චිත රෝග විනිශ්චය උපකල්පනයකි; රසායනාගාර සොයාගැනීම් මගින් තහවුරු කිරීමකින් තොරව මූල හේතුව ප්රකාශ කළ නොහැකිය.

9. AI විසින් XRD (X-ray diffraction) රටාවකින් නිශ්චිත අවධියකට උච්චස්ථානයක් පවරන ලදී. අදියර හඳුනාගැනීම විශ්වාසදායක කිරීමට වඩාත්ම සුදුසු ක්‍රමය කුමක්ද?

• A) සමුද්දේශ රටා දත්ත ගබඩාවට උච්චය ගැලපීම (උදා: PDF කාඩ්පත්) සහ අතිච්ඡාදනය සහ පුරාවස්තු සඳහා පරීක්ෂා කිරීම ✔
• B) AI විසින් අදියර නාමය පවසන බැවින් පැවරුම කෙලින්ම භාර ගැනීම
• C) ඉහළම මුදුන පමණක් සලකා ඉතිරිය නොසලකා හැරීම
• D) රටාව වර්ණවත් කර එය දෘශ්‍යමය වශයෙන් අලංකාර කරන්න

විස්තරය: XRD අදියර හඳුනාගැනීම මනින ලද උච්ච ස්ථාන සහ තීව්‍රතාවයන් දන්නා යොමු රටා සමඟ ගැලපීමෙන් සිදු කෙරේ (උදා: ICDD/PDF කාඩ්පත්). හුදකලාව තනි උච්චයක් පැවරීම නොමඟ යවන සුළුය; අතිච්ඡාදනය වන මුදුන්, මනාප දිශානතිය සහ පසුබිම් කෞතුක වස්තු සැලකිල්ලට ගත යුතු අතර පැවරුම යොමු දත්ත ගබඩාව සමඟ තහවුරු කළ යුතුය.

10. AI විසින් සකස් කරන ලද හානි/පරීක්ෂණ වාර්තා කෙටුම්පතක තරල නමුත් නොදන්නා සම්භවයක් ඇති තාක්ෂණික අගයන් අඩංගු වේ. නිවැරදි හැසිරීම කුමක්ද?

• A) පාඨය චතුර වන බැවින් වාර්තාව එලෙසම ඉදිරිපත් කිරීම
• B) අගයන් රවුම් කිරීම සහ ග්ලොස් කිරීම
• ඇ) විධායක සාරාංශය කියවා ඉතිරිය මඟ හරින්න
• D) එක් එක් අගය මුල් මිනුම/මූලාශ්‍රය සමග ගළපන්න සහ තහවුරු නොකළ ✔ ඉවත් කරන්න

විස්තරය: වාර්තාවේ එක් එක් තාක්ෂණික අගය; එය මිනුම්, ක්‍රමාංකනය කරන ලද උපාංග වාර්තාව, සම්මත හෝ නිෂ්පාදක දත්ත වෙත සොයා ගත හැකි විය යුතුය. එය චතුර වාක්‍යයක අගයක් වුවද, මූලාශ්‍රය සත්‍යාපනය කර නොමැති අංකයක් වාර්තාවේ හෝ තීරණ පදනමේ ඇතුළත් නොකළ යුතුය; එසේ නොමැති නම්, වගකීම් නිර්මාණය කරන ලියවිල්ලට කල්පිත අගයක් මාරු කරනු ලැබේ.

11. AI-ජනනය කරන ලද Python ගණනය (උදා: ධාන්ය ප්‍රමාණය-අස්වැන්න ශක්තිය සඳහා Hall-Petch සම්බන්ධතාවය) භාවිතා කිරීමට පෙර හොඳම පියවර කුමක්ද?

• A) සත්‍ය නිෂ්පාදන දත්ත වෙත කෙලින්ම කේතය යෙදීම
• B) කේතය කෙටි හා පිළිවෙලට පෙනෙන බව සහතික කර ගන්න
• C) දන්නා ප්‍රතිඵල සහිත පරීක්ෂණ අවස්ථාවක් තුළ කේතය ධාවනය කර ඒකක සහ ප්‍රතිදානය සත්‍යාපනය කරන්න ✔
• D) කෙටි කිරීමට කේතයේ කොටසක් මකා දැමීම

පැහැදිලි කිරීම: කේතයක් නිවැරදිව දිස්විය හැකි නමුත් වැරදි ප්‍රතිඵලයක් ලබා දෙයි: ඒකක දෝෂයක්, වැරදි සංගුණකයක් හෝ සූත්‍ර දෝෂයක් තිබිය හැක. ඔබ අතින් ප්‍රතිඵලය දන්නා කුඩා පරීක්ෂණ නඩුවක කේතය ක්‍රියාත්මක කර අපේක්ෂිත ප්‍රතිදානයට එය සංසන්දනය කර ඒකක පරීක්ෂා කිරීමෙන් එය සත්‍ය තීරණයට ගෙන යාමට පෙර දෝෂය හසු වේ.

12. ඔබට ඔබේ සමාගමෙහි තවමත් පේටන්ට් බලපත්‍රය නොලබන මිශ්‍ර ලෝහ වට්ටෝරුව සහ සැකසුම් පරාමිතීන් ප්‍රසිද්ධියේ ලබා ගත හැකි AI මෙවලමකට ඇලවීමට සහ විශ්ලේෂණ ඉල්ලීමට අවශ්‍ය වේ. වඩාත්ම නිවැරදි ප්රවේශය කුමක්ද?

• A) වට්ටෝරුව වේගවත් කිරීම සඳහා එය ඇලවීම
• B) සමාගමේ නම මකා දැමීම සහ ඉතිරි සියලු පරාමිතීන් බෙදා ගැනීම පමණක් ප්රමාණවත් වේ.
• C) දත්ත හුවමාරු කර එය මකා දැමීමට AI ගෙන් ඉල්ලා සිටීම
• D) ආයතනික ප්‍රතිපත්තිය පරීක්ෂා කිරීම සහ දත්ත නිර්නාමික කිරීම හෝ ආරක්ෂිත/ආයතනික මෙවලමක් භාවිතා කිරීම ✔

විස්තරය: මිශ්‍ර ලෝහ වට්ටෝරුව, ක්‍රියාවලි පරාමිතීන් සහ පාරිභෝගික පිරිවිතර වෙළඳ රහස් සහ බුද්ධිමය දේපල සංවේදී වේ. දත්ත බෙදා ගැනීමට පෙර, ආයතනික ප්‍රතිපත්තිය පරීක්ෂා කිරීම, එය නිර්නාමික කිරීම හෝ දත්ත පිටතට නොයවන ආයතනික/අන්තර්-අඩවි මෙවලමක් භාවිතා කිරීම අවශ්‍ය වේ.

13. AI බලයෙන් ක්‍රියාත්මක වන SPC (සංඛ්‍යාන ක්‍රියාවලි පාලන) පද්ධතිය නිෂ්පාදන කණ්ඩායමක පාලන ප්‍රස්ථාර සීමාවක් ඉක්මවා ඇති බවට සලකුණු කර ඇත. නිවැරදි ඉංජිනේරු හැසිරීම කුමක්ද?

• A) අනතුරු ඇඟවීම නොසලකා හැර නිෂ්පාදනය දිගටම කරගෙන යන්න
• B) අනතුරු ඇඟවීමක් සිදු නොවන පරිදි පාලන සීමාවන් පුළුල් කිරීම
• C) අනතුරු ඇඟවීම ප්‍රේරකයක් ලෙස සලකා, මිනුම් තහවුරු කරන්න, මූල හේතුව විමර්ශනය කර පිළිගැනීමේ නිර්ණායක සමඟ තීරණය කරන්න ✔
• D) මැනීමකින් තොරව මුළු කණ්ඩායමම කෙලින්ම ඉවත් කිරීම

පැහැදිලි කිරීම: පාලන ප්‍රස්ථාර සීමාව ඉක්මවීම අනතුරු ඇඟවීමකි; මූල හේතුව ස්වයංක්රීයව පැහැදිලි නොවේ. එය මිනුම් දෝෂයක්, නියැදීමේ ගැටලුවක් හෝ සැබෑ ක්‍රියාවලි ප්ලාවිතයක් විය හැකිය. නිවැරදි ප්‍රවේශය වන්නේ අනතුරු ඇඟවීම ප්‍රේරකයක් ලෙස සැලකීම, මිනුම් තහවුරු කිරීම, මූලික හේතුව විමර්ශනය කිරීම සහ පිළිගැනීමේ නිර්ණායක සහ NDT/විභාග ප්‍රතිඵලය මත පදනම්ව තීරණයක් ගැනීමයි.

14. වාත්තු කරන කොටසක AI-සහායිත රූප තක්සේරුව කලාපයක් 'පිළිගත හැකි' ලෙස සලකුණු කළේය. ආරක්ෂිත වැදගත් කොටසක් සඳහා නිවැරදි ප්රවේශය කුමක්ද?

• A) AI මූලික ඇගයීම පිරික්සීමේ මෙවලමක් ලෙස සලකා අවසන් පිළිගැනීම NDT ප්‍රතිඵලයට සම්බන්ධ කිරීම සහ බලයලත් අනුමැතිය ✔
• B) AI ඇගයීම අවසාන පිළිගැනීම ලෙස සලකා කොටස අනුමත කරන්න
• ඇ) කොටස කිසිසේත් පරීක්ෂා නොකර ඊළඟ ක්‍රියාවලියට යාම
• D) කොටසෙහි මතුපිට දෘශ්‍යමය වශයෙන් පරීක්ෂා කිරීම පමණක් ප්‍රමාණවත් වේ.

විස්තරය: වාත්තු අභ්‍යන්තර දෝෂ (porosity, හැකිලීම, ඇතුළත් කිරීම්) බොහෝ විට මතුපිටින් නොපෙනෙන අතර ඒවා විනාශකාරී නොවන පරීක්ෂණ (NDT: radiography, ultrasonic) මගින් ඇගයීමට ලක් කෙරේ. AI විසින් රූපය හරහා ලබා දෙන මූලික ඇගයීම තිරගත කිරීමේ මෙවලමකි; ආරක්ෂිත-විවේචනාත්මක කොටසෙහි අවසාන පිළිගැනීම NDT සමඟ ලබා දී ඇති අතර සම්මතයට අනුකූලව බලයලත් පරීක්ෂණ අනුමැතිය ලබා දෙනු ලැබේ.