Analiza metalurških podatkov in meje AI s Pythonom

Dobički:

• Sposobnost izdelave in razumevanja kode, ki čisti, analizira in vizualizira metalurške podatke s Pythonom, s podporo AI
• Sposobnost vzpostavitve navade potrjevanja kode, ustvarjene z umetno inteligenco, s preverjanjem enote, testnim primerom in fizično verjetnostjo
• Holistično razumevanje omejitev, odgovornosti in etičnega okvira umetne inteligence v metalurgiji od konca do konca

Metalurško delo se vse pogosteje izvaja z več podatki: na stotine rezultatov nateznih preskusov, na tisoče meritev SPC, zapisi peči za toplotno obdelavo, rezultati karakterizacije. Ročno lovljenje teh podatkov v Excelu je počasno in nagnjeno k napakam; Python (običajni programski jezik za analizo podatkov in znanstveno računalništvo) naredi to ponovljivo, revizijsko in samodejno. Umetna inteligenca je zelo zmogljiva pri pisanju, odpravljanju napak in razlagi kode Python – vendar koda, ki jo ustvari, je lahko videti pravilna, vendar daje napačen rezultat: napaka enote, napačen koeficient, tiha izguba podatkov. V tej zadnji enoti se boste naučili analizirati metalurške podatke s podporo umetne inteligence v Pythonu in preveriti vsako kodo, nato pa celostno zaokrožiti okvir meja, odgovornosti in etike umetne inteligence, zajet v celotnem modulu.

Tipične naloge pri analizi metalurških podatkov

Pogoste naloge s podporo AI v Pythonu:

• Čiščenje podatkov: manjkajoča vrednost, zamenjava enot (MPa v primerjavi s ksi), odstranitev izstopajočih vrednosti. Umazani podatki pokvarijo tudi najboljšo analizo.
• Vizualizacija: Risanje natezne krivulje, kontrolni diagram, porazdelitev velikosti zrn, temperaturno-časovni profil.
• Hesap ve alişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresija, statistika.
• Avtomatizacija: Paketna obdelava velikega števila datotek in izdelava zbirnih tabel/poročil.

Razmerje Hall-Petch je tukaj dober primer: meja tečenja se povečuje obratno sorazmerno s kvadratnim korenom premera zrna. AI lahko to formulo prevede v kodo; Toda ne glede na to, ali d uporabljate kot mikrometer ali meter in katero enoto uporabljate za koeficient k, se rezultat popolnoma spremeni. Pravilnost kode ni v tem, da si zapomnimo formulo, temveč v potrditvi enot in testnega primera.

Namig: v vsak račun, ki ga napiše umetna inteligenca, obvezno vključite »preizkus znanega odgovora«. Podajte majhen vnos, katerega rezultat poznate ročno (npr. pričakovana trdnost za d = 100 µm); Če koda daje to vrednost, ji lahko zaupate; če se ne, je napaka skrita.

Korak za korakom: varen tok analize z AI

1. Opišite nalogo in podatke: Katera datoteka, kateri stolpci, katere enote, kaj bomo izračunali?
2. Zahtevaj okostje kode: vprašajte AI ​​za komentirano okostje, razdeljeno na korake; Določite enote z eksplicitnimi spremenljivkami na vrhu.
3. Test z majhnimi podatki: najprej zaženite z nekaj vrsticami/znanimi vrednostmi; Preverite rezultat ročno.
4. Nadzor enote in meje: Ali je rezultat fizično razumen? Ali obstaja kakšna neumnost, kot je negativna moč, 120-odstotna stopnja?
5. Vizualizirajte in poglejte: Ali graf prikazuje pričakovani trend? Ali so izstopajoči podatki napake?
6. Preverite in dokumentirajte: Primerjajte rezultat z neodvisnim izračunom/standardom; Komentirajte kodo in predpostavke.

Tabela za preverjanje kode AI

Tveganje

simptom

Metoda nadzora

Napaka enote

Rezultat je 1000x perverznež

Definirajte enote v eksplicitni spremenljivki, nadzor velikosti

Napačen koeficient/formula

Razumna, a napačna vrednost

Testni scenarij z znanimi odgovori

Tiha izguba podatkov

Število vrstic je manjše od pričakovanega

Natisnite število vrstic pred/po obdelavi

popačenje izstopa

povprečen kajak

Vizualizirajte z grafom, poglejte porazdelitev

Prekomerno opremljanje (halucinatorna knjižnica)

neobstoječa funkcija

Zaženi, preberi napako, poglej dokumentacijo

trije mini kovčki

1. primer – Napaka skrite glasnosti. Inženir zahteva kodo od umetne inteligence za izračun Hall-Petch; Koda pričakuje premer zrn v metrih, vendar inženir vnese mikrometre. Rezultat je 1000x perverzen, vendar se na prvi pogled ne opazi, ker izgleda kot "številka". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Lekcija: testiranje z znanim odgovorom razkrije napako enote v nekaj sekundah.

Primer 2 – Tiha izguba podatkov. Ekipa očisti 500 rezultatov testa vleke s kodo, napisano z umetno inteligenco; Medtem ko koda izpusti vrstice z manjkajočimi vrednostmi, pomotoma zavrže tudi nekaj veljavnih vrstic, tako da ostane 300 vrstic. Povprečna moč je višja od pričakovane, ker je serija nizke vrednosti izločena. Ko ekipa natisne število vrstic pred/po obdelavi, vidi, da je 200 vrstic tiho izginilo, in popravi filter. Nauk: tiskanje števila vrstic pri vsakem koraku obdelave podatkov ujame tihe izgube.

Primer 3 – pravilna uporaba, ponovljivo poročilo. Ekipa za kakovost mora vsak teden obdelati na desetine zapisov o peči in pripraviti zbirna poročila. Od umetne inteligence zahteva, da napiše komentirani skript, ki bere datoteke v velikem obsegu in ustvarja grafe in tabele s povzetki. Ekipa preizkusi kodo z nekaj znanimi datotekami, preveri število enot in vrstic, vizualno pregleda izhodni graf. Nato tedensko uporablja scenarij; Delovne ure so skrčene na minute in vsak teden delajo na enak, revizijski način. AI je omogočil ponovljivo avtomatizacijo, je potrdila ekipa.

Kopirane predloge pozivov

PREDLOGA SKLETA KODE"Vloga: Ste asistent kode za analizo metalurških podatkov. Naloga: [npr. branje rezultatov risb iz CSV in povprečna meja tečenja]. Podatki: [datoteka, stolpci, ENOTE]. pisanje komentiranega skeleta s pandami: (1) definiranje enot v odprti spremenljivki na vrhu, (2) branje podatkov in tiskanje števila vrstic, (3) brisanje in tiskanje števila vrstic ZNOVA, (4) naredite izračun, (5) natisnite rezultat in dodajte komentarje k vsakemu koraku, kjer moram preveriti.

PREDLOGA PREIZKUSA Z ZNANIM ODGOVOROM "Napišite 'preizkus znanega odgovora' za naslednjo funkcijo: [funkcija]. Izberite majhen vnos, katerega rezultat je mogoče izračunati ročno, komentirajte pričakovani rezultat in preverite s potrditvijo. Preizkusite tudi doslednost enote. Če preizkus ne uspe, navedite možne razloge (enota, koeficient, formula)."

PREGLED KODE / PREDLOGA ZA ODPRAVLJANJE NAHROŠČEVANJ "Preglejte naslednjo kodo: [koda]. Preverite in označite naslednje: (1) konsistentnost količine, (2) tveganje tihe izgube podatkov, (3) izstopajoči vpliv, (4) fizično nemogoč rezultat (negativna moč, >100-odstotna stopnja). Napišite, kako preveriti za vsako tveganje. Ne potrdite kode kot 'delujoče'; označite nezanesljivo brez testiranja."

PREDLOGA ZA VIZUALIZACIJO "nariši [natezno krivuljo / kontrolno ploskev / porazdelitev] z matplotlib. Dodajte ENOTE oznakam osi, postavite naslov in mrežo. Označite odstopanja drugače. Upoštevajte, da moram vizualno pregledati graf in preveriti pričakovani trend (npr. povečanje napetosti in deformacije). Ne skrivajte nobenih točk, da bi 'polepšali' podatke."

Šibek poziv/močan poziv

ŠIBEK POZIV: "Napišite mi kodo, ki izvaja izračun Hall-Petch."

MOČEN POZIV: "Vloga: Vi ste pomočnik kode za analizo metalurških podatkov. Napišite funkcijo Python za izračun Hall-Petch(σy = σ0 + k·d^(-1/2)). Enote: d mikrometer, σ0 in σy MPa, k MPa·µm^(1/2). VKLOPITE pretvorbo enot znotraj funkcije in komentirajte. Tudi d = 100 Ročno izračunajte pričakovani rezultat za µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 in preizkusite s preverjanjem fizične verodostojnosti (σy ne more biti negativna brez testiranja).

Šibek poziv ustvari kodo, ki nima enote in testiranja in se lahko tiho pokvari. Močni pozivi jasno opredeljujejo enote, uveljavljajo pretvorbo, zahtevajo testiranje znanih odgovorov in preverjanje verodostojnosti – zaradi česar je koda preverljiva.

Holistični povzetek modula: Mesto in meje umetne inteligence v metalurgiji

V tem modulu je bilo ponovljeno eno samo načelo: AI je pomočnik, ne tisti, ki sprejema odločitve. V dvanajstih enotah smo uporabljali AI od konca do konca, od izbire materiala do napovedi lastnosti, fazne analize do mikrostrukture, toplotne obdelave do izdelave, nadzora kakovosti do analize poškodb, karakterizacije do standardizacije in analize Python. V vsaki enoti je umetna inteligenca razložila koncepte, ustvarila hipoteze, napisala osnutke in kodo – vendar v nobeni enoti ni sama sprejela odločitve. Meje so bile jasne: halucinacije (izmišljena številka in standard), nemožnost prenosa varnostno kritične odgovornosti, odvisnost od kakovosti podatkov in meritev/kalibracije, tveganje ekstrapolacije in zaupnost. Disciplina preverjanja je vedno ostala pri ljudeh v trikotniku standard-laboratorij-račun.

Pogoste napake

• Uporaba kode na resničnih podatkih brez testiranja z znanimi odgovori.
• Nejasna opredelitev enot; Ne glede na zmedo MPa/ksi, µm/m.
• Ne natisne števila vrstic med koraki obdelave podatkov in ne opazi tihe izgube.
• Zanašanje na srednjo vrednost brez vizualizacije izstopajočih vrednosti.
• Sprejemanje neobstoječe knjižnice/funkcije, ki jo sestavi AI brez njene izvedbe.
• Ob predpostavki, da je koda pravilna, ker "se zdi, da deluje"; neuspeh pri preverjanju fizične verodostojnosti.

Če povzamem

AI v analizi metalurških podatkov s Pythonom je močan pospeševalnik za kodiranje, odpravljanje napak in avtomatizacijo; vendar koda, ki jo ustvari, lahko vsebuje napake enot, nepravilne koeficiente in tiho izgubo podatkov. Preverite vsako kodo s testiranjem znanih odgovorov, preverjanjem enote, sledenjem številu vrstic in fizično verjetnostjo. Umetna inteligenca je tudi tukaj, tako kot v celotnem modulu, pomočnik: skrbi za hitrost in organiziranost, natančnost in odgovornost prevzame pooblaščeni inženir. Pri metalurških odločitvah, ki so kritične za varnost, umetna inteligenca ni nikoli nadomestilo za standarde, poskuse, izračune in odobritev pristojnih inženirjev.

Aplikacijska naloga

Izberite metalurški izračun (npr. Hall-Petch ali povprečje nateznih podatkov). S predlogo »CODE SKELETON« prosite AI za komentirano kodo, ki natisne število vrstic z eksplicitnimi enotami. Nato dodajte preskusni scenarij, kjer ročno poznate rezultat s predlogo »PRESKUS Z ZNANIM ODGOVOROM«, in ga zaženite. Če koda ne daje pričakovane vrednosti, poiščite napako (enota, koeficient, podatek) in jo odpravite. Na koncu napišite o disciplini preverjanja z umetno inteligenco, ki ste se je naučili v tem modulu, tako da jo prilagodite svojemu podjetju v treh člankih.

kontrolni seznam

• [ ] Umetni inteligenci sem jasno opredelil nalogo, podatke in enote.
• [ ] Enote sem definiral z eksplicitnimi spremenljivkami na vrhu kode.
• [ ] V korakih obdelave podatkov sem natisnil število vrstic in preveril tiho izgubo.
• [ ] Kodo sem preveril s testnim primerom z znanim odgovorom.
• [ ] Preveril sem fizično verjetnost (negativna/absurdna vrednost) izhoda.
• [ ] Uporabil sem AI kot pospeševalnik; Ohranil sem integriteto in odgovornost.

Modulni izpit

1. Ko kot inženir materialov delate z orodjem AI, mora končna odgovornost za kaj od naslednjega vedno ostati človek (pravni inženir)?

• A) Odobritev in podpis servisne primernosti dela ✔
• B) Priprava prvega osnutka prijave škode
• C) Urejanje oznak osi grafa mikrostrukture
• D) Priprava glosarja metalurških izrazov za predstavitev

Opis: AI; Lahko pospeši naloge, kot so razjasnitev koncepta, priprava poročila, seznam hipotez in okostje kode. Vendar pa je odobritev primernosti dela za storitev/let odločitev, ki ima za posledico varnost življenja in lastnine; ni mogoče prenesti na AI brez akreditiranega testiranja in odobritve pooblaščenega inženirja.

2. Vprašali ste AI o meji tečenja jekla AISI 4140 pri kaljenju in popuščanju pri 200 °C, in odgovoril je '1500 MPa zagotovo'. Kaj je prvi pravilen ukrep?

• A) Vnesite vrednost neposredno v račun oblikovanja, ker se zdi, da je AI samozavesten
• B) Preverjanje vrednosti s podatkovnim listom materiala/certifikatom mlina in po potrebi nateznim preskusom, brez zanašanja na vrednost ene točke ✔
• C) Naključno znižanje vrednosti, da ostanete na varni strani
• D) Sprejmite vrednost in pojdite neposredno na recept za toplotno obdelavo

Pojasnilo: Jezikovni modeli lahko prepričljivo izdelajo neutemeljene številke (halucinacije). Meja tečenja; Spreminja se v širokem razponu glede na temperaturo popuščanja, debelino profila in kaljivost. Treba je pridobiti vrednost iz certifikata mlina ali nateznega preskusa v skladu s standardom in ne vključiti ene točke AI izhoda v načrt.

3. Z modelom strojnega učenja, ki napoveduje lastnosti jekla, je umetna inteligenca ustvarila 'varno' vrednost za zlitino, ki je precej zunaj obsega sestave v podatkih za usposabljanje. Kaj je glavna težava tega rezultata?

• A) Model vedno daje rezultate v odstotkih, MPa je napačen
• B) Napoved je nezanesljiva, ker je narejena izven obsega podatkov o usposabljanju (ekstrapolacija) in jo je treba preveriti s poskusom ✔
• C) Model deluje samo za nerjavna jekla
• D) Izhod modela je vedno točno dvakrat večji od dejanske vrednosti

Pojasnilo: modeli strojnega učenja razumno delujejo znotraj obsega podatkov o usposabljanju (interpolacija); Ko so izven tega obsega (ekstrapolacija), napovedi postanejo nezanesljive in model tega pogosto ne pokaže. Vrednosti, ustvarjene na točki zunaj distribucije podatkov o usposabljanju, ni mogoče uporabiti brez eksperimentalne validacije.

4. Uporabili ste AI za izračun faznega razmerja v dvofazni zlitini. Kateri vnos mora AI pravilno uporabiti pri uporabi „pravila vzvoda“?

• A) Samo temperatura; kombinacije so nepotrebne
• B) Samo gostota zlitine
• C) Skupna sestava zlitine s sestavami faznih meja pri ustrezni temperaturi ✔
• D) Samo temperatura taljenja

Pojasnilo: Pravilo vzvoda podaja fazne količine z uporabo razdalj med sestavami faznih meja (npr. sestavami trdne in tekoče faze) in celotno sestavo zlitine pri določeni temperaturi. Če so kombinacije faznih meja prebrane napačno, bo razmerje popolnoma napačno; Zato je potrditev vrednosti iz faznega diagrama obvezna.

5. Izmerili ste velikost zrn iz mikrostrukture s potekom obdelave slike, ki ga poganja umetna inteligenca, vendar ste pozabili umeriti lestvico na slikovno piko. Zakaj je rezultat nezanesljiv?

• A) Vse dimenzijske meritve so v napačnem merilu, ker umerjanje dolžine pikslov ni bilo izvedeno ✔
• B) Meritev je popačena, ker je uporabljena barvna slika
• C) Velikost zrn je mogoče izmeriti samo s SEM, optična mikroskopija je netočna
• D) Merjenje je nepotrebno, ker je ločljivost slike visoka

Opis: V kvantitativni metalografiji vsak piksel ustreza dolžini; Če ta transformacija ni umerjena z merilno vrstico, bodo vse dimenzijske meritve, kot so velikost zrn, fazno razmerje in poroznost, prikazane na napačni lestvici. Kalibracija je prvi in ​​obvezni korak meritev na podlagi slike.

6. AI je predlagal recept za toplotno obdelavo (avstenitizacija + kaljenje + popuščanje) za doseganje ciljne trdote jekla. Kaj je najboljši korak pred uporabo recepta?

• A) Uporaba recepta neposredno v masovni proizvodnji
• B) Nanesite recept na poskusni kos, izmerite trdoto/mikrostrukturo in jo primerjajte s standardom ✔
• C) Samo naključno povečajte temperaturo kaljenja na varni strani
• D) Popravek in potrditev le črkovanja recepta

Opis: Kot rezultat toplotne obdelave; Debelina dela in kaljivost (Jominy) se močno razlikujejo glede na resničnost peči in hladilnega okolja. Recept, ki ga daje umetna inteligenca, je začetna hipoteza; Preverimo ga tako, da ga nanesemo na poskusni kos ter izmerimo trdoto in mikrostrukturo ter primerjamo z etalonom.

7. Umetno inteligenco ste vprašali za 'specifično številko snovi' standarda ASTM za mejno vrednost materiala in ta je odgovoril z natančno vrednostjo. Kakšno je pravilno inženirsko vedenje?

• A) Pisanje vrednosti neposredno v poročilo, ker je AI posodobljen
• B) Naključno spreminjanje vrednosti, da ostanete na varni strani
• C) Preverite številko snovi, različico in vrednost iz uradnega in trenutnega standardnega besedila ✔
• D) Dodajanje številke artikla v datoteko o skladnosti brez preverjanja

Pojasnilo: Tudi če jezikovni modeli pravilno poznajo standardno ime, si lahko napačno zapomnijo ali izmislijo številko članka, različico in prelomno točko. V zavezujočih poljih, kot je ASTM/ISO/EN, je treba vsako snov in vrednost dobesedno preveriti iz uradnega in trenutnega vira; Izhod umetne inteligence samo pokaže, kje iskati.

8. Umetni inteligenci ste pokazali fotografijo zlomljene površine vijaka in prejeli odgovor "to je zagotovo zlom zaradi utrujenosti". Kakšen je pravilen pristop k analizi vzroka?

• A) Zapisovanje diagnoze neposredno v poročilo, ker AI govori natančno
• B) Samo povečajte ločljivost fotografije in potrdite diagnozo
• C) Namestitev novega dela brez pregleda zlomljene površine
• D) Potrdite diagnozo kot hipotezo s fraktografijo, zgodovino naboja in dokazom mikrostrukture ✔

Opis: interpretacija lomljene površine; Fraktografija (proge, črte na plaži, ločevanje vdolbin/razcepov s SEM) zahteva skupno upoštevanje zgodovine obremenitev, okolja in dokazov o mikrostrukturi. Dokončna diagnoza, ki jo AI postavi na podlagi ene fotografije, je hipoteza; Temeljnega vzroka ni mogoče razglasiti brez potrditve z laboratorijskimi izvidi.

9. AI je dodelil vrh določeni fazi v vzorcu XRD (rentgenska difrakcija). Katera je najprimernejša metoda za zanesljivo identifikacijo faz?

• A) Ujemanje vrha z bazo referenčnih vzorcev (npr. kartice PDF) in preverjanje prekrivanja in artefaktov ✔
• B) Neposredno sprejemanje dodelitve, ker AI pove ime faze
• C) Upoštevanje samo najvišjega vrha in ignoriranje ostalih
• D) Barvajte vzorec in ga vizualno polepšajte

Opis: Identifikacija faze XRD se izvede s primerjanjem izmerjenih položajev vrhov in intenzitet z znanimi referenčnimi vzorci (npr. kartice ICDD/PDF). Dodeljevanje enega vrha v izolaciji je zavajajoče; Upoštevati je treba prekrivajoče se vrhove, prednostno orientacijo in artefakte v ozadju ter dodelitev potrditi z referenčno bazo podatkov.

10. Osnutek poročila o škodi/inšpekcijskem pregledu, ki ga pripravi AI, vsebuje tehnične vrednosti, ki so tekoče, vendar neznanega izvora. Kakšno je pravilno vedenje?

• A) Predstavitev poročila takšnega, kot je, ker je besedilo tekoče
• B) Zaokroževanje in sijaj vrednosti
• C) Samo preberite povzetek in preskočite ostalo
• D) Povežite vsako vrednost z izvirno meritvijo/virom in odstranite nepotrjeno ✔

Opis: Vsaka tehnična vrednost v poročilu; Biti mora sledljiv do meritve, zapisa kalibrirane naprave, standarda ali podatkov proizvajalca. Tudi če gre za vrednost v tekočem stavku, nobena številka, katere vir ni bil preverjen, ne sme biti vključena v poročilo ali osnovo za odločitev; V nasprotnem primeru se na dokument prenese fiktivna vrednost, ki ustvarja obveznost.

11. Kateri je najboljši korak pred uporabo izračuna Python, ki ga ustvari umetna inteligenca (npr. razmerje Hall-Petch za velikost zrn-meja tečenja)?

• A) Uporaba kode neposredno na dejanskih proizvodnih podatkih
• B) Samo poskrbite, da bo koda videti kratka in čedna
• C) Zaženite kodo v testnem scenariju z znanimi rezultati in preverite enote in izhod ✔
• D) Brisanje dela kode za njeno skrajšanje

Pojasnilo: Koda se lahko zdi pravilna, vendar daje napačen rezultat: morda je napaka enote, nepravilen koeficient ali napaka formule. Zagon kode v majhnem testnem primeru, kjer ročno poznate rezultat, in primerjava s pričakovanim rezultatom ter preverjanje enot ujame napako, preden se prenese na dejansko odločitev.

12. Želite prilepiti še nepatentirano recepturo zlitine in parametre postopka vašega podjetja v javno dostopno orodje AI in zahtevati analizo. Kateri je najbolj pravilen pristop?

• A) Prilepite recept, kot je, da bo hitrejši
• B) Dovolj je samo izbrisati ime podjetja in deliti vse preostale parametre.
• C) Skupna raba podatkov in nato zahteva AI, da jih izbriše
• D) Preverjanje institucionalne politike in anonimizacija podatkov ali uporaba varnega/institucionalnega orodja ✔

Opis: Receptura zlitine, procesni parametri in specifikacije strank so poslovna skrivnost in občutljiva intelektualna lastnina. Pred delitvijo podatkov je treba preveriti politiko podjetja, jih anonimizirati ali uporabiti institucionalno/on-site orodje, ki podatkov ne pošilja ven.

13. Sistem SPC (statistični nadzor procesa), ki ga poganja umetna inteligenca, je označil, da je bila v proizvodni seriji presežena omejitev kontrolne karte. Kakšno je pravilno inženirsko vedenje?

• A) Prezrite opozorilo in nadaljujte s proizvodnjo
• B) Razširitev nadzornih meja, tako da ne pride do opozorila
• C) Upoštevajte opozorilo kot sprožilec, potrdite meritev, raziščite glavni vzrok in se odločite z merili sprejemljivosti ✔
• D) Neposredno razrez celotne serije brez merjenja

Pojasnilo: Preseganje omejitve kontrolne karte je opozorilo; Temeljni vzrok ni samodejno očiten. Lahko gre za merilno napako, težavo z vzorčenjem ali dejanski zamik procesa. Pravilen pristop je obravnavati opozorilo kot sprožilec, potrditi meritev, raziskati glavni vzrok in sprejeti odločitev na podlagi meril sprejemljivosti in NDT/rezultatov pregleda.

14. Ocena slike s pomočjo umetne inteligence na odlitku je označila območje kot "sprejemljivo". Kakšen je pravi pristop za varnostno kritičen del?

• A) Upoštevanje predhodne ocene AI kot orodja za pregledovanje in povezovanje končnega sprejema z rezultatom NDT in pooblaščeno odobritvijo ✔
• B) Upoštevajte oceno AI kot končni sprejem in odobrite del
• C) Prehod na naslednji postopek brez pregleda dela
• D) Dovolj je le vizualni pregled površine dela.

Opis: notranje napake ulitka (poroznost, krčenje, vključki) so pogosto nevidne s površine in se ovrednotijo ​​z nedestruktivnim testiranjem (NDT: radiografija, ultrazvok). Predhodna ocena, ki jo AI poda prek slike, je orodje za pregledovanje; Končni sprejem varnostno kritičnega dela je podan z NDT in odobritvijo pooblaščene inšpekcije v skladu s standardom.