Uchambuzi wa Data ya Metallurgiska na Mipaka ya AI na Python

Faida:

• Uwezo wa kutoa na kuelewa msimbo unaosafisha, kuchambua na kuibua data ya metallurgiska na Python, kwa msaada wa AI.
• Uwezo wa kuanzisha tabia ya kudhibitisha nambari inayotokana na AI na ukaguzi wa kitengo, kesi ya majaribio na uwezekano wa mwili.
• Uelewa kamili wa mipaka ya mwisho hadi mwisho, uwajibikaji na mfumo wa maadili wa AI katika madini.

Kazi ya metallurgiska inazidi kufanywa na data zaidi: mamia ya matokeo ya mtihani mvutano, maelfu ya vipimo vya SPC, rekodi za tanuru ya matibabu ya joto, matokeo ya tabia. Kufukuza data hii kwa mikono katika Excel ni polepole na kunakabiliwa na makosa; Python (lugha ya kawaida ya programu kwa uchanganuzi wa data na kompyuta ya kisayansi) hufanya hii iweze kurudiwa, kukaguliwa na kiotomatiki. AI ina nguvu sana katika kuandika, kurekebisha hitilafu, na kuelezea msimbo wa Python - lakini nambari inayotoa inaweza kuonekana sawa lakini kutoa matokeo yasiyofaa: kosa la kitengo, mgawo mbaya, upotezaji wa data kimya. Katika kitengo hiki cha mwisho, utajifunza jinsi ya kuchambua data ya metallurgiska kwa usaidizi wa AI katika Python na kuthibitisha kila msimbo, kisha kujumuisha kwa ukamilifu mipaka ya AI, uwajibikaji na mfumo wa maadili uliofunikwa katika moduli nzima.

Kazi za kawaida katika uchambuzi wa data ya metallurgiska

Kazi za kawaida na msaada wa AI katika Python:

• Kusafisha data: Thamani haipo, mkanganyiko wa kitengo (MPa dhidi ya ksi), uondoaji wa nje. Data chafu huharibu hata uchanganuzi bora.
• Taswira: Kuchora curve ya mvutano, chati ya udhibiti, usambazaji wa saizi ya nafaka, wasifu wa muda wa halijoto.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• Otomatiki: Kundi linachakata idadi kubwa ya faili na kutoa majedwali/ripoti za muhtasari.

Uhusiano wa Hall-Petch ni mfano mzuri hapa: nguvu ya mavuno huongezeka kinyume na mzizi wa mraba wa kipenyo cha nafaka. AI inaweza kutafsiri fomula hii kuwa msimbo; Lakini ikiwa unatumia d kama maikromita au mita na ni kitengo gani unatumia kwa mgawo wa k hubadilisha matokeo kabisa. Usahihi wa msimbo haupo katika kukariri fomula, lakini katika kuthibitisha vitengo na kesi ya mtihani.

Kidokezo: Hakikisha umejumuisha "jaribio la jibu linalojulikana" katika kila akaunti ambayo AI inaandika. Toa ingizo dogo ambalo matokeo yake unajua kwa mkono (k.m. nguvu inayotarajiwa ya d = 100 µm); Ikiwa nambari inatoa thamani hiyo, unaweza kuiamini; ikiwa haifanyi hivyo, kosa limefichwa.

Hatua kwa hatua: Mtiririko salama wa uchambuzi na AI

1. Eleza kazi na data: Faili gani, safu wima gani, vitengo gani, ni nini kitakachohesabiwa?
2. Omba mifupa ya msimbo: Uliza AI kwa mifupa iliyo na maoni, iliyogawanywa kwa hatua; Bainisha vizio vilivyo na viambajengo wazi juu.
3. Jaribu na data ndogo: Endesha na safu mlalo chache/thamani zinazojulikana kwanza; Angalia matokeo kwa mikono.
4. Kitengo na udhibiti wa mpaka: Je, pato ni sawa kimwili? Kuna upuuzi wowote kama nguvu hasi, kiwango cha 120%?
5. Taswira na uangalie: Je, grafu inaonyesha mwelekeo unaotarajiwa? Je, data ya nje ni makosa?
6. Thibitisha na uweke hati: Linganisha matokeo na hesabu/kiwango huru; Toa maoni yako kuhusu kanuni na mawazo.

Jedwali la uthibitishaji wa msimbo wa AI

Hatari

dalili

Mbinu ya kudhibiti

Hitilafu ya kitengo

Matokeo yake ni 1000x kupotosha

Bainisha vitengo katika utofautishaji wazi, udhibiti wa saizi

Mgawo/fomula si sahihi

Thamani ya busara lakini isiyo sahihi

Hali ya majaribio yenye majibu yanayojulikana

Upotezaji wa data kimya

Idadi ya safu mlalo ni ndogo kuliko inavyotarajiwa

Chapisha idadi ya safu mlalo kabla/baada ya kuchakata

upotoshaji wa nje

wastani wa kayak

Taswira na grafu, angalia usambazaji

Kutosha kupita kiasi (maktaba ya ukumbi)

kazi isiyokuwepo

Endesha, soma kosa, angalia hati

kesi tatu ndogo

Kesi ya 1 - Hitilafu ya sauti iliyofichwa. Mhandisi anaomba msimbo kutoka kwa AI kwa hesabu ya Hall-Petch; Nambari inatarajia kipenyo cha nafaka katika mita, lakini mhandisi huingia micrometers. Matokeo yake ni potofu mara 1000, lakini haionekani kwa mtazamo wa kwanza kwa sababu inaonekana kama "nambari". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Somo: Jaribio la jibu linalojulikana huonyesha hitilafu ya kitengo kwa sekunde.

Kesi ya 2 - Upotezaji wa data kimya. Timu husafisha matokeo 500 ya mtihani kwa kutumia msimbo ulioandikwa na AI; Wakati msimbo uangusha safu mlalo na thamani zinazokosekana, pia hutupa kwa bahati mbaya baadhi ya safu mlalo halali, na kuacha safu 300. Nguvu ya wastani ni ya juu kuliko inavyotarajiwa kwa sababu bechi ya thamani ya chini imeondolewa. Timu inapochapisha idadi ya safu mlalo kabla/baada ya kuchakatwa, wanaona kuwa safu mlalo 200 zimetoweka kimya na kurekebisha kichujio. Somo: uchapishaji wa idadi ya safu mlalo katika kila hatua ya uchakataji data hupata hasara ya kimyakimya.

Kesi ya 3 - Matumizi sahihi, ripoti inayoweza kurudiwa. Timu ya ubora inapaswa kuchakata rekodi nyingi za tanuru na kutoa ripoti za muhtasari kila wiki. Inauliza AI kuandika hati ya maoni ambayo inasoma faili kwa wingi na kutoa grafu na jedwali za muhtasari. Timu hujaribu msimbo na faili chache zinazojulikana, inathibitisha idadi ya vitengo na mistari, inakagua grafu ya matokeo. Kisha hutumia maandishi kila wiki; Saa za kazi hupunguzwa hadi dakika na hufanya kazi kwa njia ile ile, inayoweza kukaguliwa kila wiki. AI imewasha otomatiki unaoweza kurudiwa, timu ilithibitisha.

Violezo vya haraka vinavyoweza kunakiliwa

CODE SKELETON TEMPLATE"Jukumu: Wewe ni msaidizi wa msimbo wa uchanganuzi wa data ya madini. Kazi: [k.m. soma matokeo ya kuchora kutoka kwa CSV na wastani wa nguvu ya mavuno].Data: [faili, safuwima, UNITS].andika kiunzi kilichotolewa maoni kwa panda: (1) fafanua vizio katika kigezo kilicho wazi juu ya nambari ya 3, na uchapishe nambari ya data kwenye safu mlalo 2. idadi ya safu mlalo TENA, (4) fanya hesabu, (5) chapisha matokeo na hakiki ya usadikisho Ongeza maoni kwa kila hatua ninapohitaji kuthibitisha.

KIOLEZO CHA MTIHANI WA MAJIBU INAYOJULIKANA"Andika 'jaribio la jibu linalojulikana' kwa chaguo za kukokotoa zifuatazo: [kazi]. Chagua ingizo ndogo ambalo matokeo yake yanaweza kukokotwa kwa mikono, toa maoni juu ya matokeo yanayotarajiwa, na uikague kwa kusisitiza. Pia jaribu uthabiti wa kitengo. Ikiwa jaribio halifaulu, orodhesha sababu zinazowezekana (kitengo, mgawo, fomula)."

UHAKIKI WA MSIMBO / KIOLEZO CHA TUTAJIRI"Chunguza msimbo ufuatao: [msimbo]. Angalia na utie alama zifuatazo:(1) uthabiti wa sauti, (2) hatari ya kupoteza data kimya, (3) athari ya nje, (4) matokeo yasiyowezekana kimwili (nguvu hasi, > kiwango cha 100%) Andika jinsi ya kuthibitisha kwa kila hatari. Usithibitishe nambari ya kuthibitisha kama 'haifai;

KIOLEZO CHA TAZAMA"plot [tensile curve / control plot / distribution] with matplotlib. Ongeza UNITS kwa lebo za mhimili, weka kichwa na gridi ya taifa. Weka alama kwa njia tofauti. Kumbuka kuwa ninahitaji kukagua njama kwa njia inayotarajiwa na kuthibitisha mwelekeo unaotarajiwa (k.m. kuongeza mkazo). Usifiche pointi zozote ili 'kurembesha' data."

Agizo dhaifu / Ukumbusho thabiti

TAARIFA DHAIFU: "Niandikie msimbo unaofanya hesabu ya Hall-Petch."

STRONG PROMPT:"Jukumu: Wewe ni msaidizi wa msimbo wa uchanganuzi wa data ya metalluji. Andika chaguo za kukokotoa za Python ili kukokotoa Hall-Petch(σy = σ0 + k·d^(-1/2)). Vizio: d mikromita, σ0 na σy MPa, k MPa·µm^(1/2). Washa ubadilishaji wa kitengo = 0 pia tokeo la kukokotoa = tokeo la kukokotoa = tokeo la kitendakazi linalotarajiwa µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 na jaribu kwa kusisitiza (σy haiwezi kuwa hasi).

Kidokezo dhaifu hutoa msimbo ambao hauna kitengo na majaribio na unaweza kwenda vibaya kimya kimya. Vidokezo vikali hufafanua vitengo kwa uwazi, tekeleza ubadilishaji, huhitaji majaribio ya majibu yanayojulikana, na ukaguzi wa usaidizi - kufanya msimbo uweze kuthibitishwa.

Muhtasari wa jumla wa moduli: Mahali na mipaka ya AI katika madini

Kanuni moja ilirudiwa katika moduli hii yote: AI ni msaidizi, si mtoa maamuzi. Katika vitengo kumi na viwili, tulitumia AI mwisho-hadi-mwisho, kutoka kwa uteuzi wa nyenzo hadi utabiri wa mali, uchanganuzi wa awamu hadi muundo mdogo, matibabu ya joto hadi utengenezaji, udhibiti wa ubora hadi uchanganuzi wa uharibifu, uainishaji hadi viwango na uchanganuzi wa Python. Katika kila kitengo, AI ilielezea dhana, ikatoa nadharia, iliandika rasimu na nambari - lakini hakuna kitengo kilichofanya uamuzi peke yake. Vikwazo vilikuwa wazi: kuona maono (nambari iliyotengenezwa na kiwango), kutoweza kukabidhiwa jukumu muhimu la usalama, utegemezi wa ubora wa data na kipimo/urekebishaji, hatari ya kuchapishwa na usiri. Taaluma ya uthibitishaji daima imesalia kwa wanadamu katika pembetatu ya kawaida ya akaunti ya maabara.

Makosa ya kawaida

• Kutumia msimbo kwa data halisi bila kujaribu na majibu yanayojulikana.
• Kutofafanua vitengo kwa uwazi; Inaangazia MPa/ksi, µm/m kuchanganyikiwa.
• Kutochapisha idadi ya safu mlalo wakati wa hatua za kuchakata data na kutotambua upotevu wa kimya.
• Kutegemea wastani bila kuibua vitu vya nje.
• Kukubali maktaba/kazi ambayo haipo iliyoundwa na AI bila kuitekeleza.
• Kwa kudhani nambari ni sahihi kwa sababu "inaonekana kufanya kazi"; kushindwa kuangalia uwezekano wa kimwili.

Kwa muhtasari

AI katika uchanganuzi wa data ya metallurgiska na Python ni kichochezi chenye nguvu cha kuweka misimbo, kurekebisha hitilafu, na otomatiki; lakini msimbo inaotoa unaweza kubeba hitilafu za kitengo, coefficients isiyo sahihi, na upotevu wa data kimya. Thibitisha kila nambari ya kuthibitisha kwa kutumia jaribio linalojulikana la majibu, ukaguzi wa vipimo, ufuatiliaji wa idadi ya mistari na usadikisho halisi. Hapa, kama katika moduli nzima, AI ndiye msaidizi: inahakikisha kasi na shirika, usahihi na uwajibikaji unachukuliwa na mhandisi aliyeidhinishwa. Katika maamuzi ya metallurgiska muhimu kwa usalama, pato la AI kamwe si mbadala wa viwango, majaribio, hesabu na idhini ya mhandisi stadi.

Jukumu la maombi

Chagua hesabu ya metallurgiska (k.m. Hall-Petch au wastani wa data ya mvutano). Ukiwa na kiolezo cha "CODE SKELETON", iulize AI msimbo uliotolewa maoni unaochapisha idadi ya mistari iliyo na vitengo kwa njia dhahiri. Kisha ongeza hali ya jaribio ambapo unajua matokeo mwenyewe kwa kiolezo cha "JARIBU LA MAJIBU INAYOJULIKANA" na ukiendeshe. Ikiwa msimbo hautoi thamani inayotarajiwa, pata kosa (kitengo, mgawo, data) na urekebishe. Mwishowe, andika juu ya nidhamu ya uthibitishaji ya AI uliyojifunza katika moduli hii kwa kuirekebisha kwa biashara yako mwenyewe katika vifungu vitatu.

orodha ya ukaguzi

• [ ] Nilifafanua kwa uwazi kazi, data na vitengo kwa AI.
• [ ] Nilifafanua vitengo vilivyo na viambatisho wazi juu ya msimbo.
• [ ] Katika hatua za kuchakata data, nilichapisha idadi ya safu mlalo na kukagua upotevu wa kimya.
• [ ] Nilithibitisha msimbo kwa kesi ya majaribio na jibu linalojulikana.
• [ ] Niliangalia uwezekano wa kimwili (thamani hasi/upuuzi) wa matokeo.
• [ ] Nilitumia AI kama kiongeza kasi; Nilishika uadilifu na uwajibikaji.

Mtihani wa Moduli

1. Unapofanya kazi na zana ya AI kama mhandisi wa nyenzo, jukumu kuu la ni lipi kati ya yafuatayo linapaswa kubaki kwa mwanadamu kila wakati (mhandisi wa kisheria)?

• A) Kuidhinishwa na kusainiwa kwa kufaa kwa sehemu kwa huduma ✔
• B) Maandalizi ya rasimu ya kwanza ya ripoti ya uharibifu
• C) Kuhariri lebo za mhimili wa grafu ya muundo mdogo
• D) Kutayarisha faharasa ya maneno ya metallurgiska kwa ajili ya uwasilishaji

Maelezo: AI; Inaweza kuharakisha kazi kama vile ufafanuzi wa dhana, kuandaa ripoti, orodha ya nadharia na kiunzi cha msimbo. Hata hivyo, kuidhinisha kufaa kwa sehemu kwa huduma/ndege ni uamuzi unaosababisha usalama wa maisha na mali; haiwezi kuhamishwa kwa AI bila majaribio yaliyoidhinishwa na idhini ya mhandisi iliyoidhinishwa.

2. Uliuliza AI kuhusu nguvu ya mavuno ya AISI 4140 chuma wakati imezimwa na hasira saa 200 ° C, na akajibu '1500 MPa kwa hakika'. Ni hatua gani sahihi ya kwanza kuchukua?

• A) Weka thamani moja kwa moja kwenye akaunti ya kubuni kwa sababu AI inaonekana kujiamini
• B) Kuthibitisha thamani kwa kutumia laha ya data/cheti cha kinu na jaribio la mvutano ikiwa ni lazima, bila kutegemea thamani ya nukta moja ✔
• C) Kushusha thamani bila mpangilio ili kubaki upande salama
• D) Kubali thamani na uende moja kwa moja kwenye kichocheo cha matibabu ya joto

Maelezo: Miundo ya lugha inaweza kuunda nambari ambazo hazijathibitishwa (hallucination). Nguvu ya mavuno; Inatofautiana kwa anuwai kulingana na hali ya joto, unene wa sehemu na ugumu. Ni muhimu kupata thamani kutoka kwa cheti cha kinu au mtihani wa kuvuta kwa mujibu wa kiwango, na usijumuishe pato moja la AI katika kubuni.

3. Kwa kutumia kielelezo cha kujifunza kwa mashine kilichotabiri sifa ya chuma, AI ilitoa thamani 'salama' kwa kisima cha aloi nje ya safu ya utunzi katika data ya mafunzo. Tatizo kuu la pato hili ni nini?

• A) Mfano daima hutoa matokeo kwa asilimia, MPa sio sahihi
• B) Utabiri huo si wa kutegemewa kwa sababu umetolewa nje ya masafa ya data ya mafunzo (extrapolation) na lazima uthibitishwe kwa majaribio ✔
• C) Mfano hufanya kazi kwa chuma cha pua pekee
• D) Matokeo ya mfano daima ni mara mbili ya thamani halisi

Ufafanuzi: Miundo ya kujifunza kwa mashine hufanya kazi ipasavyo ndani ya anuwai ya data ya mafunzo (ufafanuzi); Ukiwa nje ya masafa haya (extrapolation), ubashiri huwa hautegemewi na mtindo mara nyingi hauonyeshi hili. Thamani inayozalishwa katika hatua iliyo nje ya usambazaji wa data ya mafunzo haiwezi kutumika bila uthibitishaji wa majaribio.

4. Ulitumia AI kukokotoa uwiano wa awamu katika aloi ya awamu mbili. Ni pembejeo gani AI inapaswa kutumia kwa usahihi wakati wa kutumia 'sheria ya lever'?

• A) hali ya joto tu; mchanganyiko sio lazima
• B) Tu wiani wa alloy
• C) Jumla ya muundo wa aloi na nyimbo za mpaka wa awamu kwenye joto linalofaa ✔
• D) Kiwango cha joto tu

Ufafanuzi: Sheria ya lever inatoa kiasi cha awamu kwa kutumia umbali kati ya nyimbo za mpaka wa awamu (kwa mfano, nyimbo za awamu ya imara na kioevu) na jumla ya muundo wa aloi kwa joto fulani. Ikiwa mchanganyiko wa mpaka wa awamu unasomwa vibaya, uwiano utakuwa sahihi kabisa; Kwa hivyo, uthibitisho wa maadili kutoka kwa mchoro wa awamu ni lazima.

5. Ulipima ukubwa wa nafaka kutoka kwa muundo mdogo kwa mtiririko wa kuchakata picha unaoendeshwa na AI, lakini ukasahau kurekebisha upau wa mizani hadi pikseli. Kwa nini matokeo hayawezi kutegemewa?

• A) Vipimo vyote vya vipimo viko kwenye mizani isiyo sahihi kwa sababu urekebishaji wa urefu wa pikseli haukufanywa ✔
• B) Kipimo kimepotoshwa kwa sababu picha ya rangi hutumiwa
• C) Ukubwa wa nafaka unaweza kupimwa tu kwa SEM, hadubini ya macho sio sahihi
• D) Kipimo si cha lazima kwa sababu azimio la picha ni kubwa

Maelezo: Katika metallografia ya kiasi, kila pikseli inalingana na urefu; Ikiwa mageuzi haya hayatasawazishwa kwa upau wa mizani, vipimo vyote vya vipimo kama vile ukubwa wa nafaka, uwiano wa awamu na unene vitaonekana kwenye mizani isiyo sahihi. Urekebishaji ni hatua ya kwanza na ya lazima ya kipimo kulingana na picha.

6. AI ilipendekeza kichocheo cha matibabu ya joto (austenitizing + quenching + tempering) ili kufikia ugumu wa lengo kwa chuma. Ni hatua gani bora kabla ya kutumia dawa?

• A) Kutumia kichocheo moja kwa moja kwa uzalishaji wa wingi
• B) Tumia kichocheo kwenye kipande cha majaribio, pima ugumu/muundo mdogo na ulinganishe na kiwango ✔
• C) Ongeza kwa nasibu tu hali ya joto kwenye upande salama
• D) Kusahihisha na kuidhinisha tahajia tu ya maagizo

Maelezo: Kama matokeo ya matibabu ya joto; Unene wa sehemu ya sehemu, ugumu (Jominy) hutofautiana sana na ukweli wa tanuru na mazingira ya baridi. Dawa iliyotolewa na AI ni dhana ya awali; Inapaswa kuthibitishwa kwa kuitumia kwenye kipande cha majaribio na kupima ugumu na muundo mdogo na kulinganisha na kiwango.

7. Uliuliza AI 'nambari mahususi ya dutu' ya kiwango cha ASTM kwa thamani ya kikomo cha nyenzo na ilijibu kwa thamani kamili. Ni nini tabia sahihi ya uhandisi?

• A) Kuandika thamani moja kwa moja kwa ripoti kwa sababu AI imesasishwa
• B) Kubadilisha thamani kwa nasibu ili kukaa upande salama
• C) Thibitisha nambari ya dutu, toleo na thamani kutoka kwa maandishi rasmi na ya sasa ya kawaida ✔
• D) Kuongeza nambari ya bidhaa kwenye faili ya ulinganifu bila kuikagua

Ufafanuzi: Hata kama miundo ya lugha inajua jina la kawaida ipasavyo, inaweza kukumbuka vibaya au kuunda nambari ya makala, toleo na sehemu ya kukanusha. Katika sehemu za kushurutisha kama vile ASTM/ISO/EN, kila dutu na thamani lazima ithibitishwe neno moja kwa moja kutoka kwa chanzo rasmi na cha sasa; Pato la AI linaonyesha tu mahali pa kuangalia.

8. Ulionyesha picha ya uso uliovunjika wa bolt kwa AI na ukapokea jibu 'hakika hii ni mgawanyiko wa uchovu'. Ni ipi njia sahihi ya uchambuzi wa sababu za mizizi?

• A) Kuandika utambuzi moja kwa moja kwenye ripoti kwa sababu AI inazungumza kwa usahihi
• B) Ongeza tu azimio la picha na uhakikishe utambuzi
• C) Kufunga sehemu mpya bila kuchunguza uso uliovunjika
• D) Thibitisha utambuzi kama dhahania kwa kutumia fraktografia, historia ya malipo, na ushahidi wa muundo mdogo ✔

Maelezo: Tafsiri ya uso iliyovunjika; Fraktografia (mteremko, mistari ya ufuo, kutenganisha dimple/kupasuka kwa SEM) inahitaji kuzingatia historia ya upakiaji, mazingira na ushahidi wa muundo mdogo kwa pamoja. Utambuzi wa uhakika AI hufanya kutoka kwa picha moja ni hypothesis; Sababu ya msingi haiwezi kutangazwa bila uthibitisho na matokeo ya maabara.

9. AI ilitoa kilele kwa awamu maalum katika muundo wa XRD (X-ray diffraction). Ni ipi njia sahihi zaidi ya kufanya kitambulisho cha awamu kuaminika?

• A) Kulinganisha kilele kwenye hifadhidata ya muundo wa marejeleo (k.m. kadi za PDF) na kuangalia kwa mwingiliano na vizalia vya programu ✔
• B) Kukubali mgawo huo moja kwa moja kwa sababu AI inasema jina la awamu
• C) Kuzingatia kilele cha juu tu na kupuuza vingine
• D) Rangi muundo na uifanye kuwa mzuri

Maelezo: Utambulisho wa awamu ya XRD unafanywa kwa kulinganisha nafasi zilizopimwa za kilele na ukubwa na mifumo ya marejeleo inayojulikana (k.m. kadi za ICDD/PDF). Kuweka kilele kimoja katika kutengwa ni kupotosha; vilele vinavyopishana, uelekeo wa upendeleo na vizalia vya nyuma vya nyuma vinapaswa kuzingatiwa na mgawo kuthibitishwa na hifadhidata ya marejeleo.

10. Rasimu ya ripoti ya uharibifu/ukaguzi iliyotayarishwa na AI ina thamani za kiufundi ambazo ni kioevu lakini asili isiyojulikana. Je, ni tabia gani sahihi?

• A) Kuwasilisha ripoti jinsi ilivyo kwa sababu maandishi ni fasaha
• B) Kuzungusha na kuangazia maadili
• C) Soma tu muhtasari wa mtendaji na uruke mengine
• D) Linganisha kila thamani na kipimo/chanzo asili na uondoe zisizothibitishwa ✔

Maelezo: Kila thamani ya kiufundi katika ripoti; Ni lazima ifuatiliwe kwa kipimo, rekodi ya kifaa iliyorekebishwa, data ya kawaida au ya mtengenezaji. Hata kama ni thamani katika sentensi fasaha, hakuna nambari ambayo chanzo chake hakijathibitishwa inapaswa kujumuishwa katika ripoti au msingi wa uamuzi; Vinginevyo, thamani ya uwongo huhamishiwa kwenye hati inayounda dhima.

11. Je, ni hatua gani bora zaidi kabla ya kutumia hesabu ya Python inayozalishwa na AI (k.m., uhusiano wa Hall-Petch kwa nguvu ya mavuno ya nafaka)?

• A) Kutumia msimbo moja kwa moja kwa data halisi ya uzalishaji
• B) Hakikisha tu kwamba nambari inaonekana fupi na nadhifu
• C) Tekeleza msimbo katika hali ya jaribio na matokeo yanayojulikana na uthibitishe vitengo na matokeo ✔
• D) Kufuta sehemu ya msimbo ili kufupisha

Maelezo: Msimbo unaweza kuonekana kuwa sahihi lakini ukatoa matokeo yasiyo sahihi: kunaweza kuwa na hitilafu ya kitengo, mgawo usio sahihi au kosa la fomula. Kuendesha nambari katika kesi ndogo ya jaribio ambapo unajua matokeo kwa mkono na kuilinganisha na matokeo yanayotarajiwa na kuangalia vitengo kunapata hitilafu kabla ya kuendelea na uamuzi halisi.

12. Unataka kubandika mapishi ya aloi ya kampuni yako ambayo bado hayana hati miliki na uchakata vigezo kwenye zana ya AI inayopatikana kwa umma na uombe uchanganuzi. Ni ipi njia sahihi zaidi?

• A) Kubandika kichocheo kama ni kuifanya iwe haraka
• B) Inatosha tu kufuta jina la kampuni na kushiriki vigezo vyote vilivyobaki.
• C) Kushiriki data na kisha kuuliza AI kuifuta
• D) Kukagua sera ya kitaasisi na kutotambulisha data au kutumia zana salama/kitaasisi ✔

Maelezo: Mapishi ya aloi, vigezo vya mchakato na maelezo ya mteja ni siri ya biashara na mali miliki nyeti. Kabla ya kushiriki data, ni muhimu kuangalia sera ya shirika, kuificha, au kutumia zana ya kitaasisi/kwenye tovuti ambayo haitume data hiyo nje.

13. Mfumo wa SPC unaoendeshwa na AI (udhibiti wa mchakato wa takwimu) ulialamishwa kuwa kikomo cha chati ya udhibiti kilikuwa kimepitwa katika kundi la uzalishaji. Ni nini tabia sahihi ya uhandisi?

• A) Puuza onyo na uendelee uzalishaji
• B) Kupanua mipaka ya udhibiti ili hakuna onyo linalotokea
• C) Fikiria onyo kama kichochezi, thibitisha kipimo, chunguza chanzo na uamue kwa kutumia vigezo vya kukubalika ✔
• D) Kufuta kundi zima moja kwa moja bila kupima

Maelezo: Kuzidi kikomo cha chati ya udhibiti ni onyo; Chanzo kikuu si dhahiri kiotomatiki. Inaweza kuwa hitilafu ya kipimo, suala la sampuli, au mwendo halisi wa mchakato. Mbinu sahihi ni kuzingatia onyo kama kichochezi, kuthibitisha kipimo, kuchunguza chanzo na kufanya uamuzi kulingana na vigezo vya kukubalika na NDT/matokeo ya mtihani.

14. Tathmini ya picha iliyosaidiwa na AI kwenye sehemu ya utumaji iliweka alama ya eneo kuwa 'inayokubalika'. Ni ipi njia sahihi kwa sehemu muhimu ya usalama?

• A) Kuzingatia tathmini ya awali ya AI kama zana ya uchunguzi na kuunganisha kukubalika kwa mwisho kwa matokeo ya NDT na idhini iliyoidhinishwa ✔
• B) Zingatia tathmini ya AI kama kibali cha mwisho na uidhinishe sehemu hiyo
• C) Kuendelea na mchakato unaofuata bila kukagua sehemu kabisa
• D) Inatosha kuangalia tu uso wa sehemu.

Maelezo: Kasoro za ndani za kutupwa (porosity, shrinkage, inclusions) mara nyingi hazionekani kutoka kwa uso na zinatathminiwa na upimaji usio na uharibifu (NDT: radiography, ultrasonic). Tathmini ya awali ambayo AI inatoa kupitia picha ni chombo cha uchunguzi; Kukubalika kwa mwisho kwa sehemu muhimu kwa usalama kunatolewa na NDT na idhini ya ukaguzi iliyoidhinishwa kwa mujibu wa kiwango.