Faida:
- Uwezo wa kuunda kwa usahihi shida ya kujifunza mashine na AI kwa utabiri wa mali ya mitambo kutoka kwa utunzi na vigezo vya mchakato
- Uwezo wa kusoma kwa umakini matokeo ya modeli kwa kutambua hatari za ubora wa data, utumiaji wa data kupita kiasi, na uwasilishaji.
- Uwezo wa kujaribu matokeo ya muundo wa utabiri kwa usahihi wa kimwili, muda wa kujiamini na majaribio ya uthibitishaji
Sheria ya msingi zaidi ya madini imefupishwa kama "mchakato huamua muundo; muundo huamua mali." Nguvu ya mavuno ya chuma inategemea sio tu juu ya muundo; Inatoka kwa jinsi inavyosindika (kughushi, kusonga, matibabu ya joto) na muundo wa microstructure (ukubwa wa nafaka, uwiano wa awamu, precipitates). Akili Bandia, na hasa kujifunza kwa mashine (ML: mbinu zinazojifunza na kutabiri kutokana na ruwaza katika data), ina nguvu katika kutoa mahusiano haya ya utungaji-uchakato-mali kutoka kwa maelfu ya pointi za data na kutabiri sifa za aloi mpya. Lakini nguvu hii inategemea kabisa ubora wa data na kujua ambapo mfano huo ni wa kuaminika. Katika kitengo hiki, utajifunza jinsi ya kuunda utabiri wa kipengele unaotegemea ML na jinsi ya kusoma kwa umakini matokeo yake.
Kuweka tatizo la kujifunza kwa mashine kwa usahihi
Kabla ya kutupa tatizo la utabiri wa kipengele kwenye ML, weka mambo matatu wazi:
- Ingizo (sifa): Vigezo vya kutumika katika utabiri. Kwa mfano, asilimia ya utungaji (C, Mn, Cr, Ni ...), joto la matibabu ya joto na wakati, ukubwa wa nafaka.
- Pato (lengo): Kipengele cha kutabiriwa. Kwa mfano, nguvu ya mavuno, elongation, ugumu.
- Data: Jedwali la jozi za ingizo-pato. Kila safu ni sampuli, kila safu ni sifa au lengo.
Mfano hujifunza "kazi" kutoka kwa data hii: inachukua pembejeo na kutabiri matokeo. Mbinu kama vile urejeshaji wa mstari (jumla ya uzani rahisi), msitu nasibu au uongezaji wa upinde rangi ni za kawaida. AI inasaidia katika kupendekeza ni njia gani inayofaa, kuandika msimbo, na kutafsiri matokeo; lakini unaangalia ikiwa mfano huo ni halali au la.
Ubora wa data: dari ya mfano
Mfano wa ML hauwezi kuwa bora zaidi kuliko data ambayo imefunzwa. Kanuni ya "taka ndani, takataka nje" ina nguvu sana katika madini kwa sababu data ya majaribio ni ghali na adimu. Jihadharini na mitego hii:
- Data ndogo: huwezi kujenga mifano tata na sampuli 30; Mfano hukariri data.
- Data isiyo na usawa: Ikiwa data nyingi ni vyuma vya kaboni duni, utabiri utakuwa duni katika aloi ya juu ya kaboni.
- Kelele ya kipimo: Ugumu wa sampuli sawa unaweza kutofautiana na waendeshaji tofauti; Kelele hii inaonekana katika mfano.
- Tofauti haipo: Ikiwa hujapima saizi ya nafaka, muundo unaojaribu kutabiri nguvu kwa utunzi pekee utakosa sababu muhimu.
Makini: Kwa sababu tu modeli ina mafanikio ya juu katika data ya mafunzo haimaanishi kuwa itafanikiwa pia katika sampuli mpya. Hii inaweza kuwa ya kupita kiasi: mfano umekariri kelele katika data ya mafunzo, sio uhusiano wa kweli. Mafanikio ya kweli yanapimwa kwa "data ya majaribio" ambayo mfano haujawahi kuona hapo awali.
Extrapolation: kikomo hatari zaidi
Miundo ya ML hufanya kazi ipasavyo ndani ya safu iliyojumuishwa na data ya mafunzo (ufafanuzi). Ukiwa nje ya safu hii (extrapolation), utabiri huwa hautegemewi na mtindo mara nyingi hauonyeshi hili; inaendelea kutoa nambari inayojiamini. Kwa mfano, mfano uliofunzwa kuhusu vyuma vilivyo na maudhui ya kaboni kati ya 0.2–0.6% inaweza kuonyesha thamani yake kwa aloi yenye kaboni 1.2% kama "salama", lakini thamani hii haina msingi kabisa. Kwa kila ubashiri, "sampuli hii iko ndani ya usambazaji wa data ya mafunzo?" Ni muhimu kuuliza swali.
Hatua kwa hatua: Kuunda mtiririko wa utabiri na AI
- Bainisha lengo na pembejeo: Utatabiri nini na kutoka kwa vigeu gani?
- Andaa data: Safisha, rekebisha vitengo, alama zinazokosekana. (AI: Anaandika msimbo wa Python.)
- Gawanya data: Tenganisha seti za mafunzo na majaribio ili uweze kupima mafanikio kwa usahihi.
- Chagua na ufunze modeli: Anza rahisi (mstari), nenda kwa msingi wa mti ikiwa ni lazima.
- Tathmini: Angalia vipimo vya makosa kwenye seti ya majaribio (k.m. RMSE, R²).
- Maoni: Ni kigeu gani kinafaa kwa kiasi gani? Je, inaleta maana kimwili?
- Thibitisha: Jaribu utabiri muhimu kwa majaribio halisi; Angalia extrapolation.
dhana
Maana
Kwa nini ni muhimu katika madini?
Kutosha kupita kiasi
Mfano wa kukariri kelele
Ni rahisi sana na data kidogo ya mtihani
tafsiri
Utabiri ndani ya safu ya mafunzo
Eneo salama kiasi
extrapolation
Utabiri nje ya safu ya mafunzo
asiyeaminika; majaribio inahitajika
R²
Uwiano wa tofauti ulioelezewa na mfano
Kiashiria cha ubora unaofaa
Umuhimu wa kipengele
Ukubwa wa athari ya pembejeo
Uchunguzi wa busara wa kimwili
kesi tatu ndogo
Kesi ya 1 - Mfano wa kukariri. Timu huunda muundo changamano unaotabiri nguvu ya mavuno na sampuli 45 za chuma; Data ya mafunzo inageuka kuwa R² = 0.99 na wanafurahi. Walakini, katika data ya jaribio inashuka hadi R² = 0.42. Mfano umejaa kupita kiasi. Wanapobadilisha kwa mfano rahisi na kuongeza data, mafanikio ya mtihani huongezeka hadi 0.80. Somo: mafanikio ya elimu yanapotosha; Uamuzi unafanywa na data ya mtihani.
Kesi ya 2 - Mtego wa ziada. Mhandisi anatumia muundo uliofunzwa kwenye vyuma vya aloi ya chini kwa utunzi wa hali ya juu wa Cr. Mfano unasema "kuhusu 620 MPa." Mtihani halisi wa mvutano hutoka hadi 410 MPa. Utungaji ni nje kabisa ya usambazaji wa elimu. Somo: kabla ya kutabiri ni muhimu kuangalia ikiwa ingizo liko ndani ya safu ya mafunzo.
Kesi 3 - Matumizi sahihi. Timu ya R&D inaonyesha athari ya halijoto ya kubana kwenye ugumu na maelfu ya rekodi katika familia ya aloi. Muundo huu hutoa tena mwelekeo wa kimaumbile unaojulikana (ugumu hupungua kwa kuongezeka kwa halijoto) na kupunguza chini ambayo ugumu unaolengwa utapatikana. Timu hutumia muundo huo kupunguza idadi ya majaribio: kufikia lengo kwa majaribio 8 badala ya 40 na kuthibitisha kila hatua kwa vipimo. Somo: ML kwa akili inapunguza upangaji wa majaribio kwa data nzuri na ukaguzi wa uhalisi wa kimwili.
Violezo vya haraka vinavyoweza kunakiliwa
KIOLEZO CHA KUWEKA TATIZO LA ML "Jukumu: Wewe ni msaidizi wa sayansi ya data. Lengo: [kipengele cha kutabiriwa]. Ingizo: [sifa]. Nina sampuli [n]. Kwa tatizo hili: (1) pendekeza chaguo zinazofaa za muundo rahisi na wa hali ya juu, (2) eleza mgawanyiko wa mafunzo/jaribio na kipimo cha tathmini, (3) kutafsiri na kutathmini hatari hii kwa msingi wa kufafanua data. mipaka wazi."
KIOLEZO CHA UKAGUZI WA UBORA WA DATA"Angalia ubora wa jedwali la data lifuatalo: [bandika safu wima na sampuli za safumlalo]. Alamisha: thamani zinazokosekana, viambajengo, kutofautiana kwa vitengo, usambazaji usio na usawa. Kwa kila toleo, pendekeza jinsi ya kulishughulikia. Orodhesha ukaguzi ninaopaswa kufanya kabla ya kuunda muundo."
KIOLEZO CHA UDHIBITI WA KUCHUKUA "Upeo wa chini wa kila ingizo katika mavuno yangu ya mafunzo ni: [andika safu]. Sampuli mpya ninayotaka kutabiri ni: [andika thamani]. Je, sampuli hii iko ndani au nje ya masafa ya mafunzo katika kila sifa? Ikiwa iko nje, eleza ni vigeu gani na kwa nini utabiri hautategemewa. Pendekeza uthibitishaji kwa majaribio."
KIOLEZO cha uwezekano wa MWILI "Mpangilio wa modeli wa umuhimu wa kipengele ni [aina]. Je, agizo hili linalingana na uhusiano wa metalluji unaojulikana (k.m. Hall-Petch, ugumu wa mvua, athari ya kaboni)? Ikiwa kuna athari isiyotarajiwa ya kimwili, itie alama na ueleze tatizo linalowezekana la data/modeli."
Agizo dhaifu / Ukumbusho thabiti
TAARIFA DHAIFU: "Tabiri nguvu ya mavuno kulingana na utunzi huu."
STRONG PROMPT:"Jukumu: Wewe ni msaidizi wa sayansi ya data. Nina mistari 800 ya data ya aloi ya chini (C, Mn, Cr, Ni, halijoto ya kukauka ->nguvu ya mavuno). Sampuli mpya: C=0.38, Mn=0.8, Cr=1.0, Ni=0.2,temper=550 °C. Kwanza rekebisha sampuli ya mafunzo ikiwa inafaa, angalia ikiwa sampuli hii inafaa. Eleza; ikiwa haifai, pendekeza majaribio ya usawa kwa kutumia Hall-Petch na athari ya halijoto.
Kidokezo chenye nguvu kinaomba ukaguzi wa ziada kabla ya kufanya utabiri, huondoa kutokuwa na uhakika, na hujaribu matokeo dhidi ya sheria za asili. Hii inatoa msingi wa uamuzi unaotegemeka zaidi kuliko nambari mbichi.
Makosa ya kawaida
- Kukosea mafanikio ya kielimu kwa mafanikio ya kweli (kuruka kupita kiasi).
- Kutathmini modeli bila kufanya mgawanyiko wa mafunzo/jaribio.
- Kukubali makadirio yanayozalishwa katika eneo la extrapolation kama salama.
- Kuunda miundo changamano yenye data ndogo na isiyo na usawa.
- Bila kulinganisha umuhimu wa kipengele na usadikisho wa kimwili.
- Kuweka kisio muhimu katika muundo bila kuuthibitisha kupitia majaribio.
Kwa muhtasari
Kujifunza kwa mashine kunanasa kwa nguvu uhusiano wa utungaji-mchakato-mali na data nzuri na hupunguza kwa akili upangaji wa majaribio. Lakini mfano ni mzuri tu kama data yake; Mafanikio ya mafunzo yanaweza kupotosha (ya kupita kiasi) na makadirio ya nje ya safu ya mafunzo (extrapolation) hayawezi kutegemewa. Pima kila ubashiri kwa mafanikio ya data ya jaribio, udhibiti wa ziada, usadikisho wa kimwili, na, katika hali muhimu, majaribio halisi.
Jukumu la maombi
Bainisha tatizo la utabiri wa mali na seti ya nyenzo iliyopo (au ya kubuni): andika lengo na ingizo. Uliza mbinu kutoka kwa AI ukitumia kiolezo cha "ML PROBLEM FIGURE". Kisha fafanua "sampuli mpya" na uangalie ikiwa sampuli hii iko ndani ya safu ya mafunzo kwa kiolezo cha "EXTRAPOLATION CHECK". Hatimaye, eleza katika aya ambayo utatumia jaribio kuthibitisha matokeo ya modeli.
orodha ya ukaguzi
- [ ] Nilifafanua kwa uwazi lengo na michango.
- [ ] Niliangalia ubora wa data (haipo, nje, kitengo, salio).
- [ ] Nilipima mafanikio ya uaminifu kwa mgawanyiko wa mafunzo/jaribio.
- [ ] Nilikagua hatari ya ziada kwa kila makadirio.
- [ ] Nililinganisha umuhimu wa kipengele na kusadikika kimwili.
- [ ] Nilifanya mpango wa kuthibitisha utabiri muhimu kwa majaribio halisi.