பைத்தானுடன் AI இன் உலோகவியல் தரவு பகுப்பாய்வு மற்றும் எல்லைகள்

ஆதாயங்கள்:

• AI ஆதரவுடன் பைதான் மூலம் உலோகவியல் தரவை சுத்தம் செய்து, பகுப்பாய்வு செய்து, காட்சிப்படுத்தக்கூடிய குறியீட்டை உருவாக்கி புரிந்து கொள்ளும் திறன்
• யூனிட் செக்கிங், டெஸ்ட் கேஸ் மற்றும் இயற்பியல் நம்பகத்தன்மையுடன் AI-உருவாக்கப்பட்ட குறியீட்டை சரிபார்க்கும் பழக்கத்தை நிறுவும் திறன்
• உலோகவியலில் AI இன் இறுதி முதல் இறுதி வரம்புகள், பொறுப்பு மற்றும் நெறிமுறை கட்டமைப்பு பற்றிய முழுமையான புரிதல்

உலோகவியல் வேலை அதிக தரவுகளுடன் செய்யப்படுகிறது: நூற்றுக்கணக்கான இழுவிசை சோதனை முடிவுகள், ஆயிரக்கணக்கான SPC அளவீடுகள், வெப்ப சிகிச்சை உலை பதிவுகள், குணாதிசய வெளியீடுகள். எக்செல் இல் இந்தத் தரவை கைமுறையாகத் துரத்துவது மெதுவாகவும் பிழையாகவும் இருக்கும்; பைதான் (தரவு பகுப்பாய்வு மற்றும் அறிவியல் கம்ப்யூட்டிங்கிற்கான ஒரு பொதுவான நிரலாக்க மொழி) இதை மீண்டும் மீண்டும் செய்யக்கூடியதாகவும், தணிக்கை செய்யக்கூடியதாகவும், தானியங்கியாகவும் செய்கிறது. பைதான் குறியீட்டை எழுதுதல், பிழைத்திருத்தம் செய்தல் மற்றும் விளக்குதல் ஆகியவற்றில் AI மிகவும் சக்தி வாய்ந்தது - ஆனால் அது உருவாக்கும் குறியீடு சரியாகத் தோன்றலாம் ஆனால் தவறான முடிவைக் கொடுக்கும்: அலகு பிழை, தவறான குணகம், அமைதியான தரவு இழப்பு. இந்த இறுதி அலகில், பைத்தானில் உள்ள AI ஆதரவுடன் உலோகவியல் தரவை எவ்வாறு பகுப்பாய்வு செய்வது மற்றும் ஒவ்வொரு குறியீட்டையும் சரிபார்ப்பது எப்படி என்பதை நீங்கள் கற்றுக் கொள்வீர்கள், பின்னர் முழு தொகுதி முழுவதும் உள்ள AI எல்லைகள், பொறுப்பு மற்றும் நெறிமுறைகள் கட்டமைப்பை முழுமையாகச் சுற்றி வருவீர்கள்.

உலோகவியல் தரவு பகுப்பாய்வில் வழக்கமான பணிகள்

பைத்தானில் AI ஆதரவுடன் பொதுவான பணிகள்:

• தரவு சுத்தம்: மதிப்பு இல்லை, யூனிட் குழப்பம் (MPa vs. ksi), வெளிப்புற நீக்கம். அழுக்கு தரவு சிறந்த பகுப்பாய்வைக் கூட சிதைக்கிறது.
• காட்சிப்படுத்தல்: இழுவிசை வளைவு வரைதல், கட்டுப்பாட்டு விளக்கப்படம், தானிய அளவு விநியோகம், வெப்பநிலை நேர விவரம்.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• ஆட்டோமேஷன்: தொகுப்பு அதிக எண்ணிக்கையிலான கோப்புகளைச் செயலாக்குகிறது மற்றும் சுருக்க அட்டவணைகள்/அறிக்கைகளை உருவாக்குகிறது.

ஹால்-பெட்ச் உறவு இங்கே ஒரு சிறந்த உதாரணம்: மகசூல் வலிமை தானிய விட்டத்தின் வர்க்க மூலத்திற்கு நேர்மாறான விகிதாசாரத்தில் அதிகரிக்கிறது. AI இந்த சூத்திரத்தை குறியீடாக மொழிபெயர்க்கலாம்; ஆனால் நீங்கள் d ஐ மைக்ரோமீட்டராக அல்லது மீட்டராகப் பயன்படுத்தினாலும், k குணகத்திற்கு எந்த அலகு பயன்படுத்தினாலும் முடிவை முற்றிலும் மாற்றுகிறது. குறியீட்டின் சரியான தன்மை சூத்திரத்தை மனப்பாடம் செய்வதில் இல்லை, ஆனால் அலகுகள் மற்றும் சோதனை வழக்கை சரிபார்ப்பதில் உள்ளது.

உதவிக்குறிப்பு: AI எழுதும் ஒவ்வொரு கணக்கிலும் "தெரிந்த பதில் சோதனை" சேர்க்கப்படுவதை உறுதிப்படுத்திக் கொள்ளுங்கள். நீங்கள் கைமுறையாகத் தெரிந்த ஒரு சிறிய உள்ளீட்டைக் கொடுங்கள் (எ.கா. d = 100 µmக்கு எதிர்பார்க்கப்படும் வலிமை); குறியீடு அந்த மதிப்பைக் கொடுத்தால், நீங்கள் அதை நம்பலாம்; இல்லை என்றால், பிழை மறைக்கப்படும்.

படிப்படியாக: AI உடன் பாதுகாப்பான பகுப்பாய்வு ஓட்டம்

1. பணி மற்றும் தரவை விவரிக்கவும்: எந்த கோப்பு, எந்த நெடுவரிசைகள், எந்த அலகுகள், என்ன கணக்கிடப்படும்?
2. குறியீட்டு எலும்புக்கூட்டைக் கோருங்கள்: கருத்து தெரிவிக்கப்பட்ட, படிப் பிரிக்கப்பட்ட எலும்புக்கூட்டை AIயிடம் கேளுங்கள்; மேலே வெளிப்படையான மாறிகள் கொண்ட அலகுகளை வரையறுக்கவும்.
3. சிறிய தரவுகளுடன் சோதிக்கவும்: முதலில் சில வரிசைகள்/தெரிந்த மதிப்புகளுடன் இயக்கவும்; முடிவை கைமுறையாக சரிபார்க்கவும்.
4. அலகு மற்றும் எல்லைக் கட்டுப்பாடு: வெளியீடு உடல் ரீதியாக நியாயமானதா? எதிர்மறை வலிமை, 120% விகிதம் போன்ற முட்டாள்தனம் உள்ளதா?
5. காட்சிப்படுத்தவும் பார்க்கவும்: வரைபடம் எதிர்பார்த்த போக்கைக் காட்டுகிறதா? அவுட்லியர்ஸ் தரவு பிழைகளா?
6. சரிபார்த்து ஆவணப்படுத்தவும்: முடிவை ஒரு சுயாதீன கணக்கீடு/தரநிலையுடன் ஒப்பிடுக; குறியீடு மற்றும் அனுமானங்களை கருத்து தெரிவிக்கவும்.

AI குறியீடு சரிபார்ப்பு அட்டவணை

ஆபத்து

அறிகுறி

கட்டுப்பாட்டு முறை

அலகு பிழை

விளைவு 1000x வக்கிரம்

வெளிப்படையான மாறி, அளவு கட்டுப்பாட்டில் அலகுகளை வரையறுக்கவும்

தவறான குணகம்/சூத்திரம்

நியாயமான ஆனால் தவறான மதிப்பு

தெரிந்த பதில்களுடன் சோதனை காட்சி

அமைதியான தரவு இழப்பு

வரிசைகளின் எண்ணிக்கை எதிர்பார்த்ததை விட குறைவாக உள்ளது

செயலாக்கத்திற்கு முன்/பின் வரிசைகளின் எண்ணிக்கையை அச்சிடவும்

வெளிப்புற சிதைவு

சராசரி கயாக்

வரைபடத்துடன் காட்சிப்படுத்தவும், விநியோகத்தைப் பார்க்கவும்

அதிகப்படியான பொருத்துதல் (மாயத்தோற்ற நூலகம்)

இல்லாத செயல்பாடு

இயக்கவும், பிழையைப் படிக்கவும், ஆவணங்களைப் பார்க்கவும்

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - மறைக்கப்பட்ட தொகுதி பிழை. ஒரு பொறியாளர் ஹால்-பெட்ச் கணக்கீட்டிற்கு AI இலிருந்து குறியீட்டைக் கோருகிறார்; குறியீடு தானிய விட்டத்தை மீட்டரில் எதிர்பார்க்கிறது, ஆனால் பொறியாளர் மைக்ரோமீட்டர்களில் நுழைகிறார். இதன் விளைவாக 1000 மடங்கு விபரீதமானது, ஆனால் அது ஒரு "எண்" போல தோற்றமளிப்பதால் முதல் பார்வையில் அது கவனிக்கப்படாது. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüküdaş. பாடம்: தெரிந்த-பதில் சோதனை நொடிகளில் யூனிட் பிழையை வெளிப்படுத்துகிறது.

வழக்கு 2 - அமைதியான தரவு இழப்பு. ஒரு குழு 500 புல் சோதனை முடிவுகளை AI-எழுதப்பட்ட குறியீட்டைக் கொண்டு சுத்தம் செய்கிறது; குறியீடு விடுபட்ட மதிப்புகளுடன் வரிசைகளைக் குறைக்கும் போது, ​​அது தற்செயலாக சில செல்லுபடியாகும் வரிசைகளை நிராகரித்து, 300 வரிசைகளை விட்டுவிடுகிறது. சராசரி வலிமை எதிர்பார்த்ததை விட அதிகமாக உள்ளது, ஏனெனில் குறைந்த மதிப்பு தொகுதி நீக்கப்பட்டது. செயலாக்கத்திற்கு முன்/பிறகு வரிசைகளின் எண்ணிக்கையை குழு அச்சிடும்போது, ​​200 வரிசைகள் அமைதியாக மறைந்துவிட்டதைக் கண்டு, வடிப்பானைச் சரிசெய்கிறார்கள். பாடம்: ஒவ்வொரு தரவு செயலாக்கப் படியிலும் வரிசைகளின் எண்ணிக்கையை அச்சிடுவது அமைதியான இழப்புகளைப் பிடிக்கிறது.

வழக்கு 3 - சரியான பயன்பாடு, மீண்டும் மீண்டும் செய்யக்கூடிய அறிக்கை. ஒரு தரமான குழு டஜன் கணக்கான உலை பதிவுகளை செயலாக்க வேண்டும் மற்றும் ஒவ்வொரு வாரமும் சுருக்க அறிக்கைகளை உருவாக்க வேண்டும். கோப்புகளை மொத்தமாகப் படிக்கும் மற்றும் வரைபடங்கள் மற்றும் சுருக்க அட்டவணைகளை உருவாக்கும் கருத்துரையிடப்பட்ட ஸ்கிரிப்டை எழுத AI ஐக் கேட்கிறது. குழு அறியப்பட்ட சில கோப்புகளுடன் குறியீட்டை சோதிக்கிறது, அலகுகள் மற்றும் வரிகளின் எண்ணிக்கையை சரிபார்க்கிறது, வெளியீட்டு வரைபடத்தை பார்வைக்கு ஆய்வு செய்கிறது. பின்னர் வாரந்தோறும் ஸ்கிரிப்டைப் பயன்படுத்துகிறது; வேலை நேரம் நிமிடங்களாக குறைக்கப்பட்டு, ஒவ்வொரு வாரமும் ஒரே மாதிரியான, தணிக்கை செய்யக்கூடிய முறையில் வேலை செய்யும். AI மீண்டும் மீண்டும் செய்யக்கூடிய ஆட்டோமேஷனை இயக்கியது, குழு உறுதிப்படுத்தியது.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

குறியீடு எலும்புக்கூடு டெம்ப்ளேட்"பாத்திரம்: உலோகவியல் தரவு பகுப்பாய்விற்கான குறியீடு உதவியாளர் நீங்கள். பணி: [எ.கா. CSV மற்றும் சராசரி மகசூல் வலிமையிலிருந்து வரைதல் முடிவுகளைப் படிக்கவும்]. தரவு: [கோப்பு, நெடுவரிசைகள், யூனிட்கள்]. கருத்துரைக்கப்பட்ட எலும்புக்கூட்டை பாண்டாக்களுடன் எழுதவும்: (1) மேலே உள்ள யூனிட்களை வரையறுத்து, அச்சு 3 மாறியில் டேட்டாவை வரையவும் (அச்சு 3) மாறியில் படிக்கவும் வரிசை எண்ணிக்கை மீண்டும், (5) முடிவை அச்சிடவும் மற்றும் நான் சரிபார்க்க வேண்டிய ஒவ்வொரு படியிலும் கருத்துகளைச் சேர்க்கவும்."

அறியப்பட்ட பதில் சோதனை டெம்ப்ளேட் "பின்வரும் செயல்பாட்டிற்கு 'தெரிந்த பதில் சோதனை' எழுதவும்: [செயல்பாடு]. முடிவை கைமுறையாகக் கணக்கிடக்கூடிய ஒரு சிறிய உள்ளீட்டைத் தேர்வுசெய்து, எதிர்பார்க்கப்படும் வெளியீட்டைக் கருத்துத் தெரிவிக்கவும், மேலும் உறுதியுடன் சரிபார்க்கவும். அலகு நிலைத்தன்மையையும் சோதிக்கவும். சோதனை வெற்றிபெறவில்லை என்றால், சாத்தியமான காரணங்களை பட்டியலிடவும் (அலகு, குணகம், சூத்திரம்)."

குறியீடு மதிப்பாய்வு / பிழைத்திருத்த வார்ப்புரு"பின்வரும் குறியீட்டை ஆராயவும்: [குறியீடு]. பின்வருவனவற்றைச் சரிபார்த்து, கொடியிடவும்:(1) ஒலியளவு நிலைத்தன்மை, (2) அமைதியான தரவு இழப்பின் ஆபத்து, (3) வெளிப்புற தாக்கம், (4) உடல்ரீதியாக சாத்தியமற்ற வெளியீடு (எதிர்மறை வலிமை, >100% வீதம்). சோதனை செய்ய முடியாததைச் சரிபார்க்காமல், 'ஒவ்வொரு ஆபத்தையும் சரிபார்க்காமல்' குறியீட்டை உறுதிப்படுத்தாமல் எழுதவும்."

காட்சிப்படுத்தல் டெம்ப்ளேட் "மேட்ப்லோட்லிப் உடன் ப்ளாட் [டென்சைல் வளைவு / கட்டுப்பாட்டு சதி / விநியோகம்]. அச்சு லேபிள்களில் யூனிட்களைச் சேர்க்கவும், தலைப்பு மற்றும் கட்டத்தை வைக்கவும். அவுட்லையர்களை வித்தியாசமாகக் குறிக்கவும். நான் ப்ளாட்டை பார்வைக்கு ஆய்வு செய்து, எதிர்பார்க்கப்படும் போக்கைச் சரிபார்க்க வேண்டும் (எ.கா. மன அழுத்தத்தை அதிகரிக்கும் புள்ளிகள்) 'தரவை மறைக்க வேண்டாம்."

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான அறிவுறுத்தல்: "ஹால்-பெட்ச் கணக்கீடு செய்யும் குறியீட்டை எனக்கு எழுது."

வலுவான தூண்டுதல்:"பாத்திரம்: உலோகவியல் தரவுப் பகுப்பாய்விற்கான குறியீடு உதவியாளர் நீங்கள். ஹால்-பெட்ச் (σy = σ0 + k·d^(-1/2)) கணக்கிட பைதான் செயல்பாட்டை எழுதவும். அலகுகள்: d மைக்ரோமீட்டர், σ0 மற்றும் σy MPa, k MPa·µmrn in the unit. மேலும் 1/2 க்குள் கருத்துரை செய்யவும். 100 µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 க்கு கைமுறையாகக் கணக்கிடுங்கள் மற்றும் உறுதியுடன் சோதனை செய்யுங்கள்.

பலவீனமான ப்ராம்ட் ஆனது யூனிட் மற்றும் சோதனை இல்லாத குறியீட்டை உருவாக்குகிறது மற்றும் அமைதியாக தவறாக போகலாம். வலுவான தூண்டுதல்கள் அலகுகளை தெளிவாக வரையறுக்கின்றன, மாற்றத்தை செயல்படுத்துகின்றன, அறியப்பட்ட-பதில் சோதனை தேவை மற்றும் நம்பகத்தன்மையை சரிபார்த்தல் - குறியீட்டை சரிபார்க்கும்படி செய்கிறது.

தொகுதியின் முழுமையான சுருக்கம்: உலோகவியலில் AI இன் இடம் மற்றும் வரம்புகள்

இந்த தொகுதி முழுவதும் ஒரே கொள்கை மீண்டும் மீண்டும் செய்யப்பட்டது: AI ஒரு உதவியாளர், முடிவெடுப்பவர் அல்ல. பன்னிரண்டு அலகுகளில், AI ஐ எண்ட்-டு-எண்ட், பொருள் தேர்வு முதல் சொத்துக் கணிப்பு வரை, கட்ட பகுப்பாய்வு முதல் நுண் கட்டமைப்பு வரை, வெப்ப சிகிச்சை முதல் புனையமைப்பு வரை, சேத பகுப்பாய்வு வரை தரக் கட்டுப்பாடு, தரநிலைப்படுத்தல் மற்றும் பைதான் பகுப்பாய்வு ஆகியவற்றைப் பயன்படுத்தினோம். ஒவ்வொரு யூனிட்டிலும், AI கருத்துகளை விளக்கியது, கருதுகோள்களை உருவாக்கியது, வரைவுகள் மற்றும் குறியீட்டை எழுதியது - ஆனால் எந்த யூனிட்டிலும் அது தனியாக முடிவெடுக்கவில்லை. வரம்புகள் தெளிவாக இருந்தன: மாயத்தோற்றம் (உருவாக்கப்பட்ட எண் மற்றும் தரநிலை), பாதுகாப்பு-முக்கியமான பொறுப்பை ஒப்படைக்காத தன்மை, தரவு தரம் மற்றும் அளவீடு/அளவுத்திருத்தம், எக்ஸ்ட்ராபோலேஷன் ஆபத்து மற்றும் ரகசியத்தன்மை. சரிபார்ப்பு ஒழுக்கம் எப்போதும் நிலையான-ஆய்வக-கணக்கு முக்கோணத்தில் மனிதர்களிடம் உள்ளது.

பொதுவான தவறுகள்

• அறியப்பட்ட பதில்களுடன் சோதிக்காமல் உண்மையான தரவுகளுக்கு குறியீட்டைப் பயன்படுத்துதல்.
• அலகுகளை தெளிவாக வரையறுக்கவில்லை; MPa/ksi ஐ கவனிக்காமல், µm/m குழப்பம்.
• தரவு செயலாக்க நடவடிக்கைகளின் போது வரிசைகளின் எண்ணிக்கையை அச்சிடாமல் இருப்பது மற்றும் அமைதியான இழப்பைக் கவனிக்காமல் இருப்பது.
• புறம்போக்குகளைக் காட்சிப்படுத்தாமல் சராசரியை நம்பியிருப்பது.
• AI ஆல் உருவாக்கப்பட்ட நூலகம்/செயல்பாட்டை செயல்படுத்தாமல் ஏற்றுக்கொள்வது.
• குறியீடு சரியானது என்று கருதுவது, ஏனெனில் அது "வேலை செய்வது போல் தெரிகிறது"; உடல் நம்பகத்தன்மையை சரிபார்க்க தவறியது.

சுருக்கமாக

பைத்தானுடன் உலோகவியல் தரவு பகுப்பாய்வில் AI என்பது குறியீட்டு முறை, பிழைத்திருத்தம் மற்றும் ஆட்டோமேஷனுக்கான சக்திவாய்ந்த முடுக்கி ஆகும்; ஆனால் அது உருவாக்கும் குறியீடு அலகு பிழைகள், தவறான குணகங்கள் மற்றும் அமைதியான தரவு இழப்பைக் கொண்டிருக்கலாம். அறியப்பட்ட-பதில் சோதனை, அலகு சரிபார்ப்பு, வரி எண்ணிக்கை கண்காணிப்பு மற்றும் உடல் நம்பகத்தன்மையுடன் ஒவ்வொரு குறியீட்டையும் சரிபார்க்கவும். இங்கே, முழு தொகுதியிலும், AI உதவியாளர்: இது வேகம் மற்றும் அமைப்பு, துல்லியம் மற்றும் பொறுப்பு அங்கீகரிக்கப்பட்ட பொறியாளரால் மேற்கொள்ளப்படுவதை உறுதி செய்கிறது. பாதுகாப்பு-முக்கியமான உலோகவியல் முடிவுகளில், தரநிலைகள், சோதனைகள், கணக்கீடுகள் மற்றும் திறமையான பொறியாளர் ஒப்புதலுக்கு AI வெளியீடு ஒருபோதும் மாற்றாக இருக்காது.

விண்ணப்ப பணி

உலோகவியல் கணக்கீட்டைத் தேர்வு செய்யவும் (எ.கா. ஹால்-பெட்ச் அல்லது இழுவிசை தரவு சராசரி). "CODE SKELETON" டெம்ப்ளேட்டுடன், AI யிடம் கருத்துத் தெரிவிக்கப்பட்ட குறியீட்டைக் கேட்கவும், அது யூனிட்களின் எண்ணிக்கையை வெளிப்படையாக அச்சிடுகிறது. பின்னர் "தெரிந்த பதில் சோதனை" டெம்ப்ளேட்டுடன் கைமுறையாக முடிவைத் தெரிந்துகொள்ளும் சோதனைக் காட்சியைச் சேர்த்து அதை இயக்கவும். குறியீடு எதிர்பார்த்த மதிப்பைக் கொடுக்கவில்லை என்றால், பிழை (அலகு, குணகம், தரவு) கண்டுபிடித்து அதை சரிசெய்யவும். இறுதியாக, இந்த தொகுதியில் நீங்கள் கற்றுக்கொண்ட AI சரிபார்ப்புத் துறையைப் பற்றி மூன்று கட்டுரைகளில் உங்கள் சொந்த வணிகத்திற்கு மாற்றியமைத்து எழுதுங்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் AIக்கான பணி, தரவு மற்றும் அலகுகளை தெளிவாக வரையறுத்துள்ளேன்.
• [ ] நான் குறியீட்டின் மேல் வெளிப்படையான மாறிகள் கொண்ட அலகுகளை வரையறுத்தேன்.
• [ ] தரவு செயலாக்க படிகளில், வரிசைகளின் எண்ணிக்கையை அச்சிட்டு, அமைதியான இழப்பைச் சரிபார்த்தேன்.
• [ ] அறியப்பட்ட பதிலுடன் சோதனைக் கேஸ் மூலம் குறியீட்டைச் சரிபார்த்தேன்.
• [ ] வெளியீட்டின் இயற்பியல் நம்பகத்தன்மையை (எதிர்மறை/அபத்தமான மதிப்பு) சரிபார்த்தேன்.
• [ ] நான் AI ஐ முடுக்கியாகப் பயன்படுத்தினேன்; நான் நேர்மையையும் பொறுப்பையும் கடைப்பிடித்தேன்.

தொகுதி தேர்வு

1. மெட்டீரியல் இன்ஜினியராக AI கருவியுடன் பணிபுரியும் போது, பின்வருவனவற்றில் எதன் இறுதிப் பொறுப்பு எப்போதும் மனிதனிடம் (சட்டப் பொறியாளர்) இருக்க வேண்டும்?

• A) சேவைக்கான ஒரு பகுதியின் தகுதிக்கான ஒப்புதல் மற்றும் கையொப்பம் ✔
• B) சேத அறிக்கையின் முதல் வரைவைத் தயாரித்தல்
• சி) நுண் கட்டமைப்பு வரைபடத்தின் அச்சு லேபிள்களைத் திருத்துதல்
• D) விளக்கக்காட்சிக்கான உலோகவியல் சொற்களின் சொற்களஞ்சியத்தைத் தயாரித்தல்

விளக்கம்: AI; இது கருத்து தெளிவுபடுத்தல், அறிக்கை வரைவு, கருதுகோள் பட்டியல் மற்றும் குறியீடு எலும்புக்கூடு போன்ற பணிகளை விரைவுபடுத்தும். எவ்வாறாயினும், சேவை/விமானத்திற்கான ஒரு பகுதியின் பொருத்தத்தை அங்கீகரிப்பது என்பது வாழ்க்கை மற்றும் உடைமையின் பாதுகாப்பில் விளையும் ஒரு முடிவாகும்; அங்கீகாரம் பெற்ற சோதனை மற்றும் அங்கீகரிக்கப்பட்ட பொறியாளர் ஒப்புதல் இல்லாமல் AI க்கு மாற்ற முடியாது.

2. 200 டிகிரி செல்சியஸ் வெப்பநிலையில் AISI 4140 ஸ்டீலின் மகசூல் வலிமையைப் பற்றி நீங்கள் AIயிடம் கேட்டீர்கள், அவர் '1500 MPa நிச்சயம்' என்று பதிலளித்தார். முதலில் எடுக்க வேண்டிய சரியான நடவடிக்கை என்ன?

• A) AI நம்பிக்கையுடன் இருப்பதால் மதிப்பை நேரடியாக வடிவமைப்பு கணக்கில் வைக்கவும்
• B) பொருள் தரவுத் தாள்/மில் சான்றிதழுடன் மதிப்பைச் சரிபார்த்தல் மற்றும் தேவைப்பட்டால் இழுவிசைச் சோதனை, ஒற்றைப் புள்ளி மதிப்பை நம்பாமல் ✔
• C) பாதுகாப்பான பக்கத்தில் இருக்க மதிப்பை தோராயமாக குறைத்தல்
• D) மதிப்பை ஏற்று நேரடியாக வெப்ப சிகிச்சை செய்முறைக்கு செல்லவும்

விளக்கம்: மொழி மாதிரிகள் ஆதாரமற்ற எண்களை (மாயத்தோற்றம்) நம்பத்தகுந்த வகையில் உருவாக்க முடியும். மகசூல் வலிமை; வெப்பநிலை, பகுதியின் தடிமன் மற்றும் கடினத்தன்மை ஆகியவற்றைப் பொறுத்து இது பரந்த அளவில் மாறுபடும். மில் சான்றிதழில் இருந்து மதிப்பைப் பெறுவது அல்லது தரநிலைக்கு ஏற்ப இழுவிசை சோதனையிலிருந்து பெறுவது அவசியம், மேலும் வடிவமைப்பில் ஒரு புள்ளி AI வெளியீட்டை சேர்க்கக்கூடாது.

3. எஃகின் பண்புகளைக் கணிக்கும் இயந்திரக் கற்றல் மாதிரியுடன், AI ஆனது பயிற்சித் தரவுகளில் கலவை வரம்பிற்கு வெளியே ஒரு கலவைக்கான 'பாதுகாப்பான' மதிப்பை உருவாக்கியது. இந்த வெளியீட்டின் முக்கிய பிரச்சனை என்ன?

• A) மாதிரி எப்போதும் சதவீதத்தில் முடிவுகளைத் தருகிறது, MPa தவறானது
• B) முன்னறிவிப்பு நம்பகத்தன்மையற்றது, ஏனெனில் இது பயிற்சி தரவு வரம்பிற்கு (எக்ஸ்ட்ராபோலேஷன்) வெளியே உருவாக்கப்பட்டுள்ளது மற்றும் பரிசோதனை மூலம் சரிபார்க்கப்பட வேண்டும் ✔
• சி) மாடல் துருப்பிடிக்காத இரும்புகளுக்கு மட்டுமே வேலை செய்கிறது
• D) மாதிரியின் வெளியீடு எப்போதும் உண்மையான மதிப்பை விட இரண்டு மடங்கு அதிகமாக இருக்கும்

விளக்கம்: இயந்திர கற்றல் மாதிரிகள் பயிற்சி தரவு வரம்பிற்குள் நியாயமான முறையில் செயல்படுகின்றன (இடைக்கணிப்பு); இந்த வரம்பிற்கு வெளியே இருக்கும் போது (எக்ஸ்ட்ராபோலேஷன்), கணிப்புகள் நம்பகத்தன்மையற்றதாக மாறும் மற்றும் மாதிரி பெரும்பாலும் இதைக் காட்டாது. பயிற்சி தரவு விநியோகத்திற்கு வெளியே ஒரு கட்டத்தில் உருவாக்கப்பட்ட மதிப்பை சோதனை சரிபார்ப்பு இல்லாமல் பயன்படுத்த முடியாது.

4. இரண்டு-கட்ட கலவையில் கட்ட விகிதத்தைக் கணக்கிட AI ஐப் பயன்படுத்தியுள்ளீர்கள். 'நெம்புகோல் விதி'யைப் பயன்படுத்தும்போது AI என்ன உள்ளீட்டைச் சரியாகப் பயன்படுத்த வேண்டும்?

• A) வெப்பநிலை மட்டும்; சேர்க்கைகள் தேவையற்றவை
• B) கலவையின் அடர்த்தி மட்டுமே
• C) தொடர்புடைய வெப்பநிலையில் கட்ட எல்லை கலவைகளுடன் கூடிய கலவையின் மொத்த கலவை ✔
• D) உருகும் வெப்பநிலை மட்டுமே

விளக்கம்: நெம்புகோல் விதியானது கட்ட எல்லை கலவைகள் (எ.கா. திட மற்றும் திரவ கட்டத்தின் கலவைகள்) மற்றும் கொடுக்கப்பட்ட வெப்பநிலையில் கலவையின் மொத்த கலவை ஆகியவற்றுக்கு இடையே உள்ள தூரத்தைப் பயன்படுத்தி கட்ட அளவுகளை வழங்குகிறது. கட்ட எல்லை சேர்க்கைகள் தவறாக வாசிக்கப்பட்டால், விகிதம் முற்றிலும் தவறாக இருக்கும்; எனவே, கட்ட வரைபடத்திலிருந்து மதிப்புகளை உறுதிப்படுத்துவது கட்டாயமாகும்.

5. AI-இயங்கும் பட செயலாக்க ஓட்டம் மூலம் மைக்ரோ கட்டமைப்பிலிருந்து தானிய அளவை அளந்தீர்கள், ஆனால் ஸ்கேல் பட்டியை பிக்சலுக்கு அளவீடு செய்ய மறந்துவிட்டீர்கள். முடிவு ஏன் நம்பத்தகாதது?

• A) பிக்சல் நீள அளவுத்திருத்தம் செய்யப்படாததால் அனைத்து பரிமாண அளவீடுகளும் தவறான அளவில் உள்ளன ✔
• B) வண்ணப் படம் பயன்படுத்தப்படுவதால் அளவீடு சிதைந்துள்ளது
• C) தானிய அளவை SEM மூலம் மட்டுமே அளவிட முடியும், ஆப்டிகல் மைக்ரோஸ்கோபி துல்லியமற்றது
• D) படத்தின் தெளிவுத்திறன் அதிகமாக இருப்பதால் அளவீடு தேவையற்றது

விளக்கம்: அளவு உலோகவியலில், ஒவ்வொரு பிக்சலும் ஒரு நீளத்திற்கு ஒத்திருக்கும்; இந்த உருமாற்றம் அளவுகோலுடன் அளவீடு செய்யப்படாவிட்டால், தானிய அளவு, கட்ட விகிதம் மற்றும் போரோசிட்டி போன்ற அனைத்து பரிமாண அளவீடுகளும் தவறான அளவில் தோன்றும். அளவுத்திருத்தம் என்பது பட அடிப்படையிலான அளவீட்டின் முதல் மற்றும் கட்டாய படியாகும்.

6. எஃகுக்கான இலக்கு கடினத்தன்மையை அடைய வெப்ப சிகிச்சை செய்முறையை (ஆஸ்டெனிடைசிங் + க்வென்சிங் + டெம்பரிங்) AI பரிந்துரைத்தது. மருந்துச் சீட்டைப் பயன்படுத்துவதற்கு முன் சிறந்த படி எது?

• A) வெகுஜன உற்பத்திக்கு நேரடியாக செய்முறையைப் பயன்படுத்துதல்
• B) சோதனைத் துண்டில் செய்முறையைப் பயன்படுத்துங்கள், கடினத்தன்மை/மைக்ரோஸ்ட்ரக்சரை அளந்து தரநிலையுடன் ஒப்பிடவும் ✔
• C) பாதுகாப்பான பக்கத்தில் வெப்பநிலையை சீரற்ற முறையில் அதிகரிக்கவும்
• D) மருந்துச்சீட்டின் எழுத்துப்பிழைகளை மட்டும் சரிசெய்தல் மற்றும் அங்கீகரித்தல்

விளக்கம்: வெப்ப சிகிச்சையின் விளைவாக; பகுதி பகுதி தடிமன், கடினத்தன்மை (ஜோமினி) உலை மற்றும் குளிரூட்டும் சூழலின் யதார்த்தத்துடன் வலுவாக மாறுபடும். AI வழங்கிய மருந்துச்சீட்டு ஒரு ஆரம்ப கருதுகோள்; அதை சோதனைத் துண்டில் பொருத்தி, கடினத்தன்மை மற்றும் நுண் கட்டமைப்பை அளந்து தரத்துடன் ஒப்பிடுவதன் மூலம் சரிபார்க்கப்பட வேண்டும்.

7. பொருள் வரம்பு மதிப்புக்கான ASTM தரநிலையின் 'குறிப்பிட்ட பொருள் எண்ணை' AIயிடம் கேட்டீர்கள், அது சரியான மதிப்புடன் பதிலளித்தது. சரியான பொறியியல் நடத்தை என்ன?

• A) AI புதுப்பித்த நிலையில் இருப்பதால் மதிப்பை நேரடியாக அறிக்கைக்கு எழுதுதல்
• B) பாதுகாப்பான பக்கத்தில் இருக்க மதிப்பை தோராயமாக மாற்றுதல்
• C) அதிகாரப்பூர்வ மற்றும் தற்போதைய நிலையான உரை ✔ இலிருந்து பொருள் எண், பதிப்பு மற்றும் மதிப்பைச் சரிபார்க்கவும்
• D) உருப்படி எண்ணைச் சரிபார்க்காமல் இணக்கக் கோப்பில் சேர்ப்பது

விளக்கம்: மொழி மாதிரிகள் நிலையான பெயரை சரியாக அறிந்திருந்தாலும், அவை கட்டுரை எண், பதிப்பு மற்றும் பிரேக்பாயிண்ட் ஆகியவற்றை தவறாக நினைவில் வைத்திருக்கலாம் அல்லது உருவாக்கலாம். ASTM/ISO/EN போன்ற பிணைப்பு புலங்களில், ஒவ்வொரு பொருளும் மதிப்பும் அதிகாரப்பூர்வ மற்றும் தற்போதைய மூலத்திலிருந்து வினைச்சொல்லாக சரிபார்க்கப்பட வேண்டும்; AI வெளியீடு எங்கு பார்க்க வேண்டும் என்பதை மட்டுமே காட்டுகிறது.

8. நீங்கள் AI க்கு ஒரு போல்ட்டின் உடைந்த மேற்பரப்பின் புகைப்படத்தைக் காட்டி, 'இது நிச்சயமாக சோர்வு முறிவு' என்ற பதிலைப் பெற்றீர்கள். மூல காரண பகுப்பாய்வுக்கான சரியான அணுகுமுறை என்ன?

• A) AI துல்லியமாகப் பேசுவதால் நோயறிதலை நேரடியாக அறிக்கையில் எழுதுதல்
• B) புகைப்படத்தின் தெளிவுத்திறனை அதிகரிக்கவும் மற்றும் நோயறிதலை உறுதிப்படுத்தவும்
• சி) உடைந்த மேற்பரப்பை ஆய்வு செய்யாமல் ஒரு புதிய பகுதியை நிறுவுதல்
• D) ஃபிராக்டோகிராபி, சார்ஜ் ஹிஸ்டரி மற்றும் மைக்ரோஸ்ட்ரக்சர் சான்றுகள் மூலம் நோயறிதலை ஒரு கருதுகோளாக உறுதிப்படுத்தவும் ✔

விளக்கம்: உடைந்த மேற்பரப்பு விளக்கம்; ஃபிராக்டோகிராபி (ஸ்ட்ரையேஷன், பீச் லைன்ஸ், டிம்பிள்/கிளேவேஜ் பிரிப்பு SEM உடன்) சுமை வரலாறு, சுற்றுச்சூழல் மற்றும் நுண் கட்டமைப்பு ஆதாரங்களை ஒன்றாகக் கருத்தில் கொள்ள வேண்டும். ஒரு புகைப்படத்திலிருந்து AI செய்யும் உறுதியான நோயறிதல் ஒரு கருதுகோள்; ஆய்வக கண்டுபிடிப்புகள் மூலம் உறுதிப்படுத்தப்படாமல் மூல காரணத்தை அறிவிக்க முடியாது.

9. எக்ஸ்ஆர்டி (எக்ஸ்-ரே டிஃப்ராஃப்ரக்ஷன்) வடிவத்தில் AI ஒரு குறிப்பிட்ட கட்டத்திற்கு உச்சநிலையை ஒதுக்கியது. கட்ட அடையாளத்தை நம்பகமானதாக்க மிகவும் பொருத்தமான முறை எது?

• A) குறிப்பு வடிவ தரவுத்தளத்துடன் உச்சத்தை பொருத்துதல் (எ.கா. PDF அட்டைகள்) மற்றும் ஒன்றுடன் ஒன்று மற்றும் கலைப்பொருட்கள் உள்ளதா எனச் சரிபார்த்தல் ✔
• B) AI கட்டப் பெயரைச் சொல்வதால், வேலையை நேரடியாக ஏற்றுக்கொள்வது
• C) மிக உயர்ந்த சிகரத்தை மட்டும் கருத்தில் கொண்டு மற்றதை புறக்கணித்தல்
• D) வடிவத்தை வண்ணம் தீட்டி அதை பார்வைக்கு அழகாக மாற்றவும்

விளக்கம்: XRD கட்ட அடையாளமானது, அறியப்பட்ட குறிப்பு வடிவங்களுடன் (எ.கா. ICDD/PDF அட்டைகள்) அளவிடப்பட்ட உச்ச நிலைகள் மற்றும் தீவிரங்களை பொருத்துவதன் மூலம் செய்யப்படுகிறது. தனிமையில் ஒரு உச்சநிலையை ஒதுக்குவது தவறானது; ஒன்றுடன் ஒன்று சிகரங்கள், முன்னுரிமை நோக்குநிலை மற்றும் பின்னணி கலைப்பொருட்கள் கணக்கில் எடுத்துக்கொள்ளப்பட வேண்டும் மற்றும் குறிப்பு தரவுத்தளத்துடன் பணியை உறுதிப்படுத்த வேண்டும்.

10. AI ஆல் தயாரிக்கப்பட்ட சேதம்/பரிசோதனை அறிக்கை வரைவில் திரவமான ஆனால் அறியப்படாத தோற்றம் கொண்ட தொழில்நுட்ப மதிப்புகள் உள்ளன. சரியான நடத்தை என்ன?

• A) உரை சரளமாக இருப்பதால் அறிக்கையை அப்படியே வழங்குதல்
• B) மதிப்புகளை வட்டமிடுதல் மற்றும் பளபளத்தல்
• C) எக்ஸிகியூட்டிவ் சுருக்கத்தைப் படித்துவிட்டு மீதியைத் தவிர்க்கவும்
• D) ஒவ்வொரு மதிப்பையும் அசல் அளவீடு/மூலத்துடன் பொருத்தி, உறுதிப்படுத்தப்படாத ✔வை அகற்றவும்

விளக்கம்: அறிக்கையில் உள்ள ஒவ்வொரு தொழில்நுட்ப மதிப்பும்; இது அளவீடு, அளவீடு செய்யப்பட்ட சாதனப் பதிவு, நிலையான அல்லது உற்பத்தியாளர் தரவு ஆகியவற்றில் கண்டறியக்கூடியதாக இருக்க வேண்டும். சரளமான வாக்கியத்தில் அது ஒரு மதிப்பாக இருந்தாலும், ஆதாரம் சரிபார்க்கப்படாத எந்த எண்ணையும் அறிக்கை அல்லது முடிவு அடிப்படையில் சேர்க்கக்கூடாது; இல்லையெனில், ஒரு கற்பனையான மதிப்பு பொறுப்பை உருவாக்கும் ஆவணத்திற்கு மாற்றப்படும்.

11. AI-உருவாக்கப்பட்ட பைதான் கணக்கீட்டை (எ.கா., தானிய அளவு-மகசூல் வலிமைக்கான ஹால்-பெட்ச் உறவு) பயன்படுத்துவதற்கு முன் சிறந்த படி எது?

• A) குறியீட்டை நேரடியாக உண்மையான உற்பத்தித் தரவுகளுக்குப் பயன்படுத்துதல்
• B) குறியீடு குறுகியதாகவும் நேர்த்தியாகவும் இருப்பதை உறுதிசெய்யவும்
• C) தெரிந்த முடிவுகளுடன் ஒரு சோதனைக் காட்சியில் குறியீட்டை இயக்கவும் மற்றும் அலகுகள் மற்றும் வெளியீட்டை சரிபார்க்கவும் ✔
• D) குறியீட்டின் ஒரு பகுதியை சுருக்கி நீக்குதல்

விளக்கம்: ஒரு குறியீடு சரியாகத் தோன்றலாம் ஆனால் தவறான முடிவைக் கொடுக்கலாம்: அலகுப் பிழை, தவறான குணகம் அல்லது சூத்திரப் பிழை இருக்கலாம். ஒரு சிறிய சோதனை வழக்கில் குறியீட்டை இயக்கி, அதன் முடிவைக் கைமுறையாக அறிந்து, அதை எதிர்பார்த்த வெளியீட்டுடன் ஒப்பிட்டு, அலகுகளைச் சரிபார்த்து, அது உண்மையான முடிவைக் கொண்டு செல்வதற்கு முன்பு பிழையைப் பிடிக்கிறது.

12. உங்கள் நிறுவனத்தின் இதுவரை காப்புரிமை பெறாத அலாய் செய்முறை மற்றும் செயல்முறை அளவுருக்களை பொதுவில் கிடைக்கும் AI கருவியில் ஒட்டவும் மற்றும் பகுப்பாய்வு கோரவும். மிகவும் சரியான அணுகுமுறை எது?

• A) செய்முறையை வேகமாகச் செய்ய அப்படியே ஒட்டுதல்
• B) நிறுவனத்தின் பெயரை நீக்கிவிட்டு மீதமுள்ள அனைத்து அளவுருக்களையும் பகிர்ந்து கொண்டால் போதும்.
• C) தரவைப் பகிர்வது மற்றும் அதை நீக்க AI ஐக் கேட்பது
• D) நிறுவனக் கொள்கையைச் சரிபார்த்தல் மற்றும் தரவை அநாமதேயமாக்குதல் அல்லது பாதுகாப்பான/நிறுவனக் கருவியைப் பயன்படுத்துதல் ✔

விளக்கம்: அலாய் செய்முறை, செயல்முறை அளவுருக்கள் மற்றும் வாடிக்கையாளர் விவரக்குறிப்புகள் வர்த்தக ரகசியம் மற்றும் அறிவுசார் சொத்து உணர்திறன். தரவைப் பகிர்வதற்கு முன், கார்ப்பரேட் கொள்கையைச் சரிபார்ப்பது, அதை அநாமதேயமாக்குவது அல்லது தரவை வெளியே அனுப்பாத நிறுவன/ஆன்-சைட் கருவியைப் பயன்படுத்துவது அவசியம்.

13. AI-இயங்கும் SPC (புள்ளிவிவர செயல்முறைக் கட்டுப்பாடு) அமைப்பு, உற்பத்தித் தொகுப்பில் கட்டுப்பாட்டு விளக்கப்பட வரம்பு மீறப்பட்டதாகக் கொடியிட்டது. சரியான பொறியியல் நடத்தை என்ன?

• A) எச்சரிக்கையைப் புறக்கணித்து உற்பத்தியைத் தொடரவும்
• B) எந்த எச்சரிக்கையும் ஏற்படாதவாறு கட்டுப்பாட்டு வரம்புகளை விரிவுபடுத்துதல்
• C) எச்சரிக்கையை ஒரு தூண்டுதலாகக் கருதி, அளவீட்டை உறுதிப்படுத்தவும், மூல காரணத்தை ஆராய்ந்து ஏற்றுக்கொள்ளும் அளவுகோல்களுடன் முடிவு செய்யவும் ✔
• D) முழு தொகுதியையும் நேரடியாக அளவிடாமல் ஸ்கிராப் செய்தல்

விளக்கம்: கட்டுப்பாட்டு விளக்கப்பட வரம்பை மீறுவது ஒரு எச்சரிக்கை; மூல காரணம் தானாகத் தெரியவில்லை. இது அளவீட்டு பிழை, மாதிரி சிக்கல் அல்லது உண்மையான செயல்முறை சறுக்கல். எச்சரிக்கையை ஒரு தூண்டுதலாகக் கருதி, அளவீட்டை உறுதிப்படுத்தி, மூல காரணத்தை ஆராய்ந்து, ஏற்றுக்கொள்ளும் அளவுகோல்கள் மற்றும் NDT/தேர்வு முடிவு ஆகியவற்றின் அடிப்படையில் முடிவெடுப்பதே சரியான அணுகுமுறை.

14. ஒரு வார்ப்புப் பகுதியில் AI-உதவி பட மதிப்பீடு ஒரு மண்டலத்தை 'ஏற்றுக்கொள்ளக்கூடியது' எனக் குறித்தது. பாதுகாப்பு முக்கியமான பகுதிக்கு சரியான அணுகுமுறை என்ன?

• A) AI பூர்வாங்க மதிப்பீட்டை ஒரு ஸ்கிரீனிங் கருவியாகக் கருதி, இறுதி ஏற்றுக்கொள்ளலை NDT முடிவு மற்றும் அங்கீகரிக்கப்பட்ட ஒப்புதலுடன் இணைத்தல் ✔
• B) AI மதிப்பீட்டை இறுதி ஏற்றுக்கொள்ளலாகக் கருதி, பகுதியை அங்கீகரிக்கவும்
• C) பகுதியை ஆய்வு செய்யாமல் அடுத்த செயல்முறைக்கு செல்லுதல்
• D) பகுதியின் மேற்பரப்பை பார்வைக்கு மட்டும் சரிபார்க்க போதுமானது.

விளக்கம்: வார்ப்பு உள் குறைபாடுகள் (போரோசிட்டி, சுருக்கம், சேர்த்தல்கள்) பெரும்பாலும் மேற்பரப்பில் இருந்து கண்ணுக்கு தெரியாதவை மற்றும் அழிவில்லாத சோதனை (NDT: ரேடியோகிராபி, அல்ட்ராசோனிக்) மூலம் மதிப்பீடு செய்யப்படுகின்றன. படத்தின் மூலம் AI வழங்கும் ஆரம்ப மதிப்பீடு ஒரு திரையிடல் கருவியாகும்; பாதுகாப்பு-முக்கியமான பகுதியின் இறுதி ஏற்றுக்கொள்ளல் NDT உடன் வழங்கப்படுகிறது மற்றும் தரநிலைக்கு ஏற்ப அங்கீகரிக்கப்பட்ட ஆய்வு ஒப்புதல்.