లాభాలు:
- AI మద్దతుతో మిషన్ అవసరాల నుండి సంభావిత విమానం/స్పేస్క్రాఫ్ట్ సైజింగ్ వరకు ట్రేడ్-ఆఫ్ అధ్యయనాలను వేగవంతం చేయగల సామర్థ్యం
- కాన్ఫిగర్ చేసిన ప్రాంప్ట్లతో అవసరాలు రాయడం, ట్రేస్బిలిటీ మరియు స్థిరత్వ నియంత్రణను నిర్వహించగల సామర్థ్యం
- భౌతిక-ఆధారిత చేతి లెక్కలతో AI-సూచించిన డిజైన్ పాయింట్లను క్రాస్ ధ్రువీకరించడం ద్వారా అసమంజసమైన అవుట్పుట్లను తొలగించగల సామర్థ్యం
విమానం లేదా అంతరిక్ష నౌక అనేది డ్రాయింగ్ బోర్డ్లో కాకుండా అవసరాల జాబితా నుండి పుట్టింది. "కారీ ఇంత లోడ్ని ఈ రేంజ్కి, ఈ స్పీడ్లో, ఈ కాస్ట్లో" అనే వాక్యం రాబోయే సంవత్సరాల్లో కొనసాగే డిజైన్కి బీజం. సంభావిత రూపకల్పన (వాహనం యొక్క కఠినమైన పరిమాణం, బరువు మరియు కాన్ఫిగరేషన్ మొదట నిర్ణయించబడే ప్రారంభ రూపకల్పన దశ) ఈ విత్తనం నుండి ప్రారంభ ఆకృతిని సంగ్రహించే ప్రక్రియ. ఇక్కడ తీసుకున్న నిర్ణయాలు చౌకగా ఉంటాయి, కానీ వాటి ప్రభావాలు అత్యంత ఖరీదైనవి: ఒక తప్పు సంభావిత ఎంపిక మిలియన్ల డాలర్ల వివరణాత్మక రూపకల్పనను విసిరివేస్తుంది.
ఈ యూనిట్లో, సంభావిత రూపకల్పన యొక్క మూడు భారాలను తగ్గించడానికి మేము కృత్రిమ మేధస్సు (AI)ని ఉపయోగిస్తాము: అస్పష్టమైన పని అభ్యర్థనలను కొలవగల అవసరాలుగా అనువదించడం, అవసరాల మధ్య ట్రేస్బిలిటీ మరియు స్థిరత్వాన్ని నిర్వహించడం మరియు పోటీ డిజైన్ ఎంపికల మధ్య ట్రేడ్-ఆఫ్ విశ్లేషణను వేగవంతం చేయడం. కానీ మొదటి నుండి క్లిష్టమైన సూత్రాన్ని లేవనెత్తండి: AI సూచించే ప్రతి పరిమాణం, ప్రతి బరువు అంచనా తప్పనిసరిగా భౌతిక-ఆధారిత చేతి గణన ద్వారా క్రాస్-ధృవీకరించబడుతుంది. AI ఒక ఆలోచనాత్మక మరియు అకౌంటింగ్ భాగస్వామి; పరిమాణ నిర్ణయాన్ని కలిగి ఉండదు.
కాన్సెప్ట్లు: ఆవశ్యకత: సాధనం తప్పనిసరిగా సంతృప్తి పరచగల ఒకే ధృవీకరించదగిన ప్రకటన. ట్రేస్బిలిటీ: ప్రతి అవసరం ఎక్కడ నుండి వచ్చింది మరియు ఏ డిజైన్/పరీక్షతో అది తీర్చబడింది అనే రికార్డు గొలుసు. వాణిజ్య స్థలం: మార్చగల డిజైన్ వేరియబుల్స్ ద్వారా సృష్టించబడిన అన్ని ఎంపికల సమితి. MTOW: గరిష్ట టేకాఫ్ బరువు (మాగ్జిమమ్ టేక్-ఆఫ్ వెయిట్), వాహనం టేకాఫ్ చేయగల అత్యధిక ద్రవ్యరాశి.
పని అవసరం నుండి అవసరం వరకు: దశలవారీగా
మంచి అవసరం మూడు లక్షణాలను కలిగి ఉంటుంది: ఏకవచనం (ఒక విషయం చెప్పింది), కొలవదగినది (సంఖ్య మరియు యూనిట్ను కలిగి ఉంటుంది) మరియు ధృవీకరించదగినది (దీనిని ఎలా తనిఖీ చేయాలో స్పష్టంగా ఉంది). "విమానం వేగంగా ఉండాలి" అనేది అవసరం లేదు; "విమానం సముద్ర మట్టంలో 250 kt క్యాలిబర్ ఎయిర్స్పీడ్ (KCAS) సాధించాలి" అనేది ఒక అవసరం.
మొదటి దశ వాటాదారుల అభ్యర్థనలను సేకరించడం మరియు వాటిని AIతో డ్రాఫ్ట్ అవసరాలుగా మార్చడం. ప్రతి అవసరాన్ని కొలవగలిగేలా చేయడం రెండవ దశ: ప్రతి అస్పష్టమైన విశేషణాన్ని (“తేలికైన,” “మన్నికైన,” “సమర్థవంతమైన”) మెట్రిక్ మరియు థ్రెషోల్డ్తో భర్తీ చేయండి. మూడవ దశ అవసరాల మధ్య వైరుధ్యాలను వెతకడం: పరిధి మరియు పేలోడ్ తరచుగా ఒకదానితో ఒకటి పోటీపడతాయి, AI త్వరగా ఈ వైరుధ్యాలను ఉపరితలంపైకి తెస్తుంది. నాల్గవ దశ ట్రేస్బిలిటీ మ్యాట్రిక్స్ను ఏర్పాటు చేయడం: ఏ టాప్-లెవల్ టాస్క్ ఆబ్జెక్టివ్ ఏ ఉప-అవసరానికి దారితీస్తుందో పట్టిక చేయడం.
సంభావిత డైమెన్షనింగ్ వైపు, AI తెలిసిన ఇంజనీరింగ్ సంబంధాలను (బరువు భిన్నాలు, థ్రస్ట్-టు-వెయిట్ రేషియో, వింగ్ లోడింగ్) రీకాల్ చేయగలదు మరియు గణనల ప్రారంభ గొలుసును ఏర్పాటు చేస్తుంది. ఉదాహరణకు, ప్రయాణీకుల విమానం కోసం, ఇంధన బరువు భిన్నాన్ని బ్రెగ్యుట్ శ్రేణి సమీకరణంతో అంచనా వేయవచ్చు మరియు ఖాళీ బరువు భిన్నాన్ని గణాంక సంబంధాలతో అంచనా వేయవచ్చు. కానీ ఈ గొలుసు యొక్క ప్రతి లింక్ చేతి గణన ద్వారా నిర్ధారించబడింది.
చిట్కా: అవసరాలను వ్రాసేటప్పుడు, "ప్రతి అస్పష్టమైన విశేషణాన్ని ఒక కొలమానం, యూనిట్ మరియు ధృవీకరణ పద్ధతితో భర్తీ చేయడానికి" స్పష్టంగా AIకి టాస్క్ ఇవ్వండి. మీరు "యూజర్ ఫ్రెండ్లీ" వంటి "కొలవదగినవి" అని ధృవీకరించలేని స్టేట్మెంట్లను చెప్పినప్పుడు మోడల్ మరింత క్రమశిక్షణతో పని చేస్తుంది.
ట్రేడ్-ఆఫ్ విశ్లేషణను కాన్ఫిగర్ చేస్తోంది
ట్రేడ్-ఆఫ్ విశ్లేషణ యొక్క హృదయం అనేక అభ్యర్థుల కాన్ఫిగరేషన్లను సాధారణ ప్రమాణాలతో జతపరుస్తుంది. క్లాసిక్ టూల్ అనేది వెయిటెడ్ డెసిషన్ మ్యాట్రిక్స్: ప్రమాణాలకు ప్రాముఖ్యమైన బరువు ఇవ్వబడుతుంది, ప్రతి అభ్యర్థికి ఒక్కో ప్రమాణంపై స్కోర్ చేయబడుతుంది, వెయిటెడ్ టోటల్ తీసుకోబడుతుంది. AI త్వరగా ఈ మాతృకను రూపొందిస్తుంది, కానీ రెండు ఆపదల గురించి జాగ్రత్త వహించండి: బరువులు అనేది ఒక సబ్జెక్టివ్ ఇంజనీరింగ్ జడ్జిమెంట్ (AIకి వదిలివేయబడదు) మరియు స్కోర్లు తప్పనిసరిగా భౌతిక సమర్థనపై ఆధారపడి ఉండాలి (నిర్మించబడలేదు).
ప్రమాణం (బరువు)
ఆకృతీకరణ. జ: ఎత్తైన రెక్క
ఆకృతీకరణ. B: తక్కువ రెక్క
ఆకృతీకరణ. సి: కెనార్డ్
పరిధి, కిమీ (0.30)
1200
1350
1250
కాలిబాట బరువు, కేజీ (0.25)
640
610
690
ఉత్పత్తి ఖర్చు (0.20)
మధ్యస్థ
తక్కువ
అధిక
స్థిరత్వం (0.15)
అధిక
మధ్యస్థ
మధ్యస్థ
నిర్వహణ సౌలభ్యం (0.10)
అధిక
మధ్యస్థ
తక్కువ
మీరు AI ఈ పట్టికను నిర్మించవచ్చు; కానీ పరిధి మరియు బరువు సంఖ్యలు తప్పనిసరిగా స్వతంత్ర ప్రాథమిక గణన నుండి రావాలి మరియు "స్థిరత్వం: అధికం" వంటి గుణాత్మక స్కోర్లు కూడా సమర్థించబడాలి. AI యొక్క శక్తి ఏమిటంటే, ఇది నిమిషాల్లో పది వేర్వేరు కాన్ఫిగరేషన్లను పట్టిక చేస్తుంది మరియు సెంటిమెంట్ విశ్లేషణను నిర్వహిస్తుంది (బరువు మారితే ర్యాంకింగ్ ఎలా మారుతుంది).
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
బలహీనమైన ప్రాంప్ట్:
ట్రైనింగ్ ఎయిర్ క్రాఫ్ట్ డిజైన్ చేస్తున్నాను. నాకు ఉత్తమ కాన్ఫిగరేషన్ చెప్పండి.
శక్తివంతమైన ప్రాంప్ట్:
పాత్ర: మీరు ఒక సంభావిత ఎయిర్క్రాఫ్ట్ డిజైన్ కన్సల్టెంట్. సందర్భం: రెండు-సీట్ ట్రైనర్ ఎయిర్క్రాఫ్ట్ కోసం ప్రిలిమినరీ ట్రేడ్-ఆఫ్ అధ్యయనం (విలువలు ప్రతినిధి): లక్ష్య పరిధి ~1000 కిమీ, క్రూయిజ్ వేగం ~55 మీ/సె, పేలోడ్ ~220 కిలోలు, తక్కువ ఉత్పత్తి ఖర్చు ప్రాధాన్యత. టాస్క్:1) 3 అభ్యర్థి కాన్ఫిగరేషన్లను సూచించండి (వింగ్ స్థానం, ఇంజిన్ రకం).2) ప్రతి అభ్యర్థిని పోల్చి పట్టికను సెటప్ చేయండి: పరిధి, అంచనా వేసిన ఖాళీ బరువు, ఉత్పత్తి వ్యయం, స్థిరత్వం.3) మీ సంఖ్యా అంచనాల కోసం ఉపయోగించండి సంబంధం మరియు ఊహను వ్రాయండి. పరిమితి: మీ బరువు అంచనాలలో మీరు ఏ గణాంక సంబంధాన్ని ఉపయోగించారో పేర్కొనండి; యూనిట్ వ్రాయండి; తుది నిర్ణయం తీసుకోకండి, అభ్యర్థిని సమర్పించండి. నేనే బేరీజు వేసుకుని తుది నిర్ణయం తీసుకుంటాను.
కాపీ చేయదగిన ప్రాంప్ట్ టెంప్లేట్లు
టెంప్లేట్ 1 — ఒక పని అవసరాన్ని కొలవగల అవసరంగా అనువదించడం:
కింది వాటాదారుల అభ్యర్థనలను ఏకవచనం, కొలవదగిన మరియు ధృవీకరించదగిన అవసరాలుగా మార్చండి. ప్రతి అవసరం కోసం: ఒక మెట్రిక్, ఒక యూనిట్, థ్రెషోల్డ్ విలువ మరియు ప్రతిపాదిత ధృవీకరణ పద్ధతి (విశ్లేషణ/పరీక్ష/ప్రదర్శన). అనిశ్చితి ఉంటే, మీకు ఏ సమాచారం కావాలో అడగండి. అభ్యర్థనలు: [ఇక్కడ జాబితా]
టెంప్లేట్ 2 — ట్రేస్బిలిటీ మ్యాట్రిక్స్ మరియు కాన్ఫ్లిక్ట్ స్క్రీనింగ్:
ఈ అవసరాల జాబితాను తీసుకోండి మరియు: (a) ప్రతి అవసరాన్ని ఉన్నత-స్థాయి టాస్క్ లక్ష్యంతో లింక్ చేసే ట్రేస్బిలిటీ పట్టికను రూపొందించండి; (బి) ఏవైనా విరుద్ధమైన లేదా సవాలు చేసే అవసరాలను గుర్తించండి (ఉదా. పరిధి వర్సెస్ పేలోడ్); (సి) తప్పిపోయిన లేదా ధృవీకరించలేని అవసరాల జాబితా. ఫలితం పట్టికగా ఉండనివ్వండి. అవసరాలు: [ఇక్కడ జాబితా]
టెంప్లేట్ 3 — వెయిటెడ్ డెసిషన్ మ్యాట్రిక్స్ సెటప్:
కింది అభ్యర్థి కాన్ఫిగరేషన్ల కోసం వెయిటెడ్ డెసిషన్ మ్యాట్రిక్స్ ఫ్రేమ్వర్క్ను రూపొందించండి. ప్రమాణాల వరుసలు మరియు అభ్యర్థుల నిలువు వరుసలను చేయండి. బరువు కాలమ్ను ఖాళీగా ఉంచండి (నేను బరువులను నమోదు చేస్తాను). మీరు ప్రతి సెల్లో ఉంచే స్కోర్కు భౌతిక సమర్థనను ప్రత్యేక నోట్లో వివరించండి; తయారు చేసిన సంఖ్యను వ్రాయవద్దు, మీరు ఊహించిన స్థలాన్ని "ఊహించు"గా గుర్తించండి. అభ్యర్థులు: [...] ప్రమాణాలు: [...]
టెంప్లేట్ 4 — సంభావిత డైమెన్షనింగ్ క్రాస్-చెక్:
కింది ప్రిసైజింగ్ ఫలితాన్ని స్వతంత్రంగా తనిఖీ చేయండి: MTOW, వింగ్ ఏరియా, థ్రస్ట్. (ఎ) వింగ్ లోడింగ్ (W/S)ని లెక్కించండి మరియు మీరు ఇచ్చిన ఎయిర్క్రాఫ్ట్ క్లాస్కి సాధారణ పరిధితో సరిపోల్చండి. (బి) థ్రస్ట్-టు-వెయిట్ రేషియో (T/W)ని లెక్కించండి మరియు దానిని సాధారణ పరిధితో సరిపోల్చండి. (సి) విలువలు సాధారణ పరిధికి వెలుపల ఉంటే మరియు సాధ్యమయ్యే లోపాన్ని సూచిస్తే హెచ్చరిస్తుంది. అన్ని యూనిట్లను స్పష్టంగా వ్రాయండి. ఇన్పుట్: [MTOW, S, T విలువలు]
మినీ కేసులు
కేసు 1 - విరుద్ధమైన అవసరాన్ని ముందుగా గుర్తించడం. UAV ప్రాజెక్ట్లో, వాటాదారులు "కనీసం 8 గంటల ప్రసార సమయం" మరియు "గరిష్టంగా 12 కిలోల మొత్తం ద్రవ్యరాశి" రెండింటినీ కోరుకుంటారు. రెండు అవసరాలను లెక్కించడం ద్వారా మరియు శక్తి బడ్జెట్ను తగ్గించడం ద్వారా, సాధారణ బ్యాటరీ శక్తి సాంద్రతతో (సుమారు 200 Wh/kg) 8-గంటల విమానానికి 6-7 కిలోల బ్యాటరీ అవసరమవుతుందని AI చూపిస్తుంది; ఇది పేలోడ్ మరియు నిర్మాణంతో పాటు 12 కిలోల బడ్జెట్కు సరిపోదు. వివరణాత్మక రూపకల్పన ప్రారంభించే ముందు వైరుధ్యం చర్చించబడుతుంది. పాఠం: అవసరాలను సంఖ్యలలోకి అనువదించడం ముందుగా దాచిన వైరుధ్యాలను వెల్లడిస్తుంది.
కేసు 2 - సున్నితత్వ విశ్లేషణ నిర్ణయాన్ని మారుస్తుంది. ఒక బృందం మూడు వింగ్ కాన్ఫిగరేషన్లను పోల్చింది; ప్రారంభ బరువులతో కాన్ఫిగర్ చేయండి. B విజయాలు (వెయిటెడ్ స్కోరు 0.82 vs. 0.79). AIని "నేను ఖర్చు బరువును 0.20 నుండి 0.10కి తగ్గిస్తే ఏమి జరుగుతుంది" అని అడగబడింది; ఈ దృష్టాంతంలో పరిధి తెరపైకి వస్తుంది మరియు కాన్ఫిగర్. A ఆధిక్యంలో ఉంది (0.84 vs. 0.80). ఖర్చు ప్రాధాన్యతపై నిర్ణయం ఎంత సున్నితంగా ఉంటుందో బృందం చూస్తుంది మరియు వాటాదారుతో బరువులను స్పష్టం చేస్తుంది. పాఠం: ఇది ముఖ్యమైనది ఒక్క స్కోరు కాదు, ర్యాంకింగ్ యొక్క స్థిరత్వం.
కేసు 3 - బరువు అంచనాలో ఆర్డర్ లోపం. AI తేలికపాటి విమానం యొక్క ఖాళీ బరువును సంబంధం నుండి 95 కిలోలుగా ఇస్తుంది. ఇదే తరగతికి చెందిన రెండు-సీట్ల విమానం యొక్క ఖాళీ బరువు సాధారణంగా 350-500 కిలోల పరిధిలో ఉంటుందని ఇంజనీర్ గుర్తుచేసుకున్నాడు; 95 కిలోలు భౌతికంగా అసాధ్యం. తనిఖీ చేసినప్పుడు, AI సంబంధంలో గుణకాన్ని తప్పుగా వర్తింపజేసిందని మరియు అది సరిదిద్దబడింది. పాఠం: ప్రతి బరువు అంచనా తరగతికి తెలిసిన పరిధికి మాగ్నిట్యూడ్ ఆర్డర్లతో పోల్చబడుతుంది.
సాధారణ తప్పులు
- అస్పష్టమైన అవసరాన్ని అంగీకరించడం. కొలమానాలు మరియు యూనిట్లను కలిగి లేని ఆవశ్యకత ధృవీకరించబడదు; "ఇది తేలికగా ఉండాలి" అనేది ఒక కోరిక, అవసరం కాదు.
- AI కలిగి బరువులు ఎంచుకోండి. నిర్ణయం మాతృకలోని ప్రమాణాల బరువులు సబ్జెక్టివ్ ఇంజనీరింగ్ మరియు వాటాదారుల తీర్పు; AIకి వదిలేస్తే, నిర్ణయం విస్మరించబడుతుంది.
- సమర్థన లేకుండా పాయింట్లను అంగీకరించడం. "స్టెబిలిటీ: హై" వంటి గుణాత్మక స్కోర్లకు భౌతిక ఆధారం లేకపోతే, మాతృక అంచనాల ఫాన్సీ జాబితా అవుతుంది.
- బరువు/పరిమాణ అంచనాను నిర్ధారించడం లేదు. గణాంక సహసంబంధాలు కఠినమైన అంచనాలు; ఇది క్లాస్ రేంజ్తో పోల్చకుండా వివరంగా డిజైన్ చేయబడలేదు.
- తర్వాత కోసం ట్రేస్బిలిటీని వదిలివేస్తుంది. ఆ అవసరం ఎక్కడి నుండి వచ్చిందో నమోదు చేయకపోతే, భవిష్యత్తులో మార్పు ఎలాంటి నిర్ణయాలను ప్రభావితం చేస్తుందో ఎవరికీ తెలియదు.
సారాంశంలో
సంభావిత రూపకల్పన అనేది చౌకైన కానీ అత్యంత ప్రభావవంతమైన నిర్ణయాలు తీసుకునే దశ. AI అనేది అస్పష్టమైన అభ్యర్థనలను కొలవగల అవసరాలుగా అనువదించడం, గుర్తించదగినవి మరియు సంఘర్షణల కోసం స్కాన్ చేయడం మరియు ట్రేడ్-ఆఫ్ టేబుల్లలో బహుళ కాన్ఫిగరేషన్లను పోల్చడంలో ఇక్కడ శక్తివంతమైన యాక్సిలరేటర్. అయితే, ప్రమాణం బరువులు మానవ తీర్పు, సంఖ్యా అంచనాలు భౌతిక-ఆధారిత చేతి గణన మరియు తరగతి విరామాల ద్వారా ధృవీకరించబడతాయి, తుది కాన్ఫిగరేషన్ నిర్ణయం ఇంజనీర్ వద్ద ఉంటుంది. AI అభ్యర్థులను ఉత్పత్తి చేస్తుంది; నిర్ణయించదు.
అప్లికేషన్ టాస్క్
మీకు నచ్చిన గాలి లేదా అంతరిక్ష నౌక కోసం మూడు ఉన్నత-స్థాయి మిషన్ లక్ష్యాలను వ్రాయండి. AIని ఉపయోగించి, వీటిని కనీసం ఆరు కొలవదగిన అవసరాలుగా అనువదించండి మరియు గుర్తించదగిన పట్టికను సెటప్ చేయండి. మూడు అభ్యర్థుల కాన్ఫిగరేషన్ల కోసం వెయిటెడ్ డెసిషన్ మ్యాట్రిక్స్ను సృష్టించండి; బరువులను మీరే నిర్ణయించండి. చివరగా, స్వతంత్ర చేతి గణన మరియు తరగతి పరిధితో AI ఇచ్చిన బరువు/పరిమాణ అంచనాను నిర్ధారించండి. మీరు వైరుధ్యాన్ని కనుగొన్న చోట కనీసం ఒక జత అవసరాలను నివేదించండి.
చెక్లిస్ట్
- [ ] నేను ప్రతి అవసరాన్ని ఏకవచనం, కొలవదగిన మరియు ధృవీకరించదగినదిగా చేసాను.
- [ ] నేను అస్పష్టమైన విశేషణాలను మెట్రిక్, యూనిట్ మరియు థ్రెషోల్డ్తో భర్తీ చేసాను.
- [ ] నేను గుర్తించదగిన పట్టికను సెటప్ చేసాను మరియు విరుద్ధమైన అవసరాలను గుర్తించాను.
- [ ] నేనే డెసిషన్ మ్యాట్రిక్స్ బరువులను నిర్ణయించాను (AI కాదు).
- [ ] నేను మ్యాట్రిక్స్ స్కోర్లను భౌతిక సమర్థనకు ఆపాదించాను.
- [ ] నేను తరగతి అంతరం మరియు చేతి గణనతో బరువు/పరిమాణ అంచనాలను ధృవీకరించాను.