Phân tích dữ liệu luyện kim và ranh giới của AI với Python

Lợi nhuận:

• Khả năng tạo và hiểu mã làm sạch, phân tích và trực quan hóa dữ liệu luyện kim bằng Python, với sự hỗ trợ của AI
• Khả năng thiết lập thói quen xác thực mã do AI tạo bằng cách kiểm tra đơn vị, trường hợp thử nghiệm và tính hợp lý về mặt vật lý
• Sự hiểu biết toàn diện về các giới hạn, trách nhiệm và khuôn khổ đạo đức của AI trong luyện kim

Công việc luyện kim ngày càng được thực hiện với nhiều dữ liệu hơn: hàng trăm kết quả kiểm tra độ bền kéo, hàng nghìn phép đo SPC, hồ sơ lò xử lý nhiệt, kết quả đầu ra đặc tính. Việc theo dõi dữ liệu này theo cách thủ công trong Excel diễn ra chậm và dễ xảy ra lỗi; Python (ngôn ngữ lập trình phổ biến để phân tích dữ liệu và tính toán khoa học) làm cho việc này có thể lặp lại, có thể kiểm tra và tự động. AI rất mạnh trong việc viết, gỡ lỗi và giải thích mã Python - nhưng mã mà nó tạo ra có thể trông đúng nhưng lại cho kết quả sai: lỗi đơn vị, hệ số sai, mất dữ liệu thầm lặng. Trong phần cuối cùng này, bạn sẽ tìm hiểu cách phân tích dữ liệu luyện kim với sự hỗ trợ của AI trong Python và xác minh từng mã, sau đó hoàn thiện một cách tổng thể các ranh giới, khuôn khổ trách nhiệm và đạo đức của AI được đề cập trong toàn bộ mô-đun.

Nhiệm vụ điển hình trong phân tích dữ liệu luyện kim

Các tác vụ phổ biến có hỗ trợ AI trong Python:

• Làm sạch dữ liệu: Thiếu giá trị, nhầm lẫn đơn vị (MPa so với ksi), loại bỏ ngoại lệ. Dữ liệu bẩn làm hỏng ngay cả những phân tích tốt nhất.
• Trực quan hóa: Vẽ đường cong kéo, biểu đồ kiểm soát, phân bố kích thước hạt, biên dạng nhiệt độ-thời gian.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• Tự động hóa: Xử lý hàng loạt một số lượng lớn tệp và tạo bảng/báo cáo tóm tắt.

Mối quan hệ Hall-Petch là một ví dụ điển hình ở đây: cường độ chảy tăng tỷ lệ nghịch với căn bậc hai của đường kính hạt. AI có thể dịch công thức này thành mã; Nhưng cho dù bạn sử dụng d làm micromet hay mét và đơn vị bạn sử dụng cho hệ số k sẽ thay đổi hoàn toàn kết quả. Tính đúng đắn của mã không nằm ở việc ghi nhớ công thức mà nằm ở việc xác nhận đơn vị và trường hợp kiểm thử.

Mẹo: Đảm bảo đưa “bài kiểm tra câu trả lời đã biết” vào mọi tài khoản mà AI viết. Đưa ra một thông tin đầu vào nhỏ có kết quả mà bạn biết bằng tay (ví dụ: cường độ dự kiến ​​cho d = 100 µm); Nếu mã đưa ra giá trị đó, bạn có thể tin cậy nó; nếu không, lỗi sẽ bị ẩn.

Từng bước: Quy trình phân tích an toàn với AI

1. Mô tả nhiệm vụ và dữ liệu: File nào, cột nào, đơn vị nào, sẽ tính cái gì?
2. Khung mã yêu cầu: Yêu cầu AI cung cấp khung mã được nhận xét, phân chia theo từng bước; Xác định các đơn vị với các biến rõ ràng ở trên cùng.
3. Kiểm tra với dữ liệu nhỏ: Trước tiên hãy chạy với một vài hàng/giá trị đã biết; Kiểm tra kết quả bằng tay.
4. Kiểm soát đơn vị và ranh giới: Đầu ra có hợp lý về mặt vật lý không? Có điều gì vô nghĩa như sức mạnh tiêu cực, tỷ lệ 120% không?
5. Hình dung và quan sát: Biểu đồ có hiển thị xu hướng dự kiến ​​không? Dữ liệu ngoại lệ có bị lỗi không?
6. Xác minh và ghi lại: So sánh kết quả với một phép tính/tiêu chuẩn độc lập; Nhận xét mã và các giả định.

Bảng xác minh mã AI

Rủi ro

triệu chứng

Phương pháp điều khiển

Lỗi đơn vị

Kết quả là kẻ biến thái 1000x

Xác định đơn vị trong biến rõ ràng, kiểm soát kích thước

Hệ số/công thức không chính xác

Giá trị hợp lý nhưng sai

Kịch bản thử nghiệm với các câu trả lời đã biết

Mất dữ liệu im lặng

Số hàng ít hơn dự kiến

In số hàng trước/sau khi xử lý

biến dạng ngoại lệ

thuyền kayak trung bình

Trực quan hóa bằng biểu đồ, nhìn vào sự phân bố

Trang bị quá mức (thư viện ảo giác)

chức năng không tồn tại

Chạy, đọc lỗi, xem tài liệu

ba trường hợp nhỏ

Trường hợp 1 - Lỗi âm lượng ẩn. Một kỹ sư yêu cầu mã từ AI để tính toán Hall-Petch; Mã mong đợi đường kính hạt tính bằng mét, nhưng kỹ sư lại nhập micromet. Kết quả ngược đời gấp 1000 lần nhưng thoạt nhìn không gây chú ý vì trông giống như một "con số". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Bài học: kiểm tra câu trả lời đã biết cho thấy lỗi đơn vị tính bằng giây.

Trường hợp 2 - Mất dữ liệu im lặng. Một nhóm làm sạch 500 kết quả pull test bằng mã do AI viết; Mặc dù mã loại bỏ các hàng có giá trị bị thiếu nhưng nó cũng vô tình loại bỏ một số hàng hợp lệ, để lại 300 hàng. Độ bền trung bình cao hơn mong đợi vì lô có giá trị thấp bị loại bỏ. Khi nhóm in số hàng trước/sau khi xử lý thì thấy 200 hàng đã âm thầm biến mất và sửa lại bộ lọc. Bài học: việc in số hàng ở mỗi bước xử lý dữ liệu sẽ bị mất âm thầm.

Trường hợp 3 - Sử dụng đúng, báo cáo lặp lại. Một nhóm chất lượng phải xử lý hàng chục hồ sơ lò và lập báo cáo tóm tắt hàng tuần. Nó yêu cầu AI viết một tập lệnh nhận xét để đọc hàng loạt tệp và tạo ra các biểu đồ cũng như bảng tóm tắt. Nhóm kiểm tra mã bằng một số tệp đã biết, xác minh số lượng đơn vị và dòng, kiểm tra trực quan biểu đồ đầu ra. Sau đó sử dụng kịch bản hàng tuần; Giờ làm việc được giảm xuống còn vài phút và làm việc theo cách giống nhau, có thể kiểm tra được hàng tuần. Nhóm đã xác nhận rằng AI đã kích hoạt tự động hóa lặp lại.

Mẫu lời nhắc có thể sao chép

CODE SKELETON TEMPLATE"Vai trò: Bạn là trợ lý mã cho phân tích dữ liệu luyện kim. Nhiệm vụ: [ví dụ: đọc kết quả bản vẽ từ CSV và cường độ năng suất trung bình]. Dữ liệu: [tệp, cột, ĐƠN VỊ]. viết một bộ xương nhận xét với gấu trúc: (1) xác định các đơn vị trong biến mở ở trên cùng, (2) đọc dữ liệu và in số hàng, (3) xóa và in số hàng LẠI, (4) thực hiện phép tính, (5) in kết quả và kiểm tra tính hợp lý. Thêm nhận xét cho mỗi mục bước. Đánh dấu nơi tôi cần xác minh."

MẪU KIỂM TRA TRẢ LỜI ĐÃ BIẾT"Viết 'bài kiểm tra câu trả lời đã biết' cho hàm sau: [hàm]. Chọn một đầu vào nhỏ có kết quả có thể được tính toán theo cách thủ công, nhận xét kết quả mong đợi và kiểm tra bằng khẳng định. Ngoài ra, hãy kiểm tra tính nhất quán của đơn vị. Nếu bài kiểm tra không đạt, hãy liệt kê các lý do có thể xảy ra (đơn vị, hệ số, công thức)."

XEM XÉT MÃ / MẪU GỠ LỖI"Kiểm tra mã sau: [mã]. Kiểm tra và gắn cờ các mục sau:(1) tính nhất quán của khối lượng, (2) nguy cơ mất dữ liệu thầm lặng, (3) tác động ngoại lệ, (4) đầu ra không thể thực hiện được về mặt vật lý (cường độ âm, tỷ lệ >100%). Viết cách xác minh cho từng rủi ro. Không xác nhận mã là 'đang hoạt động'; cho biết không đáng tin cậy nếu không kiểm tra."

MẪU HÌNH ẢNH "cốt [đường cong kéo / biểu đồ điều khiển / phân phối] bằng matplotlib. Thêm ĐƠN VỊ vào nhãn trục, đặt tiêu đề và lưới. Đánh dấu các ngoại lệ theo cách khác. Lưu ý rằng tôi cần kiểm tra trực quan biểu đồ và xác minh xu hướng dự kiến ​​(ví dụ: tăng ứng suất-biến dạng). Không ẩn bất kỳ điểm nào để 'làm đẹp' dữ liệu."

Dấu nhắc yếu / Dấu nhắc mạnh

NHẮC NHỞ YẾU: "Viết cho tôi mã thực hiện phép tính Hall-Petch."

LƯU Ý MẠNH:"Vai trò: Bạn là trợ lý mã cho việc phân tích dữ liệu luyện kim. Viết hàm Python để tính Hall-Petch(σy = σ0 + k·d^(-1/2)). Đơn vị: d micromet, σ0 và σy MPa, k MPa·µm^(1/2). BẬT chuyển đổi đơn vị trong hàm và nhận xét. Ngoài ra, d = 100 Tính kết quả mong đợi theo cách thủ công cho µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 và kiểm tra bằng xác nhận. Thêm kiểm tra tính hợp lý về mặt vật lý (σy không thể âm).

Dấu nhắc yếu tạo ra mã không có đơn vị và kiểm tra và có thể âm thầm mắc lỗi. Lời nhắc mạnh mẽ xác định rõ ràng các đơn vị, thực thi chuyển đổi, yêu cầu kiểm tra câu trả lời đã biết và kiểm tra tính hợp lý - làm cho mã có thể kiểm chứng được.

Tóm tắt toàn diện học phần: Vị trí và giới hạn của AI trong luyện kim

Một nguyên tắc duy nhất được lặp lại trong mô-đun này: AI là trợ lý chứ không phải là người ra quyết định. Trên 12 đơn vị, chúng tôi đã sử dụng AI từ đầu đến cuối, từ lựa chọn vật liệu đến dự đoán đặc tính, phân tích pha đến cấu trúc vi mô, xử lý nhiệt đến chế tạo, kiểm soát chất lượng đến phân tích hư hỏng, mô tả đặc tính đến tiêu chuẩn hóa và phân tích Python. Trong mỗi đơn vị, AI giải thích các khái niệm, tạo ra các giả thuyết, viết bản nháp và mã - nhưng không có đơn vị nào nó đưa ra quyết định một mình. Các giới hạn rất rõ ràng: ảo giác (con số và tiêu chuẩn bịa đặt), không thể ủy thác trách nhiệm quan trọng về an toàn, sự phụ thuộc vào chất lượng dữ liệu và phép đo/hiệu chuẩn, nguy cơ ngoại suy và bảo mật. Kỷ luật xác minh luôn luôn gắn liền với con người trong tam giác tài khoản-phòng thí nghiệm tiêu chuẩn.

Những lỗi thường gặp

• Áp dụng mã vào dữ liệu thực mà không cần kiểm tra với các câu trả lời đã biết.
• Không xác định rõ đơn vị; Nhìn ra MPa/ksi, µm/m nhầm lẫn.
• Không in số lượng hàng trong các bước xử lý dữ liệu và không nhận thấy hiện tượng mất âm thanh.
• Dựa vào giá trị trung bình mà không hình dung ra các ngoại lệ.
• Chấp nhận thư viện/chức năng không tồn tại do AI tạo ra mà không thực thi nó.
• Giả sử mã đúng vì nó "có vẻ hoạt động"; không kiểm tra tính hợp lý về mặt vật lý.

Tóm lại

AI trong phân tích dữ liệu luyện kim với Python là một công cụ tăng tốc mạnh mẽ cho việc mã hóa, gỡ lỗi và tự động hóa; nhưng mã mà nó tạo ra có thể mang lỗi đơn vị, hệ số không chính xác và mất dữ liệu thầm lặng. Xác minh từng mã bằng kiểm tra câu trả lời đã biết, kiểm tra đơn vị, theo dõi số dòng và tính hợp lý về mặt vật lý. Ở đây, cũng như trong toàn bộ mô-đun, AI là trợ lý: nó đảm bảo tốc độ và tính tổ chức, độ chính xác và trách nhiệm do kỹ sư được ủy quyền đảm nhận. Trong các quyết định luyện kim quan trọng về an toàn, kết quả đầu ra của AI không bao giờ có thể thay thế cho các tiêu chuẩn, thí nghiệm, tính toán và phê duyệt của kỹ sư có thẩm quyền.

Nhiệm vụ ứng dụng

Chọn phép tính luyện kim (ví dụ: Hall-Petch hoặc dữ liệu độ bền kéo trung bình). Với mẫu "CODE SKELETON", hãy yêu cầu AI cung cấp mã nhận xét in số dòng có đơn vị rõ ràng. Sau đó, thêm một kịch bản kiểm tra trong đó bạn biết kết quả theo cách thủ công bằng mẫu "KIỂM TRA TRẢ LỜI ĐÃ BIẾT" và chạy nó. Nếu mã không đưa ra giá trị mong đợi, hãy tìm lỗi (đơn vị, hệ số, dữ liệu) và sửa nó. Cuối cùng, hãy viết về nguyên tắc xác minh AI mà bạn đã học trong mô-đun này bằng cách điều chỉnh nó cho phù hợp với hoạt động kinh doanh của riêng bạn trong ba bài viết.

danh sách kiểm tra

• [ ] Tôi đã xác định rõ ràng nhiệm vụ, dữ liệu và đơn vị cho AI.
• [ ] Tôi đã xác định đơn vị bằng các biến rõ ràng ở đầu mã.
• [ ] Trong các bước xử lý dữ liệu, tôi đã in số hàng và kiểm tra độ mất im lặng.
• [ ] Tôi đã xác minh mã bằng trường hợp thử nghiệm có câu trả lời đã biết.
• [ ] Tôi đã kiểm tra tính hợp lý về mặt vật lý (giá trị âm/vô lý) của đầu ra.
• [ ] Tôi đã sử dụng AI làm công cụ tăng tốc; Tôi giữ sự chính trực và trách nhiệm.

Thi học phần

1. Khi làm việc với công cụ AI với tư cách là kỹ sư vật liệu, con người (kỹ sư pháp lý) phải luôn có trách nhiệm cuối cùng về vấn đề nào sau đây?

• A) Phê duyệt và ký xác nhận sự phù hợp của bộ phận đối với dịch vụ ✔
• B) Chuẩn bị dự thảo báo cáo thiệt hại đầu tiên
• C) Chỉnh sửa nhãn trục của biểu đồ cấu trúc vi mô
• D) Chuẩn bị một bảng chú giải các thuật ngữ luyện kim để trình bày

Mô tả: AI; Nó có thể tăng tốc các nhiệm vụ như làm rõ khái niệm, soạn thảo báo cáo, danh sách giả thuyết và khung mã. Tuy nhiên, việc phê duyệt sự phù hợp của một bộ phận để phục vụ/chuyến bay là quyết định đảm bảo an toàn tính mạng và tài sản; không thể được chuyển sang AI nếu không có thử nghiệm được công nhận và phê duyệt của kỹ sư được ủy quyền.

2. Bạn đã hỏi AI về cường độ chảy của thép AISI 4140 khi được tôi và tôi luyện ở 200 ° C, và anh ấy trả lời 'Chắc chắn là 1500 MPa'. Hành động đúng đắn đầu tiên cần thực hiện là gì?

• A) Đưa giá trị trực tiếp vào tài khoản thiết kế vì AI có vẻ tự tin
• B) Xác minh giá trị bằng bảng dữ liệu vật liệu/chứng chỉ nhà máy và kiểm tra độ bền kéo nếu cần, không dựa vào giá trị một điểm ✔
• C) Giảm giá trị một cách ngẫu nhiên để đảm bảo an toàn
• D) Chấp nhận giá trị và chuyển trực tiếp đến công thức xử lý nhiệt

Giải thích: Mô hình ngôn ngữ có thể bịa đặt một cách thuyết phục những con số không có căn cứ (ảo giác). Sức mạnh năng suất; Nó thay đổi trong phạm vi rộng tùy thuộc vào nhiệt độ ủ, độ dày phần và độ cứng. Cần phải lấy giá trị từ chứng chỉ nhà máy hoặc thử nghiệm độ bền kéo theo tiêu chuẩn và không đưa đầu ra AI một điểm vào thiết kế.

3. Với mô hình học máy dự đoán đặc tính của thép, AI đã tạo ra giá trị 'an toàn' cho giếng hợp kim nằm ngoài phạm vi thành phần trong dữ liệu huấn luyện. Vấn đề chính với đầu ra này là gì?

• A) Mô hình luôn cho kết quả tính bằng phần trăm, MPa sai
• B) Dự đoán không đáng tin cậy vì nó được thực hiện nằm ngoài phạm vi dữ liệu huấn luyện (ngoại suy) và phải được xác minh bằng thực nghiệm ✔
• C) Model chỉ hoạt động với thép không gỉ
• D) Đầu ra của mô hình luôn chính xác gấp đôi giá trị thực tế

Giải thích: Các mô hình machine learning hoạt động hợp lý trong phạm vi dữ liệu huấn luyện (nội suy); Khi nằm ngoài phạm vi này (ngoại suy), các dự đoán trở nên không đáng tin cậy và mô hình thường không thể hiện điều này. Không thể sử dụng giá trị được tạo tại một điểm nằm ngoài phân phối dữ liệu huấn luyện nếu không xác thực bằng thử nghiệm.

4. Bạn đã áp dụng AI để tính tỷ lệ pha trong hợp kim hai pha. AI nên sử dụng đầu vào nào một cách chính xác khi áp dụng 'quy tắc đòn bẩy'?

• A) Chỉ nhiệt độ; sự kết hợp là không cần thiết
• B) Chỉ mật độ của hợp kim
• C) Thành phần tổng cộng của hợp kim với thành phần ranh giới pha ở nhiệt độ tương ứng ✔
• D) Chỉ nhiệt độ nóng chảy

Giải thích: Quy tắc đòn bẩy đưa ra đại lượng pha bằng cách sử dụng khoảng cách giữa các thành phần ranh giới pha (ví dụ: thành phần của pha rắn và pha lỏng) và tổng thành phần của hợp kim ở nhiệt độ nhất định. Nếu các kết hợp ranh giới pha được đọc không chính xác thì tỷ lệ sẽ sai hoàn toàn; Do đó, việc xác nhận các giá trị từ sơ đồ pha là bắt buộc.

5. Bạn đã đo kích thước hạt từ cấu trúc vi mô bằng quy trình xử lý hình ảnh được hỗ trợ bởi AI nhưng lại quên hiệu chỉnh thanh tỷ lệ theo pixel. Tại sao kết quả không đáng tin cậy?

• A) Tất cả các phép đo kích thước đều ở sai tỷ lệ vì không thực hiện hiệu chỉnh độ dài pixel ✔
• B) Phép đo bị méo do sử dụng hình ảnh màu
• C) Kích thước hạt chỉ có thể đo được bằng SEM, kính hiển vi quang học không chính xác
• D) Việc đo lường là không cần thiết vì độ phân giải hình ảnh cao

Mô tả: Trong luyện kim định lượng, mỗi pixel tương ứng với một chiều dài; Nếu phép biến đổi này không được hiệu chỉnh bằng thanh tỷ lệ, tất cả các phép đo chiều như kích thước hạt, tỷ lệ pha và độ xốp sẽ xuất hiện trên thang đo sai. Hiệu chuẩn là bước đầu tiên và bắt buộc của phép đo dựa trên hình ảnh.

6. AI đề xuất một công thức xử lý nhiệt (autenitizing + làm nguội + ủ) để đạt được độ cứng mục tiêu cho thép. Bước tốt nhất trước khi áp dụng đơn thuốc là gì?

• A) Áp dụng trực tiếp công thức vào sản xuất hàng loạt
• B) Áp dụng công thức trên mẫu thử, đo độ cứng/vi cấu trúc và so sánh với tiêu chuẩn ✔
• C) Chỉ cần tăng ngẫu nhiên nhiệt độ ủ ở mức an toàn
• D) Chỉ sửa lỗi và phê duyệt lỗi chính tả của đơn thuốc

Mô tả: Là kết quả của quá trình xử lý nhiệt; Độ dày phần, độ cứng (Jominy) thay đổi mạnh mẽ tùy theo thực tế của lò và môi trường làm mát. Đơn thuốc do AI đưa ra là giả thuyết ban đầu; Nó phải được xác minh bằng cách áp dụng nó trên mẫu thử và đo độ cứng và cấu trúc vi mô và so sánh nó với tiêu chuẩn.

7. Bạn đã yêu cầu AI cung cấp 'mã số chất cụ thể' theo tiêu chuẩn ASTM cho giá trị giới hạn vật liệu và nó đã phản hồi bằng một giá trị chính xác. Hành vi kỹ thuật chính xác là gì?

• A) Viết giá trị trực tiếp vào báo cáo vì AI đã được cập nhật
• B) Thay đổi giá trị ngẫu nhiên để đảm bảo an toàn
• C) Xác minh số lượng, phiên bản và giá trị của chất từ văn bản tiêu chuẩn chính thức và hiện hành ✔
• D) Thêm mã số hạng mục vào hồ sơ hợp quy mà không kiểm tra

Giải thích: Ngay cả khi các mô hình ngôn ngữ biết chính xác tên tiêu chuẩn, chúng vẫn có thể nhớ sai hoặc bịa ra số bài viết, phiên bản và điểm dừng. Trong các lĩnh vực ràng buộc như ASTM/ISO/EN, mỗi chất và giá trị phải được xác minh nguyên văn từ nguồn chính thức và hiện hành; Đầu ra AI chỉ hiển thị nơi cần tìm.

8. Bạn đưa bức ảnh chụp bề mặt bị gãy của một chiếc bu lông cho AI và nhận được câu trả lời 'đây chắc chắn là vết nứt do mỏi'. Cách tiếp cận chính xác để phân tích nguyên nhân gốc rễ là gì?

• A) Viết chẩn đoán trực tiếp vào báo cáo vì AI nói chính xác
• B) Chỉ cần tăng độ phân giải của ảnh và xác nhận chẩn đoán
• C) Lắp bộ phận mới mà không kiểm tra bề mặt bị hỏng
• D) Xác nhận chẩn đoán dưới dạng giả thuyết bằng phương pháp gãy xương, lịch sử điện tích và bằng chứng vi cấu trúc ✔

Mô tả: Giải thích bề mặt bị hỏng; Kỹ thuật đo vết nứt (vết rạn, đường bờ biển, phân tách vết lõm/phân tách bằng SEM) yêu cầu xem xét lịch sử tải trọng, bằng chứng môi trường và cấu trúc vi mô cùng nhau. Chẩn đoán xác định mà AI đưa ra chỉ từ một bức ảnh chỉ là giả thuyết; Nguyên nhân gốc rễ không thể được công bố nếu không có sự xác nhận của các kết quả xét nghiệm.

9. AI đã chỉ định một đỉnh cho một pha cụ thể theo mẫu XRD (nhiễu xạ tia X). Phương pháp thích hợp nhất để làm cho việc nhận dạng pha trở nên đáng tin cậy là gì?

• A) So khớp đỉnh với cơ sở dữ liệu mẫu tham chiếu (ví dụ: thẻ PDF) và kiểm tra sự chồng chéo và tạo tác ✔
• B) Trực tiếp nhận nhiệm vụ vì AI nói tên pha
• C) Chỉ xét đỉnh cao nhất và bỏ qua các đỉnh còn lại
• D) Tô màu mẫu và làm cho nó đẹp mắt

Mô tả: Nhận dạng pha XRD được thực hiện bằng cách khớp các vị trí và cường độ đỉnh đo được với các mẫu tham chiếu đã biết (ví dụ: thẻ ICDD/PDF). Việc chỉ định một đỉnh riêng lẻ là sai lầm; các đỉnh chồng chéo, định hướng ưu tiên và các tạo phẩm nền cần được tính đến và việc gán được xác nhận với cơ sở dữ liệu tham chiếu.

10. Dự thảo báo cáo hư hỏng/kiểm tra do AI chuẩn bị có chứa các giá trị kỹ thuật linh hoạt nhưng không rõ nguồn gốc. Hành vi đúng đắn là gì?

• A) Trình bày báo cáo đúng nguyên trạng vì văn bản trôi chảy
• B) Làm tròn và làm bóng các giá trị
• C) Chỉ cần đọc phần tóm tắt và bỏ qua phần còn lại
• D) Ghép từng giá trị với số đo/nguồn ban đầu và loại bỏ giá trị chưa được xác nhận ✔

Mô tả: Mỗi giá trị kỹ thuật trong báo cáo; Nó phải truy nguyên được phép đo, hồ sơ thiết bị đã hiệu chuẩn, dữ liệu tiêu chuẩn hoặc nhà sản xuất. Ngay cả khi đó là một giá trị trong một câu trôi chảy, không được đưa con số nào có nguồn chưa được xác minh vào cơ sở báo cáo hoặc quyết định; Nếu không, một giá trị hư cấu sẽ được chuyển vào tài liệu tạo ra trách nhiệm pháp lý.

11. Bước tốt nhất trước khi sử dụng phép tính Python do AI tạo ra là gì (ví dụ: mối quan hệ Hall-Petch về cường độ kích thước hạt-năng suất)?

• A) Áp dụng mã trực tiếp vào dữ liệu sản xuất thực tế
• B) Chỉ cần đảm bảo mã trông ngắn và gọn gàng
• C) Chạy mã trong kịch bản thử nghiệm với kết quả đã biết và xác minh đơn vị cũng như đầu ra ✔
• D) Xóa một phần mã để rút ngắn nó

Giải thích: Một mã có thể xuất hiện đúng nhưng lại cho kết quả sai: có thể sai đơn vị, sai hệ số hoặc sai công thức. Chạy mã trong một trường hợp thử nghiệm nhỏ trong đó bạn biết kết quả bằng tay và so sánh nó với đầu ra dự kiến, đồng thời kiểm tra các đơn vị phát hiện lỗi trước khi chuyển sang quyết định thực tế.

12. Bạn muốn dán công thức hợp kim chưa được cấp bằng sáng chế của công ty mình và các thông số xử lý vào một công cụ AI có sẵn công khai và yêu cầu phân tích. Cách tiếp cận nào đúng nhất?

• A) Dán nguyên công thức để làm cho nó nhanh hơn
• B) Chỉ cần xóa tên công ty và chia sẻ tất cả các thông số còn lại là đủ.
• C) Chia sẻ dữ liệu và sau đó yêu cầu AI xóa dữ liệu đó
• D) Kiểm tra chính sách của tổ chức và ẩn danh dữ liệu hoặc sử dụng công cụ bảo mật/tổ chức ✔

Mô tả: Công thức hợp kim, thông số quy trình và thông số kỹ thuật của khách hàng là bí mật thương mại và nhạy cảm về sở hữu trí tuệ. Trước khi chia sẻ dữ liệu, cần kiểm tra chính sách của công ty, ẩn danh dữ liệu hoặc sử dụng công cụ của tổ chức/tại chỗ không gửi dữ liệu ra ngoài.

13. Hệ thống SPC (kiểm soát quy trình thống kê) được hỗ trợ bởi AI đã gắn cờ rằng giới hạn biểu đồ kiểm soát đã bị vượt quá trong một lô sản xuất. Hành vi kỹ thuật chính xác là gì?

• A) Bỏ qua cảnh báo và tiếp tục sản xuất
• B) Mở rộng giới hạn kiểm soát để không xảy ra cảnh báo
• C) Coi cảnh báo là yếu tố kích hoạt, xác nhận phép đo, điều tra nguyên nhân gốc rễ và quyết định theo tiêu chí chấp nhận ✔
• D) Trực tiếp loại bỏ toàn bộ lô hàng mà không đo lường

Giải thích: Vượt quá giới hạn biểu đồ kiểm soát là cảnh báo; Nguyên nhân gốc rễ không tự động rõ ràng. Đó có thể là lỗi đo lường, vấn đề lấy mẫu hoặc sai lệch quy trình thực tế. Cách tiếp cận đúng là coi cảnh báo là yếu tố kích hoạt, xác nhận phép đo, điều tra nguyên nhân cốt lõi và đưa ra quyết định dựa trên tiêu chí chấp nhận và NDT/kết quả kiểm tra.

14. Đánh giá hình ảnh được hỗ trợ bởi AI trên phần đúc đã đánh dấu một vùng là 'có thể chấp nhận được'. Cách tiếp cận phù hợp cho bộ phận quan trọng về an toàn là gì?

• A) Xem đánh giá sơ bộ AI như một công cụ sàng lọc và liên kết việc chấp nhận cuối cùng với kết quả NDT và phê duyệt được ủy quyền ✔
• B) Coi việc đánh giá AI là sự chấp nhận cuối cùng và phê duyệt phần đó
• C) Chuyển sang quy trình tiếp theo mà không kiểm tra bộ phận nào
• D) Chỉ cần kiểm tra trực quan bề mặt của bộ phận là đủ.

Mô tả: Các khuyết tật bên trong vật đúc (độ xốp, độ co ngót, tạp chất) thường không nhìn thấy được trên bề mặt và được đánh giá bằng thử nghiệm không phá hủy (NDT: chụp X quang, siêu âm). Đánh giá sơ bộ mà AI đưa ra thông qua hình ảnh là công cụ sàng lọc; Sự chấp nhận cuối cùng của bộ phận quan trọng về an toàn được đưa ra với NDT và phê duyệt kiểm tra được ủy quyền theo tiêu chuẩn.