收益：
- 能够根据要求、约束和性能指标构建材料选择问题，并将其准确地描述给人工智能
- 在将候选材料与 Ashby 方法和加权决策矩阵进行比较时，能够使用 AI 作为假设生成器
- 能够根据数据表、标准和成本/供应事实验证 AI 推荐的每种材料和特性值
材料选择是冶金和材料工程师最明显、最负责任的工作。用于自行车车架的铝、碳纤维或钢；泵轴采用316不锈钢或双相不锈钢；哪种工具钢适合热作模具？这些决策需要同时平衡数十个相互冲突的约束，例如强度、重量、腐蚀、温度、可加工性、成本和供应。人工智能（处理文本和数字并产生建议的系统）加速了创建候选列表、建立比较矩阵和撰写理由的过程。但只有数据表、标准以及必要时的测试才能证明您选择的材料真正合适。在本单元中，您将学习如何使用人工智能以严格的方式进行材料选择。
正确建立材料选择问题
糟糕的材料选择通常不是由糟糕的模型引起的，而是由不明确的问题引起的。问人工智能“什么是最好的材料”是没有意义的；因为“最佳”取决于它将在何种约束下执行哪种功能。合理的材料选择问题由以下四个部分定义：
- 功能：这件作品有什么作用？ （例如，承受轴向载荷的杆、抵抗压力的容器。）
- 限制：不得超过的限制。 （例如屈服强度≥350MPa，工作温度200℃，耐盐水。）
- 目标：我们将最小化/最大化什么？ （例如最小化重量，最小化成本。）
- 自由变量：我们可以选择什么？ （材料，通常是尺寸，例如截面。）
该框架是阿什比材料选择方法的基础。性能指数是一种表达方式，给出了最能满足特定用途的材料特性组合；例如，对于具有一定刚度的最轻梁，使用比强度等指标。给定功能和约束，人工智能将帮助您得出正确的性能指数并对候选材料类别进行排名 - 但请务必检查其得出的指数的物理推导。
一步一步：人工智能驱动的材料选择
- 写下要求：功能、约束、目的、自由变量。让它是数字化的、可测量的。
- 确定候选类别：要求人工智能列出材料类别（钢、不锈钢、铝合金、钛、聚合物、复合材料）并证明每种材料对该功能的适用性。
- 带约束消除：删除不满足约束的钢种（例如腐蚀约束消除碳钢）。
- 按性能指数排序：按用途（亮度、成本）对剩余候选者进行排序。
- 建立决策矩阵：将最终候选人与加权评分表进行比较。
- 验证：从数据表/标准中获取所选材料的属性值，确认供应和成本，必要时测试样品。
提示：切勿将AI给出的材料属性作为最终值。即使AI说“6061-T6铝的屈服强度为276 MPa”，实际值也会根据回火状态、半成品形状（板材、棒材、挤压材）和截面厚度而变化。确认 EN/ASTM 数据表中的值。
加权决策矩阵
在最终候选人中进行选择时，加权决策矩阵是一种透明且站得住脚的方法。每个标准都被赋予一个重要性权重，每个候选者根据每个标准进行评分，并计算加权总和。以下是海水泵轴的示例（得分 1-5，权重总和 1.0）。
标准
重量
316L不锈钢
复式2205
镍铝青铜
耐腐蚀性（海水）
0.35
3
5
4
屈服强度
0.25
3
5
3
机械加工性
0.15
4
3
4
成本（越低越好）
0.15
4
3
2
供应/交货时间
0.10
5
3
3
加权总计
1.00
3.40
4.30
3.45
该表重点介绍了双相 2205；但该表并不是一个决定，而是一个讨论的基础。您确定权重和分数；人工智能定期计算它们并写出理由。必须验证分数的基础（腐蚀的 PREN 值、强度的标准最小值）。
三个迷你箱子
情况一——脾气不对，力量不对。设计师向AI询问支架“6061铝的屈服强度”； AI 说“276 MPa”。设计者使用该值，但提供的材料处于 T4 状态，屈服强度仅为约 145 MPa。该零件在低于预期的载荷下会发生永久变形。课程：属性值取决于材料的状况（T4/T6）；如果没有指定回火，AI给出的值是没有意义的，必须从数据表中确认。
情况2——正确消除。一个团队向 AI 请求一份在 6 巴压力和持续盐水接触下运行的阀体候选清单。由于腐蚀限制，AI 淘汰了碳钢和低合金钢； 316L 推荐双相钢和青铜，并解释了每种材料的 PREN（耐点蚀当量数）概念。团队接受这一初步筛选，但根据实际氯浓度和温度腐蚀测试数据做出最终决定。人工智能淘汰并进行了实验。
案例 3 — 成本的现实。对于一款产品，AI推荐钛Ti-6Al-4V；它在轻质性和耐腐蚀性方面都非常出色。然而，并没有给出该部件每年生产 50,000 件以及存在价格压力的背景。钛的每公斤成本和加工难度使得该产品在商业上不可行。团队添加上下文并再次询问；这次选择了性价比高的不锈钢。教训：如果从一开始就不给出成本和可制造性限制，人工智能将给出技术上正确但商业上不正确的建议。
可复制的提示模板
材料选择框架模板“角色：您是助理材料选择专家。部分：[描述]。填写下面的框架：- 功能：[...]- 约束（数字）：[强度、温度、腐蚀、重量...]- 目的：[要最小化：重量/成本]- 自由变量：[材料 + 截面] 相应地导出适当的性能指数并逐步显示。给出带有来源的属性值并添加‘必须从数据表中验证’警告。”
候选筛选模板“签署并证明不满足以下限制的材料类别：[列出限制]。按用途对剩余的候选材料进行排序。说明每个候选材料的定义标准（例如 EN、ASTM）。不要给出确切的属性编号；给出范围和“必须验证”评级。”
决策矩阵模板“为以下候选人建立一个加权决策矩阵：[候选人]。我的标准和权重：[标准=权重列表]。给每个候选人打分 1-5 分，并用一句话写出每个分数的基础（哪个特征、哪个来源）。计算加权总和并将结果以表格形式给出。将分数基础标记为“必须验证”。”
腐蚀兼容性模板“环境：[温度、氯/酸浓度、pH]。解释候选不锈钢的 PREN 基本原理，并说明应通过哪种测试（例如 ASTM G48 坑测试）进行验证。未经测试请勿最终确定材料选择；只需列出候选材料。”
弱提示/强提示
弱提示：“在海水中使用泵轴的最佳材料是什么？”
强烈提示：“角色：您是材料选择专家。零件：离心海水泵轴。约束条件：连续接触海水（~20,000 ppm 氯化物，25-40 °C），屈服强度 ≥ 450 MPa，可用疲劳载荷，由车床加工，每年 300 件。目的：最大限度地降低使用寿命成本。根据约束条件处理候选不锈钢和青铜材料并进行分类；写出哪个标准和每个都需要进行哪些验证测试。给出属性值和来源，最终确定。”
强大的提示功能；它以数值方式给出环境，设置强度约束，指定生产数量和成本目标，并要求验证测试。因此，人工智能会生成一份商业和技术上都合适的候选者列表。
常见错误
- 在不量化功能和限制的情况下要求“最好的材料”。
- 获取属性值而不指定材料的状态（回火、形状、截面）。
- 没有将成本、供应和可制造性约束纳入考虑范围。
- 不控制AI推导的性能指标的物理推导。
- 将结果作为最终结果，而不验证决策矩阵中分数的基础。
- 无需实验即可确认与环境相关的决策，例如腐蚀。
综上所述
在材料选择中，一旦明确了功能和约束，人工智能就是一个强大的决策支持工具：它会生成候选列表，导出性能指标，构建决策矩阵并编写理由。然而，每个属性值都必须通过数据表和标准进行验证，并且每个腐蚀/耐腐蚀关键决策都必须通过实验进行验证。将问题置于函数约束目标自由变量的框架内是一个不错的选择。
应用任务
选择真实或虚构的零件（例如外部紧固件）。用数字写出函数、约束、目标和自由变量。使用“材料选择框架”模板向 AI 请求候选列表和绩效指数。然后填写“决策矩阵”模板，其中至少包含三名候选人。最后，在一段中写下您将使用哪个标准和测试来验证您所选材料的屈服强度和腐蚀行为。
清单
- [ ] 我用数字定义了函数、约束、目的和自由变量。
- [ ] 我有理由淘汰了不符合约束的类。
- [ ] 我通过指定材料状况（状态/形状）来获取属性值。
- [ ] 我注意到了决策矩阵分数的基础。
- [ ] 我将成本、供应和可制造性放在背景中。
- [ ] 我制定了一个计划，通过数据表、标准和必要的实验来验证选择。