機械工学の分野では、創造的な設計と妥協のない技術的精度の厳密なバランスが求められます。現代のAIは、複雑な物理学的制約を処理し、構造化された技術データを数秒で生成できる、この追求における強力な味方として登場しました。
以下のプロンプトは、ChatGPT、Gemini、Claude、DeepSeekを含むすべての主要なAIモデルに対して、綿密にテストされ最適化されています。各モデルは独自の計算上の強みを持っていますが、これら10のプロンプトは、機械エンジニアが反復的なドキュメント作成を自動化し、シミュレーションのトラブルシューティングを行い、革新的な設計アーキテクチャを探索するための普遍的な基盤を提供します。
1. ジェネレーティブデザイン戦略と制約条件マッピング
最適モデル：Claude（専門的なニュアンスに）
CADモデルを開始する前に明確な論理的枠組みを提供することで、コストのかかる再設計を防ぎます。
シニア機械設計エンジニアとして行動してください。私は[コンポーネント名、例：高速ドローンモーターマウント]を設計しています。
主な目標は[例：質量削減と振動減衰]です。
私のジェネレーティブデザインソフトウェアで定義しなければならない重要な設計制約を、荷重ケース、立ち入り禁止領域、[例：5軸CNCまたはSLM 3Dプリンティング]の製造上の制約を含めてリストアップしてください。
出力を技術要件チェックリストとしてフォーマットしてください。
効果：このプロンプトは、重要な境界条件を見落とさないようにし、ジェネレーティブデザインソフトウェアでの「試行錯誤」に費やす時間を節約します。
2. FEAメッシュトラブルシューティングと収束解析
最適モデル：DeepSeek（複雑な論理に）
収束問題の解決は、有限要素解析で最もイライラする部分であることが多いです。
私は[ソフトウェア名]を使用して[部品の説明]の静的構造解析を実行しています。
解が[例：非線形接触界面]で収束に失敗しています。
標準的なFEA原理に基づいて、結果の精度を損なうことなく収束を達成するための5つのトラブルシューティング手順（例：メッシュの細分化、接触定式の変更、荷重ステッピングなど）の優先順位付きリストを提供してください。
効果：オンコールのシミュレーション専門家として機能し、問題が物理的特異点なのか数値的不安定性なのかを特定するのに役立ちます。
3. 比較材料選択マトリックス
最適モデル：Gemini（複数ドキュメント分析に）
特定の機械的特性に基づいて材料を迅速に絞り込みます。
[用途、例：極低温圧力容器]用の3つの材料：[材料1]、[材料2]、[材料3]を比較してください。
引張強度、熱膨張係数、延性-脆性遷移温度、相対コストについて比較するMarkdownテーブルを作成してください。
この特定の用途に対して、最高の強度重量比を提供する材料を強調してください。
効果：手動でのデータシート検索に代わり、内部設計レビューのための局所的な比較を提供します。
4. SolidWorks VBAマクロ生成
最適モデル：ChatGPT（多様な日常業務に）
カスタムプロパティの更新やバッチエクスポートなどの反復的なCADタスクを自動化します。
SolidWorks用のVBAマクロを作成してください。このマクロは[タスク、例：アセンブリ内のすべてのコンポーネントを反復処理し、カスタムプロパティ「Material_Validated」を「Yes」に設定する]ことを自動的に行います。
抑制されたコンポーネントのエラーハンドリングを含め、コードの各セクションに簡単なコメントを付けてください。
効果：「事務的」なCAD作業を自動化することで、実際のエンジニアリング作業に脳を解放し、大規模アセンブリ全体でのデータの一貫性を確保します。
5. 熱管理システムのアイデア創出
最適モデル：Claude（専門的なニュアンスに）
高密度に詰め込まれた電子システムや機械システムの冷却戦略をブレインストーミングします。
私は[寸法]の体積から[例：500W]の熱を、周囲温度[温度]で放散する必要があります。
許容される最大コンポーネント温度は[温度]です。
3つの異なる熱管理アーキテクチャ（例：アクティブ液冷、相変化材料、高度なヒートパイプアレイ）を提案してください。
それぞれについて、空間効率と長期信頼性を評価してください。
効果：複雑なCFD（数値流体力学）設定に着手する前に、熱負荷に関する高レベルの「健全性チェック」を提供します。
6. DFMA（製造性を考慮した設計）レビュー
最適モデル：DeepSeek（複雑な論理に）
開発サイクルの早い段階で製造上のボトルネックを発見します。
以下の部品の説明を、CNC加工の実現可能性についてレビューしてください：[部品形状の説明、例：深い内部ポケット、0.5mmの薄肉、鋭い内部コーナー]。
潜在的な製造リスクを特定し、構造的完全性を維持しながら加工時間と工具摩耗を削減するための3つの幾何学的修正を提案してください。
効果：このプロンプトは、設計に対する「事前チェック」として機能し、機械工場からの「製造不可能」フラグの数を減らします。
7. ISOおよびASME規格適合性要約
最適モデル：Gemini（複数ドキュメント分析に）
国際的なエンジニアリング規格の複雑さをナビゲートします。
[特定の分野、例：圧力容器溶接検査]に関する[規格、例：ISO 13485またはASME Section VIII]の主要な要件を要約してください。
適合性に必要な必須文書と安全率の箇条書きリストを提供してください。
効果：何百ページにも及ぶ技術規格を、実行可能なプロジェクト要件に凝縮します。
8. 故障モード影響解析（FMEA）草案作成
最適モデル：ChatGPT（多様な日常業務に）
新製品のための堅牢な安全性と信頼性の枠組みを構築します。
[システム、例：自動車ブレーキリンケージ]の予備的なFMEA表を生成してください。
潜在故障モード、故障の潜在的な影響、潜在原因、推奨対策の列を含めてください。
主なリスクとして機械的疲労と締結部の緩みに焦点を当ててください。
効果：リスク評価会議の構造的な出発点を提供し、一般的な故障モードが無視されないようにします。
9. データ分析のためのPythonスクリプト作成（CSV/センサーデータ）
最適モデル：DeepSeek（複雑な論理に）
物理試験やひずみゲージからの大規模データセットを処理します。
PandasとMatplotlibを使用して、'test_data.csv'という名前のCSVファイルをインポートするPythonスクリプトを作成してください。
スクリプトは以下のことを行う必要があります：
1. [値]以下のノイズをフィルタリングする。
2. 'Force'列と'Area'列からピーク応力を計算する。
3. 応力-ひずみ曲線をプロットする。
4. ピーク値を要約テキストファイルにエクスポートする。
効果：試験データの後処理を自動化し、生のセンサー出力を提示可能なエンジニアリングの洞察に即座に変換します。
10. 技術仕様書テンプレート
最適モデル：Claude（専門的なニュアンスに）
エンジニアリング部門と調達部門間の引き継ぎを標準化します。
[コンポーネント、例：カスタム遊星歯車装置]の正式な技術仕様書を作成してください。
機械的仕様、環境制限、インターフェース寸法、品質管理要件のセクションを含めてください。
ベンダーへの見積依頼書（RFQ）に適した、専門的で高度に構造化された口調を使用してください。
効果：ベンダーが明確で曖昧さのない要件を受け取ることを保証し、リードタイムの遅延や誤った見積もりを最小限に抑えます。
プロのヒント：文脈的アンカリング
これらのプロンプトを最大限に活用するには、文脈的アンカリングを使用してください。「このメッシュをどう修正すればいいですか？」と尋ねる代わりに、材料特性と境界条件を前置きとしてAIに提供してください。まず物理定数を「固定」することで、AIのその後の提案は機械的な現実にはるかに根ざしたものになります。
AIを機械エンジニアリングのワークフローに統合することは、「エンジニア」を置き換えることではなく、単調な作業を置き換えることです。これらのプロンプトを習得することで、手動でのデータ入力や基本的なトラブルシューティングから、高レベルのシステム最適化と革新へと焦点を移すことができます。今日、1つのプロンプトから始めて、自動化されたワークフローの個人ライブラリを構築してください。