KI und Simulation Nutzen von Data Science in der Produktentwicklung
Anbieter zum Thema
Die Industrie steht vor der Herausforderung, komplexe Simulations- und Datenanalyse-Methoden in der Breite im Unternehmen einzusetzen. Durch innovative Berechnungsmethoden, einfache Benutzerführung und Know-how-Transfer hilft Altair, das Thema Simulation und Datenanalyse auch für Fachexperten anderer Domänen und Neueinsteiger in verschiedenen Bereichen voranzutreiben.
Überall, wo das Thema künstliche Intelligenz (KI) aufkommt, sind Buzzwords wie maschinelles Lernen, generative KI und synthetische Daten nicht weit. Allerdings sagen die Begriffe nichts darüber aus, welchen konkreten Nutzen sie im Entwicklungsumfeld haben. Dabei gibt es bereits heute eine Vielzahl von Arbeitsfeldern für KI-Methoden in der Produktentwicklung, von der effizienteren Modellerstellung bis zur Vorhersage physikalischen Verhaltens. Gerade im Zusammenspiel von KI und Simulation kommt der Technologie bei immer mehr Anwendungen eine tragende Rolle zu, da sie Abläufe beschleunigen und Zusammenhänge besser erkennen kann.
KI und Simulation in der Produktentwicklung
Effiziente Modellerstellung: Basierend auf Geometrien (Netz oder CAD-Format) können Algorithmen diese in Werte übersetzen, damit sich die Geometrien vergleichen, bearbeiten, clustern und in Gruppen und Klassen einteilen lassen. Das erleichtert die Modellorganisation, und der Modellierungsprozess wird effizienter.
Multidisziplinäre Entwurfsexploration: Mit bestehenden Ergebnissen parametrisierter Designs lassen sich durch Regressionsanalysen sowohl Zusammenhänge erkennen als auch Vorhersagen von Einzelwerten oder Verhaltenskurven treffen. So lassen sich Lücken in Testdaten schließen.
Physikalisches Verhalten schnell vorhersagen: Auf Basis von simulierten Ergebnissen und geometrischen Strukturen wird ein neuronales Netzwerk trainiert, das ohne erneuten Simulationslauf Verhaltensvorhersagen macht.
Komplexes Systemverhalten effizient abbilden: Neuronale Netze statt Co-Simulation. Komplexe Vorgänge, die mit rechenintensiven Simulationen wie der Diskrete-Elemente-Methode, Computational Fluid Dynamics und Finite-Elemente-Analysen abgebildet werden, trainieren ein neuronales Netzwerk, welches als Modell reduzierter Ordnung (ROM) das Systemverhalten wiedergibt. Systemsimulationen werden damit um das Tausendfache schneller, ohne Abstriche bei der Genauigkeit. Das schafft Raum für neue Ideen und für die Optimierung der Leistungsfähigkeit des Gesamtsystems.
Verhaltensmuster erkennen und daraufhin optimieren: Auf der Grundlage der Ergebnisfelder vieler simulierter Designvarianten wird mit unüberwachtem Lernen, einem Ansatz des maschinellen Lernens, eine Gruppe mit einheitlichen Verhaltensmustern erstellt. So lassen sich Hunderte von Simulationen intuitiv verarbeiten. Am Beispiel Megacasting zeigt sich eindrucksvoll der Vorteil des KI-Ansatzes gegenüber traditionellen Methoden
Generative KI – Design for Megacasting
Der Megacasting-Trend ist gewaltig, bringt aber auch viele ungelöste Entwicklungsaufgaben mit sich. Die Umsetzung großer Gussteile erfordert spezielle Maschinen sowie eine hohe Präzision, um Fertigungstoleranzen einzuhalten und Materialqualität sicherzustellen. Die neugewonnene Gestaltungsfreiheit bietet neues Leichtbau-Potenzial. Die zunehmende Komplexität gilt es zu beherrschen.
Für Konstrukteure wird es daher immer wichtiger, neue Technologien wie KI und maschinelles Lernen (ML) zur Anwendung zu bringen, um neue Ansätze zur Gewichtsreduktion, zur Senkung der Herstellungskosten und zur Umsetzung neuer Leistungsanforderungen zu verfolgen.
Eine Lösung dafür ist ein Entwicklungsprozess, der Data Science mit dem Engineering verbindet. Dieser Ansatz ermöglicht auf Basis von KI, generativem Design und modernster CAE-Technologie multidisziplinäre Variantenuntersuchungen für effiziente und fertigungsgerechte Strukturen. So können Entwicklungsteams Tausende von Simulationen gleichzeitig nutzen, um die beste Lösung zu finden. Um nicht jede Designvariante einzeln zu bewerten, lässt sich der Lösungsraum auf ein gewünschtes Verhaltensmuster einschränken. Damit kann, anstatt auf einzelne Zielwerte, auf das gewünschte Verhalten hin optimiert werden. KI-gestütztes generatives Design ermöglicht es, den bidirektionalen Zusammenhang zwischen fertigungsabhängiger Materialqualität und dem Bauteilverhalten zu beherrschen. So lassen sich komplexeste Bauteile mit einer Vielzahl von Anforderungen fertigungsgerecht und effizient entwerfen. Dafür hat Altair einen maßgeschneiderten Entwicklungsprozess entwickelt, der Expertenwissen skalierbar macht.
Umfassender Optimierungsworkflow für KI-gestützte generative Entwicklung
In einem Entwicklungsprozess müssen zahlreiche Anforderungen berücksichtigt werden, um Leichtbau, Funktionsanforderungen und Herstellbarkeit in Einklang zu bringen – von der Materialplatzierung bis zum Aufbau des Fertigungssystems.
Der Optimierungsprozess für Megacasting-Komponenten umfasst zwei Phasen. In einem ersten Schritt erfolgt die Topologieoptimierung zur effizienten Materialplatzierung auf Grundlage linearisierter Lastfälle. Anschließend steht eine multidisziplinäre Optimierung zur Bewertung der Komponente sowie die Überprüfung der Herstellbarkeit mittels Gusssimulation an, wobei KI und ML unterstützend wirken.
Topologieoptimierung: Um das Material am effektivsten zu platzieren, kommt die bewährte, generative Konstruktionstechnik zum Einsatz. Hier lassen sich optimale Lastpfade für multidisziplinäre Belastungsbedingungen ableiten, die Hunderte von Lastfällen und Variablen sowie Fertigungseinschränkungen für Gussteile umfassen.
Multidisziplinäre Optimierung: Die Anwendung von RSM-Optimierung kann man mit maschinellem Lernen kombinieren, um Anforderungen zu erfüllen und optimale Rippenorientierungen und Dickenverteilungen für Gussstrukturen in nichtlinearen Crash- und Gusssimulationen bereitzustellen. Mit Clustering und Klassifizierung vollständiger Simulations-Ergebnisfelder lassen sich rein skalare, regressionsartige Ziele überwinden und mit Expertenbewertungen abgleichen, um auf das gewünschte Bauteilverhalten zu optimieren.
Herstellbarkeit evaluieren – auf gewünschtes Gussverhalten optimieren: Die gleiche Methode des unüberwachten Lernens ermöglicht auch eine Bewertung der Herstellbarkeit. Sie erkennt in Varianten einheitliches Verhalten wie die Strömungsgeschwindigkeit am Anschnitt oder die Fließfronten bei der Simulation des Druckgussverfahrens, um zum Beispiel die optimale Anzahl, Größe und Position von Anguss-Geometrien zu ermitteln.
Megacasting und Co.: Altair spricht beide Sprachen – Engineering und KI
Mit innovativen Simulationsmethoden, benutzerfreundlichen, prozessgesteuerten Benutzeroberflächen und Know-how-Transfer hilft Altair Unternehmen, die Simulation und Datenanalyse zu demokratisieren und sie für Fachleute und Neueinsteiger zugänglich und verständlich zu machen, wodurch sich der Bedarf an physischen Prototypen verringern lässt.
Als führender Anbieter von Data Analytics und KI-Lösungen im Engineering spricht Altair als Alleinstellungsmerkmal beide Sprachen: Engineering und KI. Altairs No-Code- KI-Lösung ermöglicht Experten aller Fachbereiche anwendungsorientierten Zugang zu maschinellem Lernen und KI. Damit ermöglicht der Softwareanbieter den Wandel zu einem simulations- und datengetriebenen Unternehmen.
ALTAIR ENGINEERING DATA SCIENCE UPDATE
Wie kann KI in der Produktentwicklung helfen, Ihre Ziele schneller zu erreichen?
Mit den Engineering Data Science Updates in den Altair-Niederlassungen gibt Altair Entwicklungs- und CAE-Verantwortlichen einen Überblick über nützliche KI-Anwendungen in der Produktentwicklung.
Mehr Infos und Anmeldung unter: https://web.altair.com/de/data-days-2024
Der Autor Mirko Bromberger ist Director bei Altair und verantwortet das DACH/BeNeLux-Marketing.