Simulationsmethoden Trends bei Simulationsmethoden: Experten im Gespräch

Anbieter zum Thema

Autodesk

Hexagon Manufacturing Intelligence

Altair Engineering GmbH

Heidrive GmbH

CADFEM Germany GmbH

mehr weniger

ITWH Inst.f.technisch- wissensch. Hydrologie GmbH

weniger

Mit Multiphysik-Simulationen können Unternehmen Produkte präziser auf die Kundenanforderungen hin entwickeln. Doch die Möglichkeit, mehrere physikalische Phänomene miteinander zu verbinden, macht die Entwicklungsprozesse andererseits komplexer, erfordert viel Rechenleistung und Know-how. Wie sich Simulationsmethoden wie die Multiphysik-Simulationen optimieren lassen, erklären vier Fachleute aus der Softwarebranche.

Fragen an die Experten: 

• 1. Simulationsaufgaben, die mehrere physikalische Teildisziplinen betreffen, sind besonders komplex. Inwiefern lassen sich Prozesse beschleunigen und automatisieren, um Entwicklungsingenieuren die Arbeit einfacher zu machen?

• 2. Können Sie uns, bitte, hierfür ein Beispiel nennen?

• 3. Wie wird sich die Multiphysik-Simulation in den kommenden Jahren verändern und welche Entwicklungen halten Sie für wünschenswert?

Simulationsmethoden: Variantenstudien, Trial & Error- und Robustheitsstudien

1. Wenn die Teildisziplinen nicht einzeln berechnet, sondern in einer Co-Simulation gekoppelt werden, ist neben robusten Solvern eine anwenderfreundliche Schnittstelle zwischen den Teildisziplinen wichtig. Darin ist klar ersichtlich, welche Ergebnisgrößen an welchen Stellen übergeben werden können.

Allgemein lässt sich die Modellerstellung per Scripting automatisieren. Bei der Erstellung eines Basismodells wird ein Macro aufgezeichnet, dieses kann dann parametrisiert und für die Erzeugung vieler Varianten verwendet werden. Solche Variantenstudien (DOE, Design of Experiments) können als Basis für ein KI-Programm dienen, das daraus ein Reduced Order-Modell erstellt und die Ergebnisse für neue Varianten vorhersagt und die Parameter auf das gewünschte Ergebnis hin optimiert. Oder man schaut sich die Variantenstudien in einem Robust Design Tool an: Was könnte schlimmstenfalls passieren, wenn Materialparameter, Lasten und anderes in einem angegebenen Bereich schwanken?

2. Bei uns kommen öfter Co-Simulationen mit Marc und Cradle CFD vor – also nichtlineare FEM gekoppelt mit CFD. Zum Beispiel werden Membrane oder Dichtungen in einer Strömung simuliert. Die Dichtungsgeometrie oder Geometrie des Strömungsbereiches kann parametrisiert und die Rechnungen für verschiedene Modellvarianten können automatisiert werden. Wenn eine ausreichende Learning Base vorhanden ist, kann man mit KI die Ergebnisse für andere Geometrieparameter vorhersagen und schnelle Designabwägungen machen.

3. Es wird mehr Rechenkapazität zur Verfügung stehen, vor Ort und in der Cloud. Dadurch werden Co-Simulationen leichter durchführbar. Es werden mehr Variantenstudien, Trial & Error- und Robustheitsstudien möglich. Ein wenig sehe ich den Trend, dass Berechnungsingenieure, die lange nur auf eine Simulationsart spezialisiert waren, offener für weitere Simulationsarten sind: wie zum Beispiel den FEM-Berechner, der nun auch Mehrkörpersimulation oder CFD erlernt. Firmen werden versuchen, sich durch hochqualifizierte Simulationen von Wettbewerbern abzuheben. Ich halte auch für wünschenswert, dass Berechnungsergebnisse per Augmented Reality und gängigen 3D-Formaten für mehr Menschen nutzbar sind. Es wäre schön, eine KI zu haben, die basierend auf Software- und Firmen-Knowhow die Simulationsprozesse wie ein Mentor begleitet.

Machine Learning und Multiphysiksimulation

1. Hier spielt das effiziente Zusammenspiel verschiedener Simulationsmethoden eine entscheidende Rolle: ‚Doing more with less‘. Auch wenn bereits heute Tools für eine Gesamtsystembetrachtung gekoppelt werden, erfordern umfangreiche Optimierungen noch zu viel Rechenzeit. Effizienter geht das mithilfe von KI-Methoden in Kombination mit Optimierungstools: So lassen sich detaillierte Simulationsmodelle mit Automatisierungstools und Design-of-Experiments kombinieren, um auf Basis weniger Simulationen Daten zu generieren, mit denen Machine Learning Modelle trainiert werden können, die um ein Vielfaches schneller als die Originalmodelle sind. Die trainierten KI-Modelle können dann in Optimierungsschleifen eingesetzt werden und ermöglichen so hunderte oder tausende von Vergleichsrechnungen in sehr kurzer Zeit.

2. Ein Beispiel aus dem Baumaschinenbereich ist die Optimierung einer Baggerschaufelform, bei der die transportierte Materialmenge pro Hub um 20 Prozent gesteigert werden konnte. Möglich wurde das durch Multiphysiksimulation (Altair EDEM, Altair Inspire Motion, Altair Twin Activate) sowie durch eine parametrische Änderung der Schaufelgeometrie im Rahmen einer DoE-Studie (Design of Experiments/statistische Versuchsplanung). Mithilfe der KI ließ sich die Simulationszeit pro Iteration von einer Stunde auf wenige Sekunden reduzieren.

3. Der Einsatz von tool-unabhängigen Standards wird zunehmen und damit die Zusammenarbeit im Sinne des Austauschs von Modellen, auch zwischen Unternehmen, vereinfachen.

• Weitergehende Automatisierung von Simulationen durch Funktionalitäten innerhalb der Werkzeuge aber auch der vermehrte Einsatz von Skriptsprachen (beispielsweise Python) wird die Anzahl der Simulationen erhöhen und durch die bessere Abdeckung eines größeren Parameterraums validere Ergebnisse liefern, bevor erste Prototypen zur Verfügung stehen.

• KI-Methoden werden verstärkt in Simulationsprozessen eingesetzt und so die Effizienz deutlich steigern.

• Ein wichtiger Schritt in Richtung Digitalisierung ist es, einer breiteren Anwenderschaft im Unternehmen den Zugriff auf dedizierte Methoden und Prozesse zu ermöglichen (Demokratisierung).

Moderne Simulationssoftware für Computer Aided Engineering

1. In der Vergangenheit erforderte die Simulation sehr komplexe Eingaben, sich wiederholende Einrichtungsaufgaben und möglicherweise sogar manuelle Berechnungen. Anwender mussten dann die Ergebnisse interpretieren und verstehen, bevor sie die notwendigen Aktualisierungen vornehmen und die Simulation wiederholen konnten.

Moderne Simulationssoftware konzentriert sich sehr stark auf die Minimierung nicht wertschöpfender Aufgaben, indem sie die Simulationsanforderungen des Anwenders im Vorfeld aufnimmt. Zur Erstellung des Setups nutzt die Software integrierte Automatisierungsfunktionen, und stellt anschließend die Interpretation und Anleitung der Ergebnisse bereit. So können sich Anwender auf die Verbesserung ihrer Entwürfe konzentrieren. Einige Simulations-Tools gehen bei der Automatisierung noch einen Schritt weiter, indem sie künstliche Intelligenz (KI) integrieren, um die Kapazitäten der Entwicklungsingenieure zusätzlich zu erweitern.

2. Autodesk Fusion ist ein großartiges Beispiel dafür, wie weit sich Computer Aided Engineering (CAE) entwickelt hat. Ein Entwicklungsingenieur kann Fusion und seine Erweiterungen, wie zum Beispiel die Fusion Simulation Extension, verwenden, um ein Produkt zu entwerfen, die erwartete Leistung zu simulieren und sogar Fertigungsoptionen zu bewerten.

Ingenieure können generatives Design nutzen, um Konstruktionen mithilfe generativer KI zu optimieren. Der Zwischenschritt, Modelle und Ergebnisse immer wieder erneut zu exportieren, wenn verschiedene Simulationen erforderlich sind, fällt weg. Wichtige Interessengruppen können auf einfache Weise auf Designdateien zugreifen, was die Entwicklungszeit weiter verkürzen kann.

3. Da sich die Technologie weiterentwickelt, wird die Multiphysik-Simulation der Zukunft vermehrt Automatisierungsfunktionen integrieren und noch datenzentrierter arbeitet. Maschinelles Lernen, künstliche Intelligenz und eine stärkere Integration der Simulationsaufgaben in andere Phasen des Produktentwicklungsprozesses werden eine wichtige Rolle spielen und möglicherweise zu intelligenteren Simulationsmodellen führen, die genauere Vorhersagen machen und sich an reale Bedingungen anpassen können.

Trends bei Simulationsmethoden: Hybride KI und Echtzeitsimulationen

1. Die Nachfrage der Verbraucher nach leichten, technologisch fortschrittlichen, energieeffizienten, automatisierten, benutzerfreundlichen und qualitativ hochwertigen Produkten steigt rapide an. Elektromechanische und mechatronische Systeme sind hier von zentraler Bedeutung, aber ihre Entwicklung ist aufgrund der Integration mehrerer technischer und physikalischer Bereiche sehr komplex. OEMs müssen diese Komplexität beherrschen, um das optimale Design schon früh im Entwicklungszyklus zu finden. Folglich streben sie eine verstärkte Integration und strenge Tests an, während sie gleichzeitig versuchen, die Designzyklen zu beschleunigen und die Kosten zu senken, indem sie Iterationen und Prototyping-Ausgaben minimieren. Diese vielschichtige Komplexität erfordert ein effizientes Management multidisziplinärer Herausforderungen. Der Knackpunkt liegt darin, eine durchgängige digitale Kette für einen simulationsgestützten Produktentwicklungszyklus zu erreichen, um früher fundierte und demokratischere Entscheidungen zu treffen.

2. Ein gutes Beispiel für die zunehmende Komplexität ist die Sicherheit von Elektrofahrzeugen: Neue Technologien für die Mobilität der Zukunft haben zu einer neuen Welle von Vorschriften für die aktive und passive Sicherheit geführt, die Automobilhersteller und -zulieferer einhalten müssen, um sich zur Gesamtsicherheit verpflichten zu können - und zwar mit einer umfassenden Verifizierung und Validierung in einer Vielzahl von Umgebungen und unter verschiedensten Umständen.

Im Hinblick auf die Verringerung des CO2-Fußabdrucks wirkt sich die zunehmende Verwendung gemischter Materialien auf alle Bereiche der Produkt- und Fertigungstechnik aus. Dies erfordert jedoch ein komplexes Abwägen von Kosten/Leichtgewicht über alle verschiedenen miteinander verbundenen Fahrzeugsysteme hinweg. Die Automobilhersteller müssen frühzeitig Vertrauen in die Festigkeit dieser neuen Multimaterialien haben, aber auch die Haltbarkeit des Fahrgestells gewährleisten und Ausfälle während der Nutzungsdauer verhindern. Leichtbau wirkt sich auch auf Bereiche wie Geräuschentwicklung, Vibration und Rauigkeit (NVH), Fahrverhalten und Handling und sogar auf die Zertifizierung von Fahrzeug-Crashtests aus. Darüber hinaus wirkt sich das Aufkommen von Hochleistungsbatterien und fortschrittlichen Fahrerassistenzsystemen (ADAS) auf die Fahrbarkeit und das Fahrverhalten des Fahrzeugs und die Leistung des Antriebsstrangs aus. Simulation und Analyse müssen diese Realität widerspiegeln und es den Konstrukteuren ermöglichen, die Folgen ihrer Konstruktionsentscheidungen für mehrere Systeme klar zu visualisieren.

3. Kurz und bündig: Um die wachsende Komplexität der Verbraucheranforderungen an elektromechanische Produkte effizient zu bewältigen, reicht es nicht mehr aus, "es richtig zu machen", sondern die Industrie muss in der Lage sein, schneller genauere Entscheidungen zu treffen - durch Zusammenarbeit. Hybride KI und prädiktive, immersive Echtzeitsimulationen bewirken hier große Veränderungen in Richtung Digitalisierung des Testens mit virtuellen Prototypen und erleichtern einen Concurrent-Engineering-Ansatz, wodurch sich der Testaufwand in den Produktentwicklungszyklus verlagert.