Anbieter zum Thema

CADFEM Germany GmbH

Comsol Multiphysics GmbH

Visual Components GmbH

Dassault Systèmes Deutschland GmbH

Fraunhofer-Institut für Algorithmen und Wissenschaft- liches Rechnen SCAI

mehr weniger

VDMA e.V.

Inneo Solutions GmbH

SYNOPSYS GmbH

aPriori Deutschland

weniger

Statements von Dassault Systèmes und Fraunhofer SCAI

Christian Barthel, Dassault Systèmes

1. Drei Trends prägen die Simulation in der Produktentwicklung besonders deutlich. Erstens rückt Simulation konsequent an den Anfang des Entwicklungsprozesses (‚Shift Left‘), um Entscheidungen frühzeitig abzusichern und Entwicklungszeiten messbar zu verkürzen. Zweitens entwickelt sich Simulation von einem isolierten Expertenwerkzeug hin zu einem integralen Bestandteil digitaler Entwicklungsplattformen – bis hin zu virtuellen Zwillingen, die Produkt, Prozess und Betrieb über den gesamten Lebenszyklus verbinden. Und drittens sorgen Cloud-Technologien, skalierbare Rechenleistung und eine enge Kopplung an das Engineering-Umfeld dafür, dass Simulation breiter nutzbar wird. In Kombination mit Multiphysik-Ansätzen und Nachhaltigkeitsbewertungen entsteht so eine deutlich höhere Entscheidungssicherheit im Engineering.

2. Die größten Herausforderungen liegen weniger in der Leistungsfähigkeit der Simulation selbst, sondern in ihrer praktischen Nutzung: hohe Komplexität, Fachkräftemangel sowie Brüche zwischen Simulation, Design und IT-Prozessen. Zusätzlich stellen Rechenaufwand und Skalierbarkeit viele Unternehmen vor organisatorische und wirtschaftliche Fragen. Diese Hürden lassen sich überwinden, indem Simulation stärker in durchgängige Plattformen integriert wird, Prozesse automatisiert werden und Anwender Simulation dort nutzen können, wo Entscheidungen entstehen – direkt im Entwicklungskontext. Cloud-basierte Architekturen, einheitliche Datenmodelle und gezielte Enablement-Konzepte machen Simulation damit effizienter, zugänglicher und wirtschaftlich nutzbar.

3. Künstliche Intelligenz und Machine Learning sind heute vor allem Enabler für Geschwindigkeit und Skalierung in der Simulation. Sie helfen dabei, Simulationsprozesse zu automatisieren, Variantenräume gezielt zu reduzieren und aus bestehenden Simulations- und Versuchsdaten schneller belastbare Aussagen abzuleiten. Der größte Nutzen für Anwender liegt darin, früher bessere Entscheidungen treffen zu können: Entwickler können mehr Optionen bewerten, ohne proportional mehr Aufwand zu erzeugen, und Simulation wird zunehmend auch für Nicht-Spezialisten nutzbar. In Plattformansätzen wie 3DExperience entstehen daraus lernende Engineering-Prozesse, die sich kontinuierlich verbessern.

Die Simulation entwickelt sich von einem isolierten Expertenwerkzeug hin zu einem integralen Bestandteil digitaler Entwicklungsplattformen.

Christian Barthel

Digital Engineering Talk

KI im Engineering: Entwicklungsingenieurin trifft KI-Experten

Jochen Garcke, Fraunhofer SCAI

1. Die Haupttrends sind meiner Meinung nach die Vereinfachung des Einsatzes von Simulation und die Nutzung von gröberen Vorhersagen deutlich früher im Entwicklungsprozess auf Basis von datengetriebenen Surrogat-Modellen. Viele technische Entwicklungen in Bereichen wie Simulationsdatenmanagement zur einfacheren Verwaltung, reduzierte Modelle zur schnellen Vorhersage, Nutzung von KI/ML zur vereinfachten Analyse leiten sich daraus ab.

2. Das Aufsetzen, die Durchführung und die Auswertung von Simulationen ist oft komplex, wissens- und zeitintensiv. Durch die Semi-Automatisierung von Schritten im Arbeitsfluss lässt sich der Aufwand zumindest für Routineaufgaben reduzieren.Dabei sind das konsistente und versionierte Management von Simulationsdaten wichtig. Die dadurch erreichte Erhaltung von Simulationswissen im Unternehmen ermöglicht das Wiederfinden von Informationen, was Routineaufgaben vereinfacht und die Nutzung von künstlicher Intelligenz erst ermöglicht.

3. ML-Verfahren erlauben eine Analyse von komplexen Simulationsdaten, welche deutlich über einfache KPIs hinausgeht. Beispielsweise kann heutzutage die Datenanalyse von verschiedenen simulierten Verformungen von Bauteilvarianten auf einer Detailebene geschehen, welche die lokalen physikalischen Eigenschaften widerspiegelt. Dies erlaubt einen Vergleich von Simulationsdaten aus ingenieurtechnischer Perspektive, was als ein Baustein in die Ursache-Wirkungs-Analyse eingeht.

ML-Verfahren erlauben eine Analyse von komplexen Simulationsdaten, die deutlich über einfache KPIs hinausgeht.

Jochen Garcke