DEP AIWorks

Aerodynamik/Widerstand

Crash/Seitenaufprall

NVH-optimierte Karosserie

Weltweit abgeschlossen

Alle Genauigkeitsangaben wurden anhand realer Kundensimulationsdaten validiert – nicht anhand von Benchmark-Datensätzen. Die Äquivalenzbewertung liefert die Gewissheit über die Vorhersagegenauigkeit, bevor KI-Ergebnisse in Designentscheidungen einfließen.

Physikbasierte neuronale Netze (PINN) ersetzen aufwändige Solver-Läufe. Sie werden für jeden Lastfall mit physikalischen Gleichungen – Navier-Stokes, Finite-Elemente-Gleichungen und LES – trainiert, die direkt in die Trainingsverlustfunktion eingebettet sind. PINN sagen Skalare, Zeitverlaufskurven und vollständige 3D-Feldkonturen voraus. Sie erzielen einen Vorhersagefehler von unter 3 % bei aerodynamischem Widerstand und Karosseriesteifigkeit sowie einen R²-Wert von über 95 % bei hochgradig nichtlinearen Crash-Reaktionen. Ein Äquivalenzwert validiert die Zuverlässigkeit des KI-Modells, bevor eine Vorhersage in eine Konstruktionsentscheidung einfließt.

Maschinelle Intelligenz zur Geometrieerkennung in komplexen Baugruppen – automatische Identifizierung von Rippen, Ansätzen, Kehlnähten, Punktschweißungen, MIG-Schweißungen, Bohrungen und Flanschen direkt in Finite-Elemente-Modellen. Umwandlung der erkannten Merkmale in intelligente parametrische Griffe, was die schnelle Erstellung neuer Designs und KI-gestützte Konzeptgenerierung ohne erneute CAD-Arbeit ermöglicht. Generierung umfangreicher Trainingsdaten für nachgelagerte KI-Workflows. Unterstützt Guss-, Stanz-, Spritzguss- und Schweißbaugruppengeometrien.

KI-gestützte generative Geometrie trifft auf sofortige Vorhersage. Modifizieren Sie eine CAD-Form per Morphing – ändern Sie beispielsweise den Spoilerwinkel, die Dachkrümmung oder das Profil eines Paneels – und erhalten Sie umgehend eine KI-basierte Leistungsprognose, ohne Neuvernetzung und ohne Wartezeiten für den Solver. Ergebnisse in Sekundenschnelle. Die Software umfasst die automatische Submodellgenerierung für lokale Designiterationen, die Erstellung generativer Topologien auf Netzebene (neue Teile ohne Rückkehr zum CAD-System) und die Erstellung digitaler Zwillinge durch die Abbildung von Fertigungsscandaten – einschließlich Geometrie, Dickenabweichung, Vorspannung und Verformung – auf nominale FE-Modelle für eine realitätsgetreue Simulation.

Autonome Simulationsagenten orchestrieren vollständige, mehrstufige CAE-Workflows ohne ständige Überwachung durch Ingenieure. Agentic AI verteilt Aufgaben intelligent zwischen Physik-Solvern und KI-Surrogatmodellen basierend auf Laufzeitanforderungen und der Verfügbarkeit trainierter KI-Modelle. Zu den Funktionen gehören die Orchestrierung mehrerer Solver, autonome Optimierungsschleifen über Nacht, die Synchronisierung von Variablen verschiedener Disziplinen für Crash-, NVH-, Steifigkeits- und CFD-Simulationen sowie die automatische Generierung von 3D-basierten Berichten nach Abschluss des Workflows. Der Ingenieur behält die Kontrolle, Agentic AI fungiert als Co-Pilot.

Alle Werte wurden anhand von Produktionsläufen des Solvers bewertet – nicht anhand kuratierter Datensätze.

Mehrere Karosseriekonfigurationen. Außenströmung des gesamten Fahrzeugs

Vorhersagegenauigkeit im Vergleich zur Solver-Baseline

BIW-Lastfälle. Mehrere Fahrzeugarchitekturen (über 90 Varianten)

Vorhersagegenauigkeit im Vergleich zur Solver-Baseline

Zeitlicher Verlauf der Beschleunigung der B-Säule. Mehrere Lastpfade

Korrelationskoeffizient im Vergleich zum vollständigen Solverlauf

Mehrere Radstände, Dachkonfigurationen. Geschmälerte Karosserie

Frequenzvorhersage vs. Solver-Baseline

Generieren Sie Hunderte von simulationsfertigen Varianten aus einer einzigen Basislinie – ohne zu CAD zurückkehren zu müssen

• Parametrische FE-Änderungen, Morphing und Konzeptmodellierung erzeugen vielfältige Geometrie-, Dicken- und Materialvarianten auf Netzebene.

• ROM verarbeitet die Variantenpopulation schnell – wodurch die Lösungszeit von Tagen auf Stunden verkürzt wird – und speist so einen umfangreichen KI-Trainingsdatensatz.

• Jedes KI-Modell ist nur so gut wie seine Trainingsdaten – die meisten Organisationen verfügen nicht über genügend davon.

• Andere Plattformen setzen voraus, dass die Datenpipeline bereits gelöst ist. AIWorks entwickelt sie.

  
  
  

Mehr als 250 Crashmodelle aus 1 Basisfahrzeug – keine CAD-Nachbearbeitung erforderlich.

Geometrie, Dicke und Ergebnisse über Hunderte von Modellen hinweg statistisch abbilden – bevor das Training beginnt

• Die patentierte Voxelation scannt robotisch alle Varianten und ordnet sie in einem gemeinsamen 3D-Raum an – Geometrie, Dicke, Material und Ergebnisdaten werden statistisch erfasst.

• Oberflächen ermöglichen die Erfassung von Ursache-Wirkungs-Zusammenhängen über die gesamte Population hinweg – Eingaben und Ausgaben – ohne einzelne Dateien in den Speicher zu laden.

• Das Laden von 100 Solver-Modellen auf herkömmliche Weise ist unmöglich

• Die Qualität des KI-Modells wird hier bestimmt – noch bevor eine einzige Trainingsepoche ausgeführt wird.

  
  
  

Die einzige Plattform mit einer statistischen Designraumanalyse-Engine als nativem Vortrainingsschritt.

Physik, die in den Trainingsverlust eingebettet ist – FE-Gleichungen, Navier-Stokes, LES – und nicht nachträglich hinzugefügt wurde

• Für jede Problemklasse werden separate neuronale Netzwerkarchitekturen entwickelt – schwach, mittel und stark nichtlinear – jeweils mit passenden physikalischen Gleichungen in der Verlustfunktion.

• Adaptiv pro Lastfall. Äquivalenzbewertung wird während des Trainings kalibriert, um die Konfidenzgrenze des Modells vor der Bereitstellung festzulegen.

• Standardmäßiges maschinelles Lernen extrapoliert blind über die Trainingsdaten hinaus – ein stillschweigendes Versagen in der Ingenieursimulation.

• Die physikalischen Eigenschaften der Verluste zwingen das Netzwerk, die grundlegenden Gleichungen zu beachten, wodurch eine genaue Extrapolation auf neue Geometrien ermöglicht wird.

Drei Problemklassenarchitekturen – schwach, mäßig, stark nichtlinear – jede physikalisch abgestimmt.

Drei Modelle pro Lastfall – ein prädiktives, ein generatives und ein Konfidenzbewertungsmodell – aus einem einzigen Trainingslauf

• Prädiktive KI ersetzt den Solver. Generative KI funktioniert wie ein Topologieoptimierer. Der Äquivalenz-Scorer bewertet die Vorhersagesicherheit vor der Anwendung.

• Alle drei Ergebnisse werden automatisch pro Lastfall generiert – ein hoher Wert bedeutet, dass darauf reagiert wird, ein niedriger Wert kennzeichnet das Ergebnis und ruft den Solver auf.

• Die Vorhersage sagt Ihnen, was. Die generative Methode sagt Ihnen, wie. Die Bewertungsfunktion sagt Ihnen, ob Sie den Ergebnissen vertrauen können – alle drei sind notwendig, um sicher auf Basis von KI-Ergebnissen handeln zu können.

• Ohne den Scorer gibt es kein Signal, wenn ein Design den zuverlässigen Vorhersagebereich verlassen hat.

Der Äquivalenz-Scorer – der Vertrauensmechanismus, den keine konkurrierende Plattform bietet – sagt den Ingenieuren genau, wann sie sich auf KI verlassen und wann sie den Solver aufrufen sollen.

Spannung, Frequenz, Widerstand, Verschiebung – Skalare, Kurven und vollständige 3D-Felder – in Sekunden, nicht in Tagen

• Prognostiziert skalare, vektorielle und vollständige 3D-Feldantworten – Spannung, Druck, Frequenz, Verschiebung – für jedes neue Design ohne Solver-Lauf.

• Die Äquivalenzbewertung wird pro Vorhersage durchgeführt – je nach Konfidenzniveau wird automatisch ein KI-Surrogat oder ein Physik-Solver aufgerufen.

• Durch KI-Vorhersagen wird die Solver-Warteschlange als Designengpass beseitigt.

• Der Rechenaufwand wurde um Größenordnungen reduziert – ohne Einbußen bei der technischen Genauigkeit.

Fehler im Luftwiderstand unter 1 %. Vollständiges 3D-Druckfeld, nicht nur skalare CD-Werte. Bestimmtheitsmaß (R²) von über 95 % im Zeitverlauf des Crashmodell-Solvers. Hochgradig nichtlinearer Seitenaufprall.

MDO-Analyse von Crash, Steifigkeit, NVH, CHT und CFD gleichzeitig – KI- oder Physik-Solver, automatisch ausgewählt

• Parametrische Variablen, die direkt mit dem MDO-Regelkreis verknüpft sind – Crash, Steifigkeit, NVH, CHT und CFD werden gleichzeitig in einem Durchlauf gesteuert.

• Agentic AI führt über Nacht Schleifen aus – überwacht den Prozess, wechselt je nach Antwort zwischen KI und Solver und meldet automatisch den Abschluss.

• Sequenzielle Optimierung in einer einzelnen Disziplin übersieht Kompromisse – das beste Crash-Design ist selten das beste NVH-Design.

• Die simultane MDO mit automatischem Wechsel zwischen KI und Solver macht die multidisziplinäre Optimierung im technischen Maßstab erst möglich.

Integriertes MDO – Crash · NVH · CFD · Steifigkeit · CHT in einem Kreislauf, innerhalb von AIWorks.

Jedes KI-Surrogatmodell – unabhängig von der Trainingsplattform – ist nur so gut wie die zugrundeliegenden Daten. Die meisten Ingenieurbüros, selbst große OEMs, verfügen nicht über Hunderte von annotierten Simulationsvarianten, die für das KI-Training für jeden Lastfall organisiert und bereit sind. AIWorks löst dieses Problem direkt an der Quelle. Mit den parametrischen CAE-, Morphing-, Konzeptmodellierungs- und Reduced-Order-Modelling-Funktionen (ROM) von DEP – integriert in die MeshWorks-Plattform – können Sie Hunderte von simulationsbereiten Varianten aus einem einzigen Basismodell generieren, ohne zu CAD zurückkehren zu müssen. Die ROM-Engine führt diese Varianten anschließend schnell aus und komprimiert so die Solver-Zeit von Tagen auf Stunden. Die patentierte Voxelations-Engine analysiert die resultierende Designpopulation statistisch, bevor das KI-Training beginnt. Datengenerierung → statistische Analyse → KI-Training → Bereitstellung. Alles auf einer Plattform.

Einzelne FE/CFD

Parametrisches + Morphing

Keine CAD-Nachbearbeitung

Pro Lastfall

Spezialisten für Struktur-, Crash-, Dauerfestigkeits- und Ermüdungsanalysen können mehrtägige Berechnungsläufe durch KI-Vorhersagen im Subminutenbereich für mehrere Lastfälle gleichzeitig ersetzen.

Ingenieure für Aerodynamik, Zylinderkopftemperatur und Kabinenkomfort können den Luftwiderstand in 2 Minuten berechnen, im Gegensatz zu den 3 Wochen Wartezeit für CFD-Simulationen. 3D-Druckfeldberechnungen werden bedarfsgerecht für neue Designgeometrien erstellt.

Führungskräfte im Ingenieurwesen können KI-fähige CAE-Organisationen aufbauen – von der Datenstrategie und Modellsteuerung bis hin zur skalierbaren Bereitstellung agentenbasierter Workflows über mehrere Produktlinien hinweg.

Produktdesigner können GEOM AI nutzen, um Geometrien zu verändern und die Leistung in Echtzeit neu vorherzusagen – wodurch der Kreislauf zwischen Styling und Simulation am selben Tag geschlossen wird.

Optimierung der Körperfrequenzen, Verbesserung der akustischen Leistung durch KI-gestützte Vorhersage der Eigenfrequenzen mit einem Fehler von unter 5 % über alle Radstände und Dachkonfigurationen hinweg.

Data Scientists, die ML auf physikalische Simulationsdaten anwenden, können die vortrainierten PINN-Architekturen von DEP nutzen, die speziell für schwach, mittel und stark nichtlineare Ingenieurprobleme optimiert sind.