Computergestütztes Engineering (CAE) verwendet physikbasierte Software, um zu analysieren, zu validieren und zu optimieren, wie ein Bauteil oder System unter realen Bedingungen – strukturellen Belastungen, thermischen Effekten, Luftströmung, Vibrationen – funktionieren wird, bevor es physisch gebaut wird.

DEP bietet dies für die Luft- und Raumfahrt sowie die Verteidigungsindustrie durch spezialisierte Simulationsdienste an, die Struktur- und Blechumformsimulationen, CFD-/Thermo-/Strömungssimulationen, aerodynamische Auslegung und Analyse sowie Akustik- und Schwingungsanalysen umfassen. Hinzu kommen Konstruktions- und Ingenieurdienstleistungen wie CAD-Unterstützung, Gewichtsreduzierung und Fertigungstechnik. Der entscheidende Faktor für Programme in der Luft- und Raumfahrt sowie der Verteidigungsindustrie ist, dass diese Disziplinen selten isoliert voneinander arbeiten: Eine Änderung des Strukturgewichts verschiebt den Schwerpunkt und die Flattertoleranz, eine thermische Belastung verändert die zulässigen Materialeigenschaften im Spannungsfall, und ein Zielwert für die Ermüdungslebensdauer schränkt die Möglichkeiten des Aerodynamikers hinsichtlich des Vorderkantenradius ein – genau deshalb ist die in Frage 6 und 12 beschriebene Integration auf Plattformebene genauso wichtig wie jeder einzelne Solver.

Die Vorverarbeitung ist die Phase, in der eine CAD-Geometrie für die Simulation vorbereitet wird – die Geometrie wird bereinigt, in ein Netz aus finiten Elementen unterteilt und Materialeigenschaften sowie Randbedingungen werden zugewiesen – bevor ein Solver ausgeführt werden kann.

Bei komplexen Luft- und Raumfahrtbaugruppen (Flugzeugzellenstrukturen, Triebwerksgehäuse, Kabinenstrukturen) bestimmt die Qualität der Vorverarbeitung direkt die Simulationsgenauigkeit. Daher behandelt die MeshWorks-Plattform von DEP Vernetzung und Modellierung als zentrale, dedizierte Module und nicht als nachträgliche Ergänzung des Solvers. Konkret bedeutet dies, dass Oberflächen- und Volumenvernetzung, die automatische Extraktion der Mittelfläche dünnwandiger Flugzeugstrukturpaneele sowie die automatische Bereinigung und Überprüfung der Netzqualität als zusammenhängende Sequenz und nicht als separate manuelle Schritte erfolgen. Die darüber liegende Modellierungsebene übernimmt die intelligente Montage, die Erstellung von Verbindungen und die Material-/Lastzuweisung für vollständige Flugzeugzellen- oder Triebwerksmodelle – dieselbe Komplexitätsklasse, die auch für Modelle von Fahrzeugen und Schiffen in anderen Branchen verwendet wird.

Morphing formt ein bestehendes Finite-Elemente- oder CFD-Modell so um, dass es einer neuen Zielgeometrie entspricht – beispielsweise einer Designänderung oder einem Materialaustausch –, ohne das Netz von Grund auf neu zu erstellen. Da die Netztopologie und -konnektivität bei der Formänderung erhalten bleiben, bleiben Elementqualität, Randbedingungen und Lastdefinitionen beim Morphing während der Neugestaltung intakt – das Netz muss nicht jedes Mal von Grund auf neu validiert werden, was die Iterationszeit verkürzt.

DEP wandte dies direkt in einer dokumentierten Erfolgsgeschichte an, indem Aluminium-Schottwände durch Verbundwerkstoff-Schottwände ersetzt wurden. Dadurch konnte eine Gewichtsersparnis von 28 % bei gleichzeitiger Leistungssteigerung erzielt werden – ein konkretes Beispiel für die durch Morphing gesteuerte Designiteration an einem realen Strukturbauteil der Luft- und Raumfahrt, ermöglicht durch die funktionsbasierte Morphing-Funktion von MeshWorks. MeshWorks unterstützt Morphing generell auf Komponenten-, Gesamtmodell- und CAD-Ebene. Es ist CAD-unabhängig und funktioniert daher in verschiedenen CAD-Umgebungen ohne Konvertierungsfehler. Es ist dokumentiert, dass die Iterationszeit im Vergleich zum Neuerstellen eines Modells um bis zu 80 % reduziert wird. Dies ist der Grund, warum über 250 Designvarianten aus einem einzigen Basismodell generiert werden können, ohne dass eine Rückkehr zum CAD-System erforderlich ist, wie in Frage 7 beschrieben.

Die CAE-Parametrisierung wandelt ein festes Finite-Elemente- oder CFD-Modell in ein flexibles, anpassbares Modell um, bei dem Geometrie-, Querschnitts-, Verbindungs- und Topologieparameter automatisch geändert und neu bewertet werden können, anstatt das Modell für jede Designvariante neu aufzubauen.

MeshWorks unterstützt dies in den Bereichen Crash-, NVH- und Dauerfestigkeitsanalysen und ermöglicht es Luft- und Raumfahrtingenieuren, Struktur- und Gewichtsvergleichsstudien durchzuführen – darunter auch die von DEP dokumentierte Gewichtsoptimierung eines Flugzeugstabilisators mittels parametrischer Modellierung –, ohne jede Konfiguration von Grund auf neu erstellen zu müssen. Die Umwandlung eines standardmäßigen, einmaligen CAE-Modells in ein parametrisches Modell erfolgt in MeshWorks mit nur einem Klick. Der resultierende Parametersatz lässt sich direkt in Versuchsplanungs- (DOE) und MDO-Workflows (Q6) integrieren. Dadurch wird aus einem einzelnen Stabilisatormodell ein strukturierter, flexibler Designraum anstelle einer Reihe unzusammenhängender Punktstudien.

Die Modellreduktion verdichtet ein detailliertes Finite-Elemente-Modell zu einer leichtgewichtigen, hochpräzisen parametrischen Darstellung – beispielsweise durch Umwandlung einer komplexen 3D-Strukturbaugruppe in ein äquivalentes 1D-Balkenmodell, ohne die Vorhersagegenauigkeit zu beeinträchtigen.

In MeshWorks reduziert ROM die Berechnungszeit um bis zu 50 %, was insbesondere für Luft- und Raumfahrtprogramme relevant ist, die wiederholt Crash-, Dauerfestigkeits- oder Strukturlastfälle in großen Konstruktionsräumen simulieren. Die Rolle von ROM geht jedoch über die Beschleunigung einzelner Modelle hinaus: Wenn Parametrisierung und Morphing (Q3–Q4) eine große Anzahl von Konstruktionsvarianten erzeugen, verarbeitet ROM diese so schnell, dass die Berechnungszeit von Tagen auf Stunden verkürzt wird. Dadurch werden die Varianten als KI-Trainingsdaten nutzbar und können direkt in die AIWorks-Pipeline (siehe Teil 2) eingespeist werden.

MDO bewertet und optimiert ein Design gleichzeitig über mehrere technische Bereiche hinweg – beispielsweise die strukturelle, thermische und akustische Leistung – anstatt jeden Bereich isoliert zu optimieren und Konflikte anschließend zu lösen.

Das MDO-Modul von MeshWorks teilt Parameter aus den Bereichen Crash, NVH, CFD und Dauerfestigkeit und integriert reduzierte Modelle mit Daten aus der Versuchsplanung (DOE). Es nutzt Gitter- und Topologieoptimierung sowie die Festlegung multikriterieller Zielvorgaben, sodass Luft- und Raumfahrtprogramme Gewichts- und Kostenziele erreichen und gleichzeitig die Anforderungen an Struktur-, Wärme- und Akustikleistung erfüllen können. Die simultane – statt sequentielle – Ausführung dieser Bereiche deckt Kompromisse auf, bevor es zu einer späten Überarbeitung kommt. Wie in Teil 2 erläutert, basiert diese multidisziplinäre Struktur auch auf dem AIWorks Optimize-Modul von DEP, das zusätzlich KI-gestützte und Solver-basierte Lösungen kombiniert.

KI in CAE wendet maschinelles Lernen auf bestimmte Schritte des Simulationsworkflows an – die Generierung von Trainingsdaten, das Trainieren von Vorhersagemodellen und die Durchführung KI-gestützter Optimierung –, um den manuellen Aufwand und die Solverzeit, die diese Schritte traditionell erfordern, zu reduzieren, ohne die zugrunde liegenden physikalisch basierten Methoden zu ersetzen, die in Teil 1 beschrieben wurden.

AIWorks ist als vollständiger KI-Lebenszyklus konzipiert und nicht nur als Einzelwerkzeug: Es umfasst die Datengenerierung für das KI-Training, den Modellaufbau und die Validierung, den Einsatz als schnelle Lösungsalgorithmen sowie die Designoptimierung mithilfe dieser trainierten Modelle – alles auf einer einzigen Plattform. DEP positioniert AIWorks als Einsatzlösung in aktiven Entwicklungsprojekten – darunter Luft- und Raumfahrtprogramme und Tier-1-Zulieferer – und nicht als Evaluierungsprojekt oder Forschungsprototyp. Es bietet eine zehnfache Simulationsgeschwindigkeit bei einem KI-Vorhersagefehler von unter 3 % für die Berechnung von Luftwiderstand und Körpersteifigkeit. Die Validierung erfolgte in verschiedenen Programmen, darunter Automobilhersteller, Luft- und Raumfahrt, Bahntechnik, Energiewirtschaft, Elektronik und Schwermaschinenbau. Da die AIWorks-Benchmark-Werte (Geschwindigkeitsmultiplikator, Fehlerraten) für alle Branchen von DEP und nicht nur für die Luft- und Raumfahrt validiert wurden, sollten Luft- und Raumfahrt- sowie Verteidigungsprogramme diese Werte als repräsentativ für das demonstrierte Leistungspotenzial der Technologie betrachten. Die programmspezifische Genauigkeit hängt vom Lastfall und der Geometrieklasse ab.

Physikbasierte neuronale Netze integrieren die Gesetze der Ingenieurphysik – Finite-Elemente-Gleichungen, Navier-Stokes-Gleichungen und LES (Large Eddy Simulation) – direkt in den Trainingsverlust des Netzes, anstatt sich allein auf statistische Kurvenanpassung zu verlassen. Dies ist wichtig, da Standard-ML-Verfahren blind extrapolieren können, sobald ein neues Design außerhalb der Trainingsverteilung liegt – ein stiller Fehler im Ingenieurwesen. Die Berücksichtigung der physikalischen Gleichungen während des Trainings ermöglicht es dem Netz hingegen, glaubwürdig auf tatsächlich neue Geometrien zu extrapolieren.

Die AIWorks-Implementierung von DEP geht noch einen Schritt weiter und verwendet separate PINN-Architekturen, die auf schwach, mittel und stark nichtlineare Problemklassen abgestimmt sind. Ein Crash- oder Aufprallfall wird physikalisch grundlegend anders formuliert als eine lineare Frequenzanalyse, da die zugrundeliegende Mathematik unterschiedlich ist. Jedes trainierte Modell ist mit einem Äquivalenz-Scorer verknüpft – einem automatisch generierten Konfidenzbewertungsmechanismus, der zusammen mit den prädiktiven und generativen Modellen pro Lastfall erstellt wird. Dieser Scorer erkennt, wenn ein Design den zuverlässigen Vorhersagebereich des KI-Modells verlässt, und leitet den Fall automatisch an den Physik-Solver zurück, anstatt ein unzuverlässiges KI-Ergebnis zu akzeptieren. Die validierten Genauigkeits-Benchmarks von DEP, die anhand realer Produktionsläufe und nicht anhand kuratierter Benchmark-Datensätze überprüft wurden, zeigen einen Fehler von unter 3 % bei den Vorhersagen von Aerodynamik-/Widerstandsbeiwerten und Karosseriesteifigkeiten, einen R²-Wert von über 95 % bei der Crash-/Aufprallvorhersage für stark nichtlineare Seitenaufpralllastpfade und einen Fehler von unter 5 % bei der NVH-/Frequenzvorhersage über verschiedene Strukturkonfigurationen hinweg.

Aufbauend auf den Grundlagen der Vernetzung und Parametrisierung aus Teil 1 erkennt und parametrisiert die Features-AI-Funktion von AIWorks automatisch Geometriemerkmale direkt im Finite-Elemente-Modell – darunter Rippen, Ansätze, Kehlnähte, Punktschweißungen, MIG-Schweißungen, Bohrungen und Flansche – über verschiedene Baugruppen hinweg. Sie unterstützt diverse Fertigungsverfahren wie Gießen, Stanzen, Spritzgießen und Schweißkonstruktionen. Die erkannten Merkmale werden in intelligente parametrische Griffe umgewandelt. Dies ermöglicht die schnelle Erstellung neuer Designs und die KI-gestützte Konzeptgenerierung, ohne dass Ingenieure für jede Iteration zum CAD-System zurückkehren müssen. Derselbe Schritt der Merkmalserkennung ist auch die Grundlage für die Erstellung der umfangreichen Trainingsdaten, die den in Frage 8 beschriebenen PINN-Modellen zugeführt werden.

Die GEOM-AI-Funktion von AIWorks erstellt digitale Zwillinge direkt aus Fertigungsscandaten. Mithilfe KI-gestützter Netzmorphing-Verfahren und eines patentierten, voxelbasierten Prozesses werden gescannte Geometrie, Dicke und Ergebnisfelder in einen einheitlichen statistischen Raum abgebildet. Dies erweitert die Morphing-Grundlagen aus Teil 1, indem die Geometrie des gescannten Bauteils automatisch mit dem nominalen CAD- oder Netzmodell ausgerichtet und Fertigungsabweichungen korrigiert werden. Geometrie, Dickenvariationen, Vorspannungen und Verzerrungen des gefertigten Bauteils werden auf das nominale FE-Modell übertragen. So wird physische Hardware für die Luft- und Raumfahrt/Verteidigung ohne manuelle Nachbearbeitung in ein simulationsfähiges Modell umgewandelt. GEOM-AI unterstützt auch die umgekehrte Richtung: Die Modifizierung einer CAD-Form durch Morphing liefert innerhalb von Sekunden eine KI-gestützte Leistungsprognose – ohne Neuvernetzung und ohne Solver-Warteschlange. Zusätzlich werden automatisch Submodelle für lokale Designiterationen generiert und generative Topologien auf Netzebene erstellt, um neue Bauteilkonzepte zu erkunden, ohne zu CAD zurückkehren zu müssen.

Agentic-AI nutzt autonome Agenten zur Orchestrierung mehrstufiger CAE-Workflows – von der Warteschlangenverwaltung für Solver über die Konvergenzüberwachung und die Durchführung von Optimierungsschleifen bis hin zur Synchronisierung von Variablen über verschiedene Disziplinen hinweg und der automatischen Generierung von 3D-basierten Berichten – ohne dass eine ständige Überwachung durch einen Ingenieur erforderlich ist. In AIWorks beschreibt ein Ingenieur eine Aufgabe in natürlicher Sprache, ein Planungsagent erstellt einen strukturierten Aufgabenplan, und CAD-, Vernetzungs-, Solver- und Nachbearbeitungsagenten führen diesen aus. Dabei wird jede Aufgabe intelligent zwischen Physik-Solvern und trainierten KI-Surrogatmodellen aufgeteilt, basierend auf den Laufzeitanforderungen und dem Äquivalenzwert (Q8) jedes Modells. Dies ermöglicht Funktionen wie autonome Optimierungsschleifen über Nacht für Crash-, NVH-, Steifigkeits- und CFD-Berechnungen gleichzeitig. Die Orchestrierung der in Teil 1 beschriebenen MDO- und ROM-Workflows wird automatisiert, anstatt sie zu ersetzen. Der Ingenieur behält die Kontrolle, während der Agent als Co-Pilot und nicht als vollständig autonomer Entscheidungsträger agiert.

MeshWorks bietet die Kernfunktionen der CAE-Entwicklung – Vernetzung, Morphing, Parametrisierung, ROM und MDO –, auf die sich Luft- und Raumfahrtprogramme sowie die Verteidigungsindustrie für die Validierung von Struktur-, CFD- und Dauerfestigkeitsberechnungen verlassen haben. Dazu gehören DEPs dokumentierte Umrüstung von Schottwänden auf Verbundwerkstoffe, die Gewichtsoptimierung von Flugzeugstabilisatoren und die Untersuchung des Drehmoments von Verschlussmechanismen und Motoren. AIWorks baut auf dieser Grundlage als KI-Schicht auf: Parametrische Änderungen, Morphing und Konzeptmodellierung erzeugen eine große Anzahl von Geometrie- und Dickenvarianten auf Netzebene ohne CAD-Nachbearbeitung. ROM verarbeitet diese Varianten schnell genug, um einen nutzbaren Trainingsdatensatz zu erstellen. Die patentierte Voxelisierungs-Engine kartiert den resultierenden Designraum statistisch, und das PINN-Training erzeugt anschließend für jeden Lastfall ein passendes Vorhersagemodell, ein generatives Modell und einen Äquivalenz-Scorer – dieselbe Pipeline, die in anderen Branchen bereits über 250 Strukturvarianten aus einem einzigen Basismodell generiert hat. DEP nennt insbesondere für die Luft- und Raumfahrt sowie die Verteidigungsindustrie Strukturanalysen, CFD-Simulationen, Ermüdungsanalysen, Flugbahn-ROM-Berechnungen und die Optimierung von Verbundwerkstoffen als Anwendungsbereiche von AIWorks und verweist auf Proof-of-Concept-Projekte, die innerhalb von sechs Wochen abgeschlossen werden konnten, sobald ein Programm seinen bestehenden Solver angebunden hatte. DEP hält außerdem ein US-Patent für seine CAD-Morphing-Technologie, die die Grundlage für die Morphing-Funktion beider Plattformen bildet.