Artificial Intelligence und Machine Learning in der CAE-basierten Simulation

Fluch oder Segen für Ingenieure und die Gesellschaft?

23. - 24. Oktober 2023, München

Konferenz-Proceedings

Präsentationen von der Konferenz

Bitte greifen Sie auf diese Auswahl an Präsentationen von unserer kürzlich stattgefundenen Konferenz zu, die wir die Erlaubnis erhalten haben, mit Ihnen zu teilen.

Die Fachbegriffe Artificial Intelligence (AI, künstliche oder artifizielle Intelligenz) und Machine Learning (ML, maschinelles Lernen) sind heute in allen Gesellschaftsbereichen ein aktuelles Thema das intensiv diskutiert wird. Aber nicht nur seit ChatGPT sind diese Methoden Werkzeuge der Ingenieurswissenschaften. AI ist ca. 1955 im Bereich der Informatik entstanden, wenn nicht gar schon 1748 zu Zeiten der Aufklärung und des Materialismus durch La Mettrie. ML ist eine Teildisziplin von AI.

Im Bereich der Engineering Analysis mit CAE-Systemen gibt es bereits seit den 1980er Jahren einen starken Trend für die Industrialisierung von AI und ML. Eine Definition des Begriffs die passend für unser Seminar ist, wäre: „Künstliche Intelligenz ist die Eigenschaft eines IT-Systems, »menschenähnliche«, intelligente Verhaltensweisen zu zeigen.“ (Bitkom e. V. und Deutsches Forschungszentrum für künstliche Intelligenz). Mit dieser Definition fallen einem sofort die Optimierung von Strukturbauteilen ein. Mitte der 1980er wurde das Wolf’sche Knochenwachstumsgesetz erfolgreich angewendet, um Strukturbauteile hinsichtlich Festigkeit, Steifigkeit und Gewicht zu optimieren.

ML ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung (Wikipedia). Diese Methodik ist eine wesentliche Komponente für die Erstellung von Digital Twins (digitaler Zwilling), und einer der Megatrends in der Engineering Analysis Community. Digitale Twins werden seit ungefähr 10 Jahren im industriellen Umfeld eingesetzt.

Was wird von AI / ML im Zusammenhang mit CAE erwartet?

Es soll ein System für maschinelles Lernen zur Beschleunigung des Konstruktionsprozesses mit Hilfe von CAE-Simulationen sein. Ein ML-System soll nur ein Bruchteil von Simulationen benötigen, um damit, nachdem das System trainiert ist schnelle Vorhersagefähigkeit zu erreichen.

Vortragsprogramm ▼

23. Oktober 2023

Session 1

12:45
Begrüßung und Einführung
A. Svobodnik (Mvoid); A. Pfaff (PDTech); W. Moretti (me); C. Hühne (DLR); A.R. Oswald (NAFEMS) - Mitglieder des DACH Steering Committees

13:00
Effiziente Datenreduktion in der 3D-CAE-Simulation durch intelligente Methoden
B. Nouri, S. Ali (Siemens Energy Global)

13:25
Gold-Sponsor-Vortrag:
SCALE.sdm as a Powerful Data and Process Platform for ML/AI
H. Müllerschön (Scale)

13:35
Gold-Sponsor-Vortrag:
dAIve: KI-Innovation für Ingenieure! Erlebe die transformative Kraft des Machine Learning im CAE und entdecke wegweisende Lösungen für komplexe Herausforderungen
C. Rohrbach (sustainedBIZZ)

13:45
Gold-Sponsor-Vortrag:
Effizienzsteigerung im Machine Learning im CAE: Schon mit wenigen Variantenrechnungen zu optimalen Resultaten
C. Thieme (Hexagon)

13:55
Intelligent Component Manufacturability Testing in Virtual Product Development
A. Nüßgen, R. Degen, M. Irmer (TH Köln/Uppsala University); F. Richter, M. Ruschitzka (TH Köln); C. Boström (Uppsala University)

14:20
Pause

Session 2

15:00
Zeiteffiziente und datenfreie Bauteil- und Prozesssimulation mithilfe von Physics-Informed Neural Networks
T. Würth, A. Prietze, C. Zimmerling, C. Krauß, L. Kärger (Karlsruher Institut für Technologie (KIT))

15:25
Einsatz von KI und maschinellem Lernen in der Simulation von Infiltrationsverfahren
D. Droste, J. Zhu, (Faserinstitut Bremen); T. Frerich (CTC (An Airbus Company))

15:50
Evaluating Metrics for Information Density and Global Convergence in an Adaptive Training Data Generation Pipeline for Data-Centric AI Applications in Engineering
N. Ballal, T. Soot, M. Dlugosch (Fraunhofer EMI)

16:15
Interaktives 3D Designs und Simulation basierend auf Neuronalen Netzwerken
T. Emmel, V. Oancea (Dassault Systemes)

16:40
Pause

Session 3

17:10
Machine Learning gestutzte Modellbildung für kriechdehnungsbasierte Lebensdaueranalyse einer Ball Grid Array Komponent
M. Tauscher (ZF Friedrichshafen)

17:35
KI gestützte Ergebnisüberprüfung eines automatisierten Simulationsprozesses
T. Streich (Festo)

18:00
Explorativer ML-Ansatz für die CAE-basierte Untersuchung der Fahrzeugsicherheit und deren Optimierung
J. Garcke, R. Iza-Teran, M. Pathare, D. Steffes-lai (Fraunhofer SCAI)

18:25
Case-Based-Reasoning zur Vorhersage von Produkteigenschaften
B. Gerschütz, S. Goetz, S. Wartzack (Universität Erlangen-Nürnberg); M. Hörmann (Cadfem Germany)

18:50
Get together in der Ausstellung

24. Oktober

Session 4

08:15
Surrogat Modelle zur Beschleunigung der Kriechanalyse von 3D-Finite-Analysen von Turbinenschaufeln
J. Abdallah (Siemens Energy Global)

08:40
Surrogate Modeling for Thermal Analysis of a High-Speed Electric Motor using Gaussian Processes
H. Sakellaris, P. Bayrasy (Fraunhofer SCAI)

09:05
Universelles maschinelles Lernsystem zur Vorhersage von Werkstoffeigenschaften
V. Pocajt, D. Trost (Total Materia)

09:30
Enabling Big Data Analysis in SDM Systems: Add-on based Integration of ML Methods
M. Liebscher, F. Leichsenring, M. F. Thiele, (Scale); N. Abdelhady, D. Borsotto (Sidact); D. Kracker (Dr. Ing. h.c. F. Porsche)

09:55
Pause

Session 5

10:30
Beschleunigung von Entscheidungsfindung in Entwicklung und Betrieb
D. Berger, D. Hartmann, J. Hodges, K. Liu, S. Ottaiano (Siemens Industry Software)

10:55
CAE & AI: Ein Überblick und Erfahrungsbericht über die verschiedenen Einsatzmöglichkeiten
A. Kuhn, T. Hinterdorfer, N. Stalanich (Andata)

11:20
Revolutionierung des computergestützten Engineerings: Einsatz von KI zur Effizienzoptimierung von FEM- und CFD-Simulationen, sowie zum innovativen Umgang mit inversen Problemen und Black-Box-Komponenten am Beispiel von Simulationen der Wasserinjektionstechnik im Kunststoffspritzguss
F. Dirisamer (Digital Physics AI)

11:45
Machine Learning to Empower Engineering Organizations: Technology & Applications
P. Baqué, K. Kritikos, T. Von Tschammer (Neural Concept)

12:10
Mittagspause

Session 6

13:00
Automated Design of Evaporators Through Generative AI, a Liquid Nitrogen CPU Cooler Case Study
A. Kramer, S. da Silva Andrade, L. Verveckena (Diabatix)

13:25
ML-basiertes Auslegungstool für Leistungselektronikkühler auf Basis von CFD-Simulationsdaten
S. Spring, A. Sehlinger (Tplus Engineering)

13:50
Ein Data Flywheel für Automotive CFD - Transfer Learning als Brücke zwischen Projekten
M. Bauer (Navasto)

14:15
Automatisierte Approximation von CAE-Signal- und Feldergebnisgrößen mit Methoden des Maschinellen Lernens
T. Most, L. Gräning, S. Wolff (Ansys Germany); K. Cremanns, A. Abdulhkim (PI Probaligence)

14:40
Pause

Session 7

15:10
CAE & AI: Analyse von kausalen Zusammenhängen mittels Wirkkettenanalyse
N. Stalanich, T. Hinterdorfer, D. Lämmerhofer, A. Kuhn (Andata); R. Garcia Gomez, D. Böhmländer (Audi)

15:35
Lebendige FE Superelemente mit Machine Learning
W. Moretti (Moretti Engineering (me)

16:00
WindIO – Prognose des Windenergieertrags mittels einer Kopplung eines Machine Learning- und eines Simulationsverfahrens
J. Klein, M. Probst (CAIQ)

16:25
Zusammenfassung und Verabschiedung
A. Svobodnik (Mvoid); A. Pfaff (PDTech); W. Moretti (me); C. Hühne (DLR); A.R. Oswald (NAFEMS) - Mitglieder des DACH Steering Committees