Fahrzeugdesign- und Simulationsunterstützung: CAE, CFD und FEA

Gewinne:

• Fähigkeit, die Rolle von CAE-, CFD- und FEA-Simulationen im Automobildesign zu erklären und wie künstliche Intelligenz diese als Ersatzmodell beschleunigt
• Fähigkeit, strukturierte Eingabeaufforderungen für generatives Design, Parameter-Scanning und Simulationsergebnisinterpretation einzurichten
• Fähigkeit, KI-basiertes Design zu validieren und die Modellausgabe mit Konvergenz, Netzwerkunabhängigkeit und physikalischen Randbedingungen zu ersetzen

Das Design eines modernen Fahrzeugs entsteht heute größtenteils am Computer, bevor Stahlblech geschnitten und Prototypen hergestellt werden. Im Mittelpunkt dieser Welt des digitalen Designs und der Verifizierung stehen drei Akronyme: CAE, CFD und FEA. In dieser Einheit erklären wir zunächst einfach diese drei Konzepte, dann sehen wir, wie künstliche Intelligenz diese umfangreichen Berechnungen beschleunigt und, was am wichtigsten ist, wie man diese schnellen Ergebnisse sicher verifiziert.

• CAE (Computer-Aided Engineering): Dies ist ein Überbegriff für die Simulation des Verhaltens eines Designs (Festigkeit, Fluss, Wärme, Vibration) auf einem Computer, ohne einen physischen Prototyp zu erstellen.
• FEA (Finite-Elemente-Analyse): Hierbei handelt es sich um eine Methode, die ein Teil in Tausende kleiner „Elemente“ unterteilt und berechnet, wie es gedehnt und gebogen wird und ob es unter der auf es ausgeübten Kraft bricht. Beispiel: ob ein Querlenker beim Einfahren in ein Schlagloch bricht.
• CFD (Computational Fluid Dynamics): Simuliert Luft- oder Flüssigkeitsströmungen. Beispiel: Luftströmung um das Fahrzeug (Aerodynamik), Motorkühlung, Innenraumbelüftung.

Warum ist die Simulation langsam und wo kommt KI ins Spiel?

Eine hochpräzise CFD- oder FEA-Lösung für ein einzelnes Design kann auf einer Gruppe von Computern Stunden oder sogar Tage dauern. Wenn ein Ingenieur 200 verschiedene Geometrien ausprobieren möchte, bedeutet das Monate. Hier spielt künstliche Intelligenz zwei wichtige Rollen:

1. Ersatzmodell/Metamodell: Es handelt sich um ein maschinelles Lernmodell, das aus einer kleinen Anzahl realer Simulationen lernt und das Ergebnis neuer Designs innerhalb von Sekunden vorhersagt. Es ersetzt nicht das eigentliche Lösungsmittel; ist ein schneller „Approximator“ davon. Das Scannen von 200 Designs mit einem Ersatzmodell, nicht mit dem echten Löser, und das Senden der fünf vielversprechendsten Designs an den echten Löser spart viel Zeit.
2. Generatives Design: Hierbei handelt es sich um eine Methode, bei der der Computer eine große Anzahl alternativer Geometrien unter den vom Ingenieur vorgegebenen Einschränkungen (Verbindungspunkte, zu tragende Last, verbotene Bereiche, Materialien) erstellt. Das Ergebnis sind oft organische, knochenartige, leichte Strukturen.

Tipp: Das Ersatzmodell ist beim „Interpolieren“ (Vorhersagen innerhalb des gelernten Bereichs) zuverlässig; Beim „Extrapolieren“ (Vorhersagen außerhalb des erlernten Bereichs) ist es gefährlich. Kennen Sie die Grenzen Ihres Designraums.

Schritt für Schritt: KI-gestützter Simulationsworkflow

1. Klären Sie das Problem und die Einschränkungen. Was optimieren Sie (Gewicht? Luftwiderstand? Belastung?), welche Einschränkungen sind festgelegt (Positionen der Montagelöcher, Montagevolumen)?
2. Identifizieren Sie Designvariablen. Zum Beispiel 5 Parameter eines Kühlkanals: Eintrittswinkel, Querschnittsfläche, Länge, Biegeradius, Austrittsposition.
3. Führen Sie eine Versuchsplanung (DOE – Design of Experiments) durch. Wählen Sie eine Stichprobe (z. B. 40 Punkte), die den Raum sinnvoll abdeckt, nicht alle Kombinationen. KI kann hier eine Stichprobenstrategie vorschlagen.
4. Führen Sie diese 40 Punkte mit dem echten Löser aus. Dies sind „Realitätsdaten“.
5. Trainieren Sie das Ersatzmodell und messen Sie seine Genauigkeit mit reservierten Testpunkten.
6. Führen Sie ein umfassendes Screening mit dem Surrogatmodell durch und wählen Sie die besten Kandidaten aus.
7. Validieren Sie die besten Kandidaten erneut mit dem echten Solver. Dieser Schritt kann nicht übersprungen werden.
8. Beweisen Sie die endgültige Entscheidung mit einem physischen Prototyp/Test.

Validierung der Simulationsausgabe: Konvergenz und Netzwerkunabhängigkeit

Bevor einem FEA/CFD-Ergebnis vertraut wird, müssen zwei wichtige Prüfungen durchgeführt werden:

• Konvergenz: Die iterative Berechnung des Lösers erreicht einen stabilen Wert. Eine nicht konvergente Lösung ist bedeutungslos. Wenn die KI „Ergebnis 250 MPa“ meldet, sollten Sie bestätigen, ob es sich um eine konvergente Lösung handelt.
• Netzunabhängigkeit: Das Ergebnis ändert sich nicht wesentlich, wenn Sie die Elemente (Netz), in die Sie das Teil unterteilen, straffen. Wenn das Netz zu grob ist, kann das Ergebnis irreführend sein; Ist es zu dünn, dauert die Berechnung unnötig lange. Im Allgemeinen wird das Netzwerk zwei- oder dreimal gestrafft und ein Punkt gefunden, an dem sich das Ergebnis stabilisiert.

Kontrolle

Was fragt er?

Risiko beim Springen

Konvergenz

Hat die Lösung einen stabilen Wert erreicht?

Zufälliges/bedeutungsloses Ergebnis

Netzwerkunabhängigkeit

Ändert sich das Ergebnis, wenn das Netzwerk dichter wird?

Stress unter-/überschätzt

Randbedingung

Sind die Belastungen/Unterstützungen realistisch?

Falsches Szenario, sicheres Design

Materialmodell

Wurde die richtige Kurve/das richtige Merkmal eingegeben?

Falsche Stärkeschätzung

Achtung: Wenn KI ein Ersatzmodell ausgibt, müssen die tatsächlichen Simulationen hinter dieser Ausgabe die Konvergenz und Netzwerkunabhängigkeit bestanden haben. „Müll rein, Müll raus“: Ein auf einer schlechten Simulation trainiertes Ersatzmodell führt zu einer schlechten Vorhersage.

Mini-Fallstudien

Fall 1 – Aufhellung am Querlenker. Ein Team entwirft einen Aluminium-Querlenker mit generativem Design neu. Basierend auf 60 echten FEA-Lösungen schlägt das Ersatzmodell eine Geometrie vor, die das Gewicht um 19 % reduziert. Das Team validiert die Top-3-Kandidaten mit dem echten Löser; Die tatsächliche maximale Belastung war 12 % höher als die Vorhersage des Ersatzmodells (sie lag im Extrapolationsbereich). Dieser Kandidat scheidet aus, die übrigen beiden werden angenommen und zum körperlichen Ermüdungstest geschickt. Ergebnis: Es wurde an Geschwindigkeit gewonnen, aber die endgültige Entscheidung wurde durch echte Lösung + Tests getroffen.

Fall 2 – Aerodynamischer Spiegel. Um die vom Seitenspiegel erzeugten Windgeräusche zu reduzieren, wird ein 5-Parameter-Scan durchgeführt. Mit echtem CFD dauert ein Entwurf 6 Stunden; 5.000 virtuelle Designs mit 45 realen Durchläufen + Proxy-Modellen werden in Sekundenschnelle gescannt. Es gibt einen Kandidaten, der eine Verbesserung des Luftwiderstandsbeiwerts (Cd) um etwa 4 Punkte (Widerstandszahl) bietet und im Windkanal getestet wird; Die gemessene Verbesserung beträgt 85 % der Vorhersage. Fazit: KI hat die Suche eingegrenzt, wie der Windkanal beweist.

Fall 3 – Falsche Randbedingung. In einer FEA einer Körperhalterung sagt die KI „Stresssicher, Faktor 2,1“. Der leitende Ingenieur betrachtet die Randbedingung: Die Belastung erfolgt in eine Richtung, während im realen Betrieb eine schwingende bidirektionale Belastung vorliegt. Bei erneuter Lösung mit dem richtigen Szenario sinkt der Sicherheitsfaktor auf 1,1; Das ist inakzeptabel. Ergebnis: Die Aussage der KI „sicher“ täuschte aufgrund eines falschen Szenarios; Die Eingabevalidierung hat das Ergebnis gespeichert.

Eingabeaufforderungsvorlagen

Vorlage 1 – Überprüfung des Simulationsaufbaus:

Rolle: Sie sind ein leitender CAE-Ingenieur (Finite-Elemente-Ingenieur). Aufgabe: Sehen Sie sich mein FEA-Setup unten an und listen Sie fehlende/Risikopunkte auf. Kontext: Aluminium-Aufhängungsarm, statische Belastung 6 kN, Montage aus 2 Schrauben, Materialstreckgrenze 240 MPa. Einschränkung: Konvergenz, Netzunabhängigkeit, Randbedingung und Materialmodell-Header separat behandeln. Ausgabe: Checkliste + pro Punkt „ok/riskant/unvollständig“.

Vorlage 2 – Vorschlag zur Versuchsplanung (DOE):

Rolle: Sie sind ein Optimierungsberater. Aufgabe: Schlagen Sie eine effiziente DOE-Stichprobe für 5 Entwurfsvariablen vor. Kontext: Variablen und ihre Bereiche: [Bereiche anonym schreiben]. Zweck: Widerstandsminimierung, Budget für 40 reale Läufe. Ausgabe: Stichprobenmethode + Anzahl der Punkte + Begründung. Addieren Sie die Extrapolationshälfte.

Vorlage 3 – Interpretation des Ergebnisses des Ersatzmodells:

Rolle: Datenwissenschaftler + CAE-Ingenieur. Aufgabe: Interpretieren Sie die Vorhersagefehlermetriken meines Ersatzmodells. Kontext: R2=0,94, mittlerer absoluter Fehler=8 MPa, schlechtester Punkt am Rand des Designraums. Einschränkung: Machen Sie explizit Angaben zur Zuverlässigkeit an den Rändern. Sagen Sie mir, welche Kandidaten eine Überprüfung mit dem echten Löser erfordern. Ausgabe: Interpretation + Kandidatenkriterium, das überprüft werden muss.

Vorlage 4 – Definition von Einschränkungen beim generativen Design:

Rolle: Sie sind ein Experte für generatives Design. Aufgabe: Entwerfen Sie eine Problemstellung für generatives Design für eine Motorhalterung. Kontext: 3 Anschlüsse sind festgelegt, es gibt ein verbotenes Volumen, eine angestrebte Mindestmasse, das Material ist Aluminiumguss, die Herstellungsmethode ist Gießen. Ausgabe: Lasten | Einschränkungen | Ziel | Tabelle der Herstellbarkeitsgrade.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Erhellen Sie dieses Stück.

Der Ausgang ist ungewiss; Welche Belastung, welches Material, welche Einschränkung ist unklar. KI gibt eine allgemeine, nutzlose Antwort.

Kraftvolle Aufforderung:

Rolle: Sie sind CAE-Ingenieur. Aufgabe: Schlagen Sie 3 verschiedene Strategien vor, um die folgende Klammer in Bezug auf Masse (Topologie, Material, Abschnitt) zu erleichtern. Kontext: Stahlbügel, 3 kN statische + Rüttellast, Sicherheitsfaktor muss mindestens 1,5 eingehalten werden, Guss muss herstellbar bleiben. Einschränkung: Schreiben Sie den erwarteten Gewinn und das erwartete Risiko für jede Strategie. Erklären Sie keinen Vorschlag als „sicher“, ohne ihn zu testen. Ausgabe: Strategie | geschätzter Massenzuwachs | Risiko | Verifizierungstest.

Häufige Fehler

• Das Ersatzmodell mit dem echten Löser verwechseln. Das Ersatzmodell sagt Folgendes voraus: Die tatsächliche Lösung und physische Tests überprüfen die endgültigen Kandidaten.
• Umgehung der Netzwerkunabhängigkeit. Ein grobes Netz kann zu einem Ergebnis führen, das sicher aussieht, aber tatsächlich riskant ist.
• Falsche Randbedingung. Der „Sicherheitsfaktor“ täuscht, wenn das tatsächliche Belastungsszenario falsch ist.
• Extrapolation nicht bemerken. Vorhersagen, die über den Designraum hinausgehen, können stillschweigend falsch sein.
• Die Herstellbarkeit vergessen. Eine schön aussehende organische Geometrie ist wertlos, wenn sie nicht gegossen oder bearbeitet werden kann.

Zusammenfassend

• CAE, FEA und CFD testen den Entwurf am Computer vor dem physischen Prototyp; Sie sind schwer und langsam.
• Ersatzmodelle und generatives Design beschleunigen diesen Prozess mit KI erheblich, ersetzen jedoch nicht den echten Löser und die physikalischen Tests.
• Jedes Simulationsergebnis muss hinsichtlich Konvergenz, Netzunabhängigkeit, Randbedingung und Materialmodell validiert werden.
• Das Ersatzmodell ist zuverlässig bei der Interpolation, aber riskant bei der Extrapolation; Die besten Kandidaten werden immer mit der echten Lösung bestätigt.

Anwendungsaufgabe

Wählen Sie ein Teil aus (z. B. eine Konsolenhalterung). (1) Notieren Sie das Ziel, die festen Einschränkungen und die zu optimierenden Entwurfsvariablen. (2) Erstellen Sie mit Vorlage 4 einen Entwurf einer Problemstellung zum generativen Design. (3) Lassen Sie die KI einen Ersatzmodell-Workflow beschreiben und fragen Sie „Welchen Schritt würde ich niemals überspringen“ und bewerten Sie die Antwort anhand von drei Ankern. (4) Geben Sie an, welchen körperlichen Test Sie durchführen werden, um das Ergebnis zu bestätigen.

Checkliste

• [ ] Ich habe das Optimierungsziel geklärt und Einschränkungen festgelegt.
• [ ] Ich habe den Unterschied zwischen dem Ersatzmodell und dem echten Löser in der Eingabeaufforderung dargestellt.
• [ ] Ich habe eine Konvergenz- und Netzwerkunabhängigkeitsprüfung geplant.
• [ ] Ich habe überprüft, ob die Randbedingungen das tatsächliche Belastungsszenario widerspiegeln.
• [ ] Ich habe den Schritt der Bestätigung der besten Kandidaten mit der echten Lösung + physischen Tests hinzugefügt.
• [ ] Als Kriterium habe ich die Herstellbarkeit in die Liste aufgenommen.