Mehr Konstruktionsvarianten in derselben Zeit: Machine Learning als schneller Vorfilter im CAE-Prozess

Machine Learning kann ein trainiertes Surrogatmodell nutzen, um Ergebnisse der Finite-Elemente-Methode (FEM) für neue Varianten schnell anzunähern. Ein Surrogatmodell ist hier ein ML-Modell, das aus FEM-Referenzdaten lernt und keine finale Freigabe ersetzt. Die aufwendige Rechenarbeit wird in die Datenerzeugung und das Training vorgezogen; vielversprechende Varianten werden weiterhin mit FEM validiert.

Im klassischen CAE-Ablauf (Computer-Aided Engineering) folgen CAD-Anpassung, Modellvorbereitung, Vernetzung – die Aufteilung des Modells in Rechenelemente –, Randbedingungen, Solverlauf – die eigentliche Berechnung – und Auswertung weitgehend seriell aufeinander. Jede weitere Konstruktionsidee startet diese Schleife erneut. Im kontrollierten Versuchsaufbau benötigte bereits ein FEM-Referenzlauf über zehn Kilometer durchschnittlich rund 20 Minuten. Die Konsequenz ist nicht nur Wartezeit: Wenn jede Hypothese einen vollständigen Lauf auslöst, werden tendenziell weniger Alternativen geprüft.

Mehr Rechenleistung und effizientere Modellvorbereitung können einzelne Simulationen beschleunigen. Das Grundmuster bleibt jedoch gleich: Jede Variante durchläuft erneut die vollständige Berechnung. Ein ML-Modell als vollständiger FEM-Ersatz wäre ebenfalls keine tragfähige Abkürzung. Für sicherheits- und belastungsrelevante Entscheidungen bleibt eine physikalisch fundierte Referenz notwendig, und das Modell ist nur in seinem gelernten und validierten Parameterraum aussagekräftig.

Gesucht wird kein zweiter Solver, sondern eine zusätzliche Entscheidungsebene. Das trainierte Surrogat liefert während der frühen Konstruktion schnelle Prognosen zu dynamischen Reaktionen und Kräften. Teams können Varianten vergleichen, unpassende Ansätze früh aussortieren und aussichtsreiche Kandidaten priorisieren. Die FEM läuft für ausgewählte Varianten weiter und bleibt die verbindliche Referenz.

Alle drei final untersuchten Modelle blieben über 1.024 Vorhersageschritte unter 2,5 % RRE. Der beste Transformer erreichte 0,74 % und verarbeitete bei der Inferenz 770.721 Zeitschritte pro Sekunde. Damit zeigte der klar abgegrenzte MVP: Ein Modell kann aus rechenintensiv erzeugten FEM-Referenzdaten lernen und anschließend schnelle, vorläufige Prognosen liefern.

„Nahezu Echtzeit“ bezeichnet ausschließlich die Inferenz des fertig trainierten Modells – nicht den Aufwand für Datenerzeugung, Training oder Validierung. Bei der hier verwendeten Abtastrate von 1.000 Hz entspricht ein Zeitschritt einer Millisekunde.

Der Architekturvergleich zeigt einen Zielkonflikt: Der Transformer war über 1.024 Schritte am genauesten und schnellsten, während die LSTM über 10.000 Schritte stabiler blieb. Der ergänzende Beitrag trennt Genauigkeit, Fehlerakkumulation, Generalisierung und Rechenaufwand.

Das Surrogat startet mit Kosten für Datengenerierung, explorative Trainingsläufe und Validierung, verursacht nach dem Training aber deutlich geringere Grenzkosten pro Prognose. Die Arbeit schätzte den Break-even des Transformers im untersuchten Szenario auf rund 687 Designiterationen.

Diese Zahl ist keine allgemeingültige Schwelle. Sie basiert auf heuristischen Annahmen zu 50 explorativen und fünf finalen Trainingsläufen. Außerdem liefen FEM und neuronales Training auf unterschiedlicher Hardware. Jeder reale Prozess benötigt deshalb eine eigene Wirtschaftlichkeitsrechnung.

Bachelorarbeit: Surrogate Modeling of Rail Vehicle Dynamics using Neural Networks, Oscar Johann Schumacher. Alle Kennzahlen und Aussagen gelten für den dokumentierten MVP und dürfen nicht ohne neue Validierung auf andere Fahrzeuge, Simulationsmodelle oder Hardwarekonfigurationen übertragen werden.