Die Fertigungsindustrie steht heute vor einer Vielzahl von Herausforderungen. Während die Hersteller sich eine möglichst energie- und ressourcenschonende Fertigung zum Ziel setzen, steigen gleichzeitig die Anforderungen an die Qualität der Produkte kontinuierlich. Nicht nur Branchen wie die Luft- und Raumfahrt, die Automobilindustrie oder der Maschinenbau sind mit hohen Produktivitätszielen und engen Zeitplänen oder Budgetvorgaben konfrontiert. Gerade auch in der Entwicklung für energieintensive Gussbauteile müssen Hersteller ihre Konstruktions- und Designprozesse beschleunigen, um den sich ständig ändernden Bedingungen anzupassen, ohne dabei Kompromisse bei Präzision und Effizienz eingehen zu müssen.
Simulation breit etabliert
Um diesen Spagat zu meistern, hat sich die Simulation bereits als fester Bestandteil im Produktentwicklungsprozess vieler Unternehmen etabliert, um Prototypen zu sparen und insgesamt effizienter zu entwickeln. Da allerdings Simulationen für Gießereiverfahren sehr aufwendig sein können und die Simulations-Expertise oft in den Händen weniger Experten liegt, stellt sich die grundsätzliche Frage, wie Unternehmen der Gussindustrie ihre Abläufe weiter optimieren und die Produktentwicklung insgesamt beschleunigen können. Die Antwort liegt in der frühzeitigen Integration innovativer Technologien wie künstlicher Intelligenz (KI) und maschinellem Lernen (ML) in die Gussteilentwicklung.
Data Science in der Produktentwicklung
KI und ML haben in den letzten Jahren große Fortschritte gemacht und ermöglichen Herstellern völlig neue Ansätze in der Bewertung von Konstruktionsvarianten. Sie bieten die Möglichkeit, traditionelle, rein physikbasierte Simulationsmethoden durch datengetriebene Prozesse zu ergänzen, was die Effizienz erheblich steigert. Mit Methoden des maschinellen Lernens lassen sich Verhaltensmuster erkennen, beispielsweise bei umfassenden Variantenanalysen in der Produktentwicklung: Mittels sogenanntem Clustering können Parametersätze in Gruppen bzw. Cluster, eingeteilt werden, die zu einem gewünschten Verhalten führen, etwa bei der Optimierung sicherheitskritischer Bauteile für Fahrzeugcrashs oder bei anspruchsvollen Fertigungsprozessen. Dadurch lassen sich spezifische Eigenschaften oder Problemzonen eines Designs sichtbar machen, die auf traditionellem Weg nur schwer zu erkennen wären.
KI-berechnet statt Iteration
Während klassische Simulationsanwendungen auf umfangreiche Berechnungen und iterative Prozesse angewiesen sind, kann KI mit Bestandsdaten trainiert werden, um schnelle und dennoch präzise Vorhersagen zu treffen. Zudem kann die Simulation synthetische Daten erzeugen, um Lernmodelle zu trainieren und Daten von unterschiedlichen, auch unerwünschten Betriebszuständen zu generieren. Hersteller können so verschiedene Designoptionen virtuell testen, physische Prototypen weiter reduzieren und die Kosten sowie die Zeit für Fehleranalysen minimieren. Darüber hinaus kann KI in Echtzeit Anpassungen vornehmen, die es ermöglichen, besser auf sich ändernde Anforderungen zu reagieren. Eine solche KI-Technologie ist Altair PhysicsAI, ein Werkzeug, das insbesondere zu Beginn eines Entwicklungsprozesses, wenn noch zahlreiche verschiedene Konstruktionsvarianten bewertet werden, zum Einsatz kommt. Es nutzt Bestandsdaten aus Simulationen, um physikalische Vorhersagen zu treffen und schließt damit eine kritische Lücke in der frühen Phase des Produktlebenszyklus. Die Anwender können ihre CAD-Variante direkt bewerten und müssen keine zeitaufwendigen neuen Simulationen durchführen – das beschleunigt den Weg zu wichtigen Antworten.
PhysicsAI in der Gussteilentwicklung
Eines der zentralen Leistungsversprechen von KI in der Gussteilentwicklung ist die Geschwindigkeit. Mit KI-gestützten Tools wie PhysicsAI können Vorhersagen bis zu 1.000-mal schneller getroffen werden als mit traditionellen Simulationslösungen. KI liefert Einblicke, die Entscheidungen erleichtern. Ingenieurteams können verschiedene Szenarien simulieren, die Auswirkungen von Änderungen schnell bewerten und mehr Designoptionen evaluieren. Dies kann die Qualität der Produkte und die Time-to-market erhöhen.
Geometrisches Deep Learning
Der Algorithmus von PhysicsAI kann Abhängigkeiten zwischen Geometrien und einem beliebigen Ergebnis lernen. So kann es sowohl für strukturelle Bewertungen als auch die jeweilige Fertigungsmethode, Test-Daten oder andere geometrieabhängige Ergebnisse herangezogen werden. Das Tool nutzt geometrisches Deep Learning, um die Beziehung zwischen Form und Funktion in unterschiedlichen physikalischen Szenarien zu verstehen. Anwender können trainierte Modelle auswählen, Vorhersagen erstellen und die Qualität für eine Reihe von Fertigungsprozessen bewerten. So lassen sich selbst komplexe Designprobleme lösen. Gleichzeitig ermöglicht es das Tool den Bedarf an physischen Prototypen und Versuchsreihen drastisch zu senken. Unternehmen können aus bereits vorhandenen Daten lernen und neue Konstruktionen bewerten, ohne extra Maschinen oder Materialien kaufen zu müssen. Weiterhin lenken KI-gestützte Simulationen den Blick auf Fehler und Schwachstellen früh im Prozess. Ungünstige Designrichtungen werden so vermieden, was die Entwicklungskosten signifikant beeinflussen kann.
Anwendungsfälle aus der Praxis
- 1. Eines der häufigsten Probleme bei Gussteilen ist Porosität, also die Bildung von Lufteinschlüssen in Gussteilen, die oft durch unzureichende Formgestaltung oder mangelnde Prozesskontrolle entsteht und die Funktionalität und Lebensdauer von Komponenten beeinträchtigen kann. In einem Anwendungsfall mit Altair Inspire Cast und PhysicsAI konnte die Porosität eines industriellen Antriebs-Gehäuses analysiert und durch gezielte Optimierungen signifikant reduziert werden. Der gesamte Prozess verlief dabei deutlich schneller als mit herkömmlichen Simulationsmethoden.
- 2. Bei der Herstellung von Kunststoffteilen kann Verzug ein ernsthaftes Problem darstellen, insbesondere bei Teilen mit komplexen Rippenstrukturen. Altair Inspire Mold und PhysicsAI wurden eingesetzt, um den Verzug vor der Fertigung vorherzusagen und durch Designanpassungen zu reduzieren. Infolge wurden Bauteile mit besserer struktureller Integrität hergestellt.
- 3. Ein weiteres Beispiel ist die Optimierung von Rohlingen in der Blechumformung. Altair Inspire Form half dabei, die passende Größe und Form eines Rohlings zu bestimmen, um Materialkosten zu reduzieren und gleichzeitig die Umformbarkeit des Endprodukts sicherzustellen. Durch KI konnten Vorhersagen schneller und genauer getroffen werden, was zu einer effizienteren Materialnutzung führte.
- 4. In einem weiteren Anwendungsfall wurden mit Altair Inspire PolyFoam Schäumungsprozesse bei Kühlschranktüren analysiert. KI-Modelle halfen dabei, die Dichteverteilung und Eigenspannungen vorherzusagen. So konnte die Produktqualität gesteigert und Produktionsfehler vermieden werden.
KI-generierte Designs für Megacasting
Als recht neues Herstellungsverfahren in der Automobilindustrie eröffnet Megacasting großes Potenzial, bringt jedoch erhebliche Herausforderungen mit sich. Die Fertigung großer Gussteile erfordert spezielle Maschinen und hohe Präzision, um Toleranzen trotz der enormen Dimensionen der Bauteile einzuhalten und die Materialqualität sicherzustellen. Gleichzeitig ermöglicht die neue Gestaltungsfreiheit innovative Leichtbauansätze. Für Konstrukteure wird es daher wichtiger, Technologien wie KI und ML einzusetzen, um Ansätze zur Gewichtsreduktion, Kostensenkung und Leistungssteigerung zu entwickeln. Ein integrativer Entwicklungsprozess, der Data Science und Engineering verbindet, bildet dafür einen Rahmen. Mit KI, generativem Design und CAE-Technologie können tausende Varianten gleichzeitig untersucht werden, um fertigungsgerechte und effiziente Strukturen zu schaffen. KI-gestütztes generatives Design erlaubt es, den Zusammenhang zwischen Materialqualität und Bauteilverhalten zu steuern und auf gewünschtes Verhalten hin zu optimieren.
Auch hierfür hat der Simulationsspezialist Altair etwas im Produktportfolio. Ein skalierbarer Optimierungsprozess von Megacasting-Komponenten erfolgt in zwei Phasen:
- Topologieoptimierung – Diese Technik ermöglicht die passende Materialverteilung unter Berücksichtigung linearer Lastfälle und Fertigungseinschränkungen. Sie identifiziert optimale Lastpfade und berücksichtigt multidisziplinäre Belastungen.
- Multidisziplinäre Optimierung – KI-gestützte Methoden kombinieren Response Surface-Optimierung mit ML, um Rippenorientierungen und Dickenverteilungen für Gussstrukturen zu ermitteln. Durch Clustering und Klassifizierung können Entwicklungsziele auf gewünschtes Bauteilverhalten abgestimmt werden.
Unüberwachtes maschinelles Lernen unterstützt zudem die Bewertung der Herstellbarkeit. So lassen sich Strömungsgeschwindigkeiten und Fließfronten in der Simulation analysieren, um Geometrien für Anschnitte und Angüsse zu definieren. Dieser Ansatz ermöglicht eine effiziente und präzise Umsetzung komplexer Gussbauteile, die den Anforderungen des Megacastings entsprechen.
KI in der Gießereiindustrie
Die Einführung von KI in die Gussteilentwicklung kann ein wichtiger Schritt sein, um mit den steigenden Marktanforderungen Schritt zu halten. Durch die Kombination von traditioneller Simulation und KI können Hersteller nicht nur Kosten und Zeit sparen, sondern auch die Qualität ihrer Produkte verbessern.
