Surrogate Models: Simulationsergebnisse in Sekunden statt Stunden
FEM- und CFD-Simulationen gehören zu den rechenintensivsten Schritten der Fahrzeugentwicklung. Wir bauen Surrogate Models – ML-Modelle, die auf bereits gerechneten Simulationen trainiert werden und Ergebnisse für neue Designvarianten in Sekunden näherungsweise vorhersagen, mit Unsicherheitsangabe und Gültigkeitsbereich.
Ausgangslage
Die Berechnungsabteilung sitzt in der frühen Entwicklung am Engpass: Jede Designvariante, die bewertet werden soll, kostet einen Simulationslauf – und damit Stunden bis Tage Rechenzeit. Der Designraum wird deshalb schmaler durchsucht, als es fachlich wünschenswert wäre.
In den vorhandenen Simulationsbeständen steckt dabei längst das Wissen, mit dem sich neue Varianten näherungsweise bewerten ließen. Ein Surrogate Model macht dieses Wissen nutzbar – als Vorfilter für die Variantenauswahl, nicht als Ersatz für den Nachweislauf.
Typische Datengrundlage
Der Bestand an FEM- und CFD-Läufen: Geometrie- und Lastparameter je Lauf sowie die zugehörigen Ergebnisgrößen oder Ergebnisfelder. CAD-Parameter der Designvarianten, idealerweise aus einem parametrischen Modell. Materialdaten und Lastfalldefinitionen.
Dazu ein zurückgehaltener Satz Läufe, der ausschließlich der Validierung dient und nicht ins Training eingeht.
Woran solche Vorhaben scheitern
Heterogene Simulationsbestände. Unterschiedliche Solver-Versionen, Vernetzungen und uneinheitlich dokumentierte Lastfälle: Die Aufbereitung zu einem konsistenten Trainingsdatensatz ist der erste und oft größte Arbeitsschritt.
Felder sind schwerer als Kennwerte. Wechselnde Geometrien und Netze machen die Vorhersage ganzer Ergebnisfelder deutlich anspruchsvoller als die Vorhersage einzelner Kennwerte.
Scheingenaue Zahlen. Das Modell muss seinen Gültigkeitsbereich kennen: Für Varianten weit außerhalb der Trainingsdaten muss es auf eine echte Simulation verweisen, statt eine scheingenaue Zahl zu liefern.
Übergangene Fachhoheit. Die Berechnungsabteilung behält die fachliche Verantwortung. Ein Surrogate Model, das als Ersatz für den Nachweislauf verkauft wird, verliert genau die Nutzer, die es braucht.
Vorgehen
Skalare Kennwerte. Für Größen wie maximale Spannung, Eigenfrequenz oder Druckverlust kommen Gradient Boosting und Gauß-Prozesse zum Einsatz, letztere wegen der eingebauten Unsicherheitsschätzung. Bei Beständen jenseits einiger tausend Läufe verwenden wir dünnbesetzte Gauß-Prozess-Varianten. Die vorhergesagte Unsicherheit wird gegen den zurückgehaltenen Validierungssatz kalibriert, damit die Toleranzbänder belastbar sind.
Ergebnisfelder. Spannungs- und Verformungsfelder über veränderliche Geometrien verlangen mehr als ein gewöhnliches neuronales Netz. Bei konsistenter CAD-Parametrisierung genügt eine Operator-Architektur auf Punktwolken (DeepONet-Varianten, Fourier Neural Operator); liegen unterschiedliche Netze vor, arbeiten wir geometriebewusst auf dem Netz selbst, mit Graph-Netzen oder transformerbasierten Operatoren wie Transolver. Das GPU-Training läuft mit NVIDIA PhysicsNeMo. Setzt der Kunde bereits ein kommerzielles CAE-KI-Modul ein (Ansys SimAI, Altair PhysicsAI, Neural Concept), integrieren wir dieses, statt eine Parallelwelt aufzubauen – unsere Rolle ist dann Datenaufbereitung, Validierung und Einbindung in den Workflow.
Crash mit klarer Grenze. Für Crash bieten wir die Vorbewertung skalarer Kennwerte an, etwa Intrusionswerte oder Energieaufnahme, als Screening vor dem regulären Lauf. Die Vorhersage vollständiger Crash-Felder ist wegen Kontakt, Verzweigung und Pfadabhängigkeit Gegenstand der Forschung und gehört nicht in eine Projektzusage.
Aktives Lernen. Über Design of Experiments werden zusätzliche Simulationsläufe gezielt dort angestoßen, wo das Modell am unsichersten ist. Der Trainingsbestand wächst an den Stellen, an denen er den größten Zugewinn bringt.
Im Workflow der Berechnung. Das Surrogate Model hängt im Parameterstudien-Workflow: Varianten werden in Sekunden vorbewertet, die vielversprechenden anschließend regulär simuliert. Liegt eine Variante außerhalb des Gültigkeitsbereichs, gibt das Modell keine Zahl aus, sondern eine Aufforderung zur Simulation.
Was dabei entsteht
Sekunden statt Simulationstage: Designvarianten lassen sich in der frühen Phase nahezu sofort bewerten. Mehr Varianten, bessere Entscheidungen: Der Designraum kann deutlich breiter durchsucht werden, bevor sich die Entwicklung auf wenige Kandidaten festlegt.
Rechenleistung dort, wo sie zählt: Aufwendige Simulationen bleiben den kritischen Varianten und finalen Nachweisläufen vorbehalten. Messbar am Durchsatz: Der Mehrwert zeigt sich in mehr bewerteten Varianten pro Entwicklungsschleife und höherem Simulationsdurchsatz – nicht in einer pauschalen Zeitersparnis.
Typische Einsatzfelder: Querlenker und andere Fahrwerkskomponenten, Batteriegehäuse, Motorhalterungen sowie Sitz- und Crashstrukturen.
Woher unsere Erfahrung kommt
Wir sagen physikalische und technische Zielgrößen aus Bestandsdaten voraus – auch dort, wo neue Konfigurationen und Standorte belastbare Generalisierung verlangen.
Zuletzt aktualisiert: 13. August 2026
