Simulationsdaten
In vielen Entwicklungsabteilungen liegen Tausende Simulationsläufe ungenutzt im Archiv. Mit Machine Learning werden sie zur Grundlage für schnellere Entscheidungen in neuen Projekten.
- Welche Parameter treiben mein Ergebnis?
- Brauche ich diese Simulation überhaupt noch?
- Wie nutze ich alte Studien für neue Projekte?
Was in den Daten steckt
Jede Parameterstudie enthält Wissen darüber, welche Größen das Ergebnis treiben. Wir machen dieses Wissen nutzbar: Daten aus ANSYS, Abaqus, LS-DYNA oder anderen Solvern als Tabelle exportieren, Eingaben und Zielgrößen festlegen, Modell trainieren.
Das Modell beantwortet dann Fragen, für die sonst eine neue Rechnung nötig wäre, und zeigt, welche Parameter den größten Einfluss haben.
Integration in bestehende Werkzeuge
Auf Wunsch binden wir Modelle an Simulationsdatenmanagement (SPDM) und CAD an, damit Vorhersagen dort erscheinen, wo die Ingenieure arbeiten.
Passende Projekte
Restwanddicke im Spritzguss mit Wasserinjektion vorhersagen
Ein neuronales Netz sagt die Restwanddicke eines hohlen Kunststoffteils aus den Prozessparametern vorher. Umgekehrt liefert es den Prozessparameter, der eine geforderte Wanddicke erzeugt. Ein Projekt mit Plastic Innovation.
→ Projekt ansehenLadekabel für E-Fahrzeuge mit Phasenwechselmaterial auslegen
Beim Schnellladen erwärmen hohe Ladeströme Leitungen und Batteriesystem. Ein ML-Modell auf Basis von FEM- und Prototypdaten bestimmt den Leiterdurchmesser für eine vorgegebene Maximaltemperatur – mit Phasenwechselmaterial als passivem Wärmespeicher.
→ Projekt ansehenPasst das zur eigenen Fragestellung?
Eine kurze Beschreibung genügt. Wir melden uns mit einer Einschätzung, ob und wie wir helfen können.