Virtuelle Entwicklung und Erprobung durch KI und beschleunigte Simulation

Sie brauchen schnelle und belastbare Antworten für Ihre nächste Entwicklungsentscheidung? Genau das liefern wir: Mit KI-basierten Ersatzmodellen, dateneffizienten Vorhersagemethoden und autonomen Entwicklungsassistenten verkürzen wir Simulations- und Testzyklen drastisch, ohne auf physikalische Belastbarkeit zu verzichten. Wir übernehmen die komplette Kette, von der Auswahl geeigneter Daten über Training und Validierung der Modelle bis zur Integration in Ihre Entwicklungsprozesse. Dabei lösen wir die Probleme, die Sie konkret bremsen: zu große Parameterräume, zu wenige Testdaten, zu lange Rechenzeiten, zu teure Prüfprogramme. Das Ergebnis sind keine akademischen Prototypen, sondern einsatzfähige Werkzeuge, mit denen Sie schneller zu robusten Werkstoffen, Prozessen und Bauteilauslegungen kommen.

KI-basierte Ersatzmodelle

Wir entwickeln KI-basierte Ersatzmodelle (Surrogatmodelle), die auf Basis validierter Simulations- und Experimentdaten trainiert werden, um aufwendige Simulationen und Experimente in Ihren Designprozessen zu ersetzen. Sie reduzieren damit drastisch die Zahl benötigter Simulationsläufe, führen schnellere Variantenstudien durch und senken die Kosten bei der Suche nach optimalen Material- und Prozessdesigns.

FuE Leistungen:

  • Training von Surrogatmodellen auf Basis Ihrer FE- oder Multiskalensimulationsdaten
  • Grey-Box-Modelle, die physikalische Teilmodelle mit datengetriebenen Komponenten kombinieren
  • Unsicherheitsquantifizierung und Angabe des Gültigkeitsbereichs der Ersatzmodelle
  • Mehrzieloptimierung und Variantenstudien auf Basis des trainierten Modells
  • Integration der Modelle in bestehende Simulations- und Entwicklungsumgebungen

Referenzprojekte:

 

KI-gestützte interatomare Potentiale für Multiskalensimulation

Für Optik-, Elektronik- und Legierungshersteller: Bauteilschädigung entsteht oft durch atomare Prozesse über Temperatur und Zeit, die klassisch nur für winzige Skalen berechenbar sind. Unsere KI-basierten interatomaren Potentiale erreichen quantenmechanische Genauigkeit bei deutlich größeren Zeit- und Längenskalen und unterstützen damit Ihr Materialdesign und Ihre Lebensdauervorhersage bei der Analyse von Schädigungsmechanismen, Oberflächenverunreinigungen, Wasserstoff-/Sauerstoffeinflüssen und Grenzflächeneffekten.

FuE Leistungen:

  • Training KI-gestützter interatomarer Potentiale auf Basis quantenmechanischer Referenzdaten
  • Analyse atomarer Schädigungsmechanismen über größere Zeit- und Längenskalen
  • Untersuchung von Grenzflächeneffekten in Legierungen und Verbundsystemen
  • Bewertung von Wasserstoff-, Sauerstoff- und Verunreinigungseinflüssen auf Werkstoffeigenschaften
  • Kopplung der Potentiale mit Multiskalensimulationen für Material- und Lebensdauerbewertung

Referenzprojekt:

  • Skalenübergreifende mikrostrukturabhängige Bewertung der interkristallinen Rissbildung bei Hochtemperaturermüdung mit Haltezeiten von polykristallinen Superlegierungen
    MMMCrack

 

KI-basierte Übersetzung einfacher Tests in hochwertige Materialparameter

Wir leiten aus einfachen, schnellen Testverfahren mittels trainierter KI-Modelle hochwertige Materialkennwerte ab, um kostspielige Langzeittests zu ersetzen. Sie senken damit Ihre Testkosten und verkürzen Entwicklungszeiten, indem Sie frühzeitig belastbare Eingangsgrößen für Auslegung und Simulation erhalten.

FuE Leistungen:

  • Entwicklung von Übersetzungsmodellen von Kurzversuchen zu Langzeitkennwerten
  • Kombination interner Prüfdaten mit offenen Referenzdatenbanken
  • Priorisierung kritischer Werkstoffkandidaten vor aufwendigen Prüfprogrammen
  • Validierung der Vorhersagen an ausgewählten Langzeitversuchen
  • Übergabe der abgeleiteten Kennwerte in Ihre Auslegungs- und Simulationsprozesse

Referenzprojekte:

  • KI-gestützte Charakterisierung und Modellierung für umweltfreundliche Stahltechnologie
    EU-Projekt AID4GREENEST
  • CU-Langzeitquali: Qualifizierung von standardisierten Langzeitversuchen an Kupferwerkstoffen zur wirtschaftlichen Bestimmung von Materialparametern für CAE-Anwendungen
    IGF-Projekt Cu-Langzeitqualifikation

Dateneffiziente Eigenschaftsvorhersage

Wir sagen Materialeigenschaften auf Basis weniger Beispieldatensätze, interner Datenbanken und physikinformierter, datensparsamer KI-Ansätze vorher – auch unter Nutzung von Korrelationen zwischen verwandten Materialeigenschaften. Sie schließen damit ungeeignete Kandidatenmaterialien schneller aus, reduzieren Trial-and-Error und erhalten frühzeitige Abschätzungen zu Verunreinigungstoleranzen und Lebensdauer.

FuE Leistungen:

  • Aufbau physikinformierter Vorhersagemodelle für kleine, heterogene Datensätze
  • Nutzung von Korrelationen zwischen verwandten Materialeigenschaften
  • Abschätzung von Verunreinigungstoleranzen und kritischen Eigenschaftsgrenzen
  • Priorisierung von Materialkandidaten vor kostspieligen Testreihen
  • Einbindung interner Datenbanken zur Erweiterung der Vorhersagebasis

Referenzprojekt:

  • Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe
    DFG-Projekt ML4MicroOpt

KI-gestütztes Materialdesign

Wir optimieren chemische Kompositionen oder Mikrostrukturen für definierte Eigenschaftsprofile mittels KI und physikbasierten Modellen, auch für komplexe Materialsysteme wie Metalle, Kompositwerkstoffe und Keramik. Sie verkürzen damit Ihre Entwicklungszeiten und senken Kosten durch weniger Entwicklungsiterationen.

FuE Leistungen:

  • Optimierung chemischer Zusammensetzungen für definierte Eigenschaftsprofile
  • Mikrostrukturoptimierung für Metalle, Kompositwerkstoffe und Keramik
  • Kopplung von KI-Modellen mit physikbasierten Materialmodellen
  • Identifikation von Zielkonflikten zwischen konkurrierenden Eigenschaften
  • Priorisierung aussichtsreicher Materialkandidaten vor der experimentellen Validierung

Referenzprojekt:

  • Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe
    DFG-Projekt ML4MicroOpt

KI-gestützte Prozessauslegung

Wir modellieren hybrid und physikbasiert die komplexen Zusammenhänge zwischen Prozessparametern, Mikrostruktur und Materialeigenschaften zur Prozessauslegung beim Umformen metallischer Werkstoffe. Sie reduzieren damit Try-Outs und Ausschuss und erzielen signifikante Zeit- und Kostenersparnisse.

FuE Leistungen:

  • Modellierung von Prozess-Struktur-Eigenschafts-Beziehungen für Umformprozesse
  • Eingrenzung robuster Prozessfenster auf Basis hybrider Modelle
  • Reduktion experimenteller Try-Outs durch simulationsgestützte Vorab-Bewertung
  • Identifikation kritischer Prozessparameter mit größtem Einfluss auf die Eigenschaften
  • Übergabe optimierter Prozessfenster in Ihre Fertigungsplanung

Referenzprojekt:

  • Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe
    DFG-Projekt ML4MicroOpt

Forschungsthema autonome Entwicklungsassistenz (Self-Driving Labs)

In der Forschung verfolgen wir den Ansatz selbststeuernder Entwicklungsframeworks, in denen KI-Agenten Simulations- und Testkampagnen eigenständig planen, ausführen und auswerten – unter Anbindung von Simulationstools, Prüfständen, Datenbanken und Literatur und stets unter Freigabe des verantwortlichen Ingenieurs. Perspektivisch ermöglicht dies deutlich schnellere Qualifizierungszyklen, die systematische Exploration nicht manuell abdeckbarer Designräume, frühes Erkennen von Sackgassen und eine nachvollziehbare Entscheidungshistorie.

FuE Leistungen:

  • Konzeption autonomer Agenten für Simulations- und Testkampagnen
  • Anbindung von Prüfständen, Simulationstools, Datenbanken und Literatur
  • Definition von Freigabepunkten für den verantwortlichen Ingenieur
  • Exploration großer Designräume mit automatisierter Planung und Auswertung
  • Dokumentation einer nachvollziehbaren, auditierbaren Entscheidungshistorie