Agenda

KI in der FEM-Simulation: Beschleunigte Optimierung von Kunststoffschnapphaken-Designs in der Automobilindustrie

Authored & Presented By
Florian Dirisamer (Digital Physics AI GmbH)

Im Zentrum der Produktentwicklung in der Automobilindustrie steht die kontinuierliche Optimierung von Bauteilen, insbesondere von Kunststoffkomponenten, um Ziele wie Leichtbau, Langlebigkeit, Kosteneffizienz und Zuverlässigkeit zu erreichen. Die Einführung von Künstlicher Intelligenz (KI) in diesen Prozess markiert einen revolutionären Wandel, insbesondere durch den Einsatz neuronaler Netze. Diese Technologien ermöglichen es, aus einer Vielzahl von Daten zu lernen und das Verhalten von Materialien und Komponenten unter verschiedenen Belastungen mit hoher Präzision vorherzusagen. Der Einsatz von KI in der Finite-Elemente-Methode (FEM) Simulation führt zu einer drastischen Reduzierung der für Simulationen benötigten Zeit. Anstatt Tage oder Wochen für die Durchführung komplexer Simulationen aufzuwenden, können bei trainierten Systemen Ergebnisse in Minuten oder sogar Sekunden erzielt werden. Dies ermöglicht eine wesentlich schnellere Iteration von Designvarianten, wodurch die Entwicklungszyklen verkürzt und die Markteinführungszeiten verbessert werden kann. Die Anwendung von KI ermöglicht darüber hinaus eine tiefgehende Analyse und Optimierung von Designs, ohne dass dafür ein exponentieller Anstieg der Rechenressourcen nötig ist. Dies resultiert in der Entwicklung von leichteren, kosteneffizienteren und leistungsfähigeren Bauteilen mit längerer Lebensdauer, was in der Automobilindustrie, wo jedes Gramm eine Rolle spielt, von entscheidender Bedeutung ist. Um die praktische Anwendung und die Vorteile dieser technologischen Fortschritte zu verdeutlichen, wird unser Vortrag eine Fallstudie zur Optimierung von Kunststoffschnapphaken vorstellen. Hierbei demonstrieren wir, wie durch den Einsatz von KI-gestützten FEM-Simulationen die Entwicklungsprozesse nicht nur beschleunigt, sondern auch qualitativ verbessert werden können. Wir legen die technischen Herausforderungen dar, präsentieren die angewandten Lösungsansätze und diskutieren die erzielten Verbesserungen im Detail. Diese Fallstudie unterstreicht, wie KI-Technologien innovative Entwicklungen in der Automobilindustrie vorantreiben und neue Möglichkeiten für die Produktentwicklung eröffnen.

Boosting Simulation & Testing Tasks by Integrating AI/ML in SPDM

Presented By
Alexander Köppe (PDTec AG)

Authored By
Alexander Kö
ppe (PDTec AG)
S. Mayer (SustainedBizz)

Running simulations typically requires specialized expertise. To scale your business and perform more simulations or expedite processes, either more specialists are needed, or existing specialists must work more efficiently. Integrating artificial intelligence (AI) and machine learning (ML) into Simulation Process and Data Management (SPDM) offers a transformative approach to reduce simulation times. AI/ML algorithms can analyze extensive datasets, identify patterns, and provide accurate predictions, thereby minimizing the need for prolonged and computationally intensive simulations. By predicting outcomes, identifying potential failures early, and optimizing designs, AI/ML significantly saves time and computational resources, facilitating faster iterations and innovative solutions. Imagine empowering your teams to leverage the collective knowledge of the entire team at any time. What if a designer could estimate whether their current design would meet mechanical requirements, or an FEA specialist could decide to skip a simulation because they can predict it will fail? Enabling specialists to autonomously perform tasks outside their expertise or make quick decisions to prevent unnecessary work will significantly boost team performance. Facilitating knowledge sharing and utilization among engineers in a controlled and effortless manner is crucial for building a robust knowledge base and transforming collaborative workflows. By enabling engineers to train, use, and share small-scale neural networks with a narrow focus, we propose a strategy that contrasts with the resource-intensive training of large general-purpose models. There are significant benefits to developing small, specific models with minimal effort and shorter lifespans, making the use of neural networks akin to writing macros in the past or building and sharing Functional Mock-Up Units today. However, aggregating the necessary training data easily and quickly can be challenging. To realize this vision and make it beneficial, the process must be as straightforward and effortless as possible for users. In this presentation, you will learn how the direct integration of no-code ML learning tools into simulation data management means that the user is only a few clicks away from training their first model.

Vom Wunschergebnis zur Lösung - mittels Machine Learning in Minuten zum CAD-Konzeptentscheid

Presented By
Michael Probst (CAIQ GmbH)

Authored By
Michael Probst (CAIQ GmbH)
J. Klein (CAIQ)
R. Siegloch (Audi)

Das klassische Ping-Pong zwischen Konstruktion und Simulation ist insbesondere für die Frühe Phase des Ent-wicklungsprozesses nicht mehr zeitgemäß. Der altbekannte Zeit- und Kostendruck erfordert in weiter zuneh-mendem Maße den Einsatz von Datentechnologien und sehr schnellen Antworten auf prinzipielle Designfragen. Reine Simulations-basierte Verfahren bieten hierbei schon einige Optionen, allerdings ist die Auswahl an mögli-chen Designparametern noch stark eingeschränkt und die Modellparametrisierung mitunter sehr komplex. Wie bekommt man es also hin, in der frühen Phase möglichst viele und auch valide Designmöglichkeiten sehr schnell zu evaluieren und auf dieser Basis den optimalen Parametersatz bzgl. der Anforderungen zu finden? Für frühzeitige, schnelle und valide Designentscheidungen ist es wichtig, das bestehende Knowhow der Konstrukti-on bereits in die Datenentstehung einfließen zu lassen. Unser Ansatz verbindet das Knowhow eines erfahrenen Konstrukteurs (CATIA) mit hocheffizienten Prozess-schritten in der Evaluierung (Simulation) sowie die Technologie für daten-getriebene Prognosemodelle (ML). Der Beitrag zeigt unser Vorgehen auf, wie ausgehend von einem parametrisierten CAD-Modell die Bewertung der Struktureigenschaften automatisiert erfolgen kann und daraus mittels einer DoE eine valide Datengrundlage für ein Machine Learning-basiertes Prognosemodell entsteht. Anhand eines konkreten Beispiels wird darauf eingegangen, welche CAD-seitigen Voraussetzungen zu erfüllen sind, um den Prozess vollständig automatisieren zu können. Der Brückenschlag von der CAD zur Simulation von in unserem Falle einer Karosseriesubstruktur wird ebenfalls vollständig automatisiert. Somit wird eine CAD-basierte DoE mit umfangreicher Geometrieparametrik aufgesetzt und mit den Modellbildungen und Solvern nach Wahl simuliert (eine Eingrenzung auf systeminterne Solver besteht also nicht). Es wird aufgezeigt, wie auf Basis dieser DoE eine Applikation (Entwurf) für Designentscheidungen aussehen kann, die in nahezu Echtzeit Antworten auf diskutierte Parameteränderungen liefert. Als Highlight können schließlich in einem rekursiven Vorgehen passende Parametervektoren herausgearbeitet werden, die einen vorher definierten Ergebnisvektor erfüllen. Im Ausblick wird aufgezeigt, wie solch eine Anwendung auf Plattformbasis einer breiteren Anwenderschaft (Konstrukteure) zur Verfügung gestellt werden könnte.

KI-Expertensysteme in der Produktentwicklung als Chance für die Konservierung von wertvollem Expertenwissen und nachhaltigerer Ressourcenplanung

Presented By
Lars-Christian Bütow (:em engineering methods AG)

Authored By
Lars-Christian Bü
tow (:em engineering methods AG)
M. Keil (:em engineering methods) D. Rensink (Segula Technologies)

System Design und Optimierung der Produktentwicklung sind vor allem in der Automotiv-Branche stark abhängig von Expertenwissen, welches durch zunehmenden Fachkräftemangel immer wertvoller wird. Viele Unternehmen lassen zudem im Hinblick auf Kostenersparnis und Ressourcenengpass möglichst viele Aufgaben von kostengünstigeren und daher meist unerfahreneren Ingenieuren erledigen. Daher müssen Seniorexperten ihre realen, praktischen Erfahrungen an die jungen Entwicklungsingenieure übermitteln können. Dies gewährleistet die Wettbewerbsfähigkeit der Hersteller und Zulieferer und sichert die Qualität der Ergebnisse. Des Weiteren resultieren die zunehmende Digitalisierung und Globalisierung in einer immer größeren Datenmenge, die während der Produktentwicklung erzeugt wird. Jedoch liegen diese Daten meist an verschiedenen Orten in unterschiedlichen und zum Teil nur in menschenlesbaren Formaten vor. Diese distributive Verwaltung der Daten, sowie die Arbeitsweise auf Distanz haben zur Folge, dass keine konsolidierten Daten vorliegen und somit kein Single-Point-Of-Truth (SPOT) existiert. Das Forschungsprojekt "Entwicklungsplattform 4.0", welches in diesem Vortrag präsentiert wird, widmet sich den oben aufgeführten Herausforderungen. Innerhalb dieses Projekts wird ein KI-Expertensystem aufgebaut, das u.a. Test- und Simulationsdaten miteinander verknüpft und hierdurch einen SPOT schafft. Diese Wissenskonservierung und der gewährleistete Zugriff auf alle notwendigen Datenartefakte just in time führen dabei zukünftig zu einer Effizienzsteigerung und Entwicklungszeitverkürzung. Dies wird erreicht, indem Senior-Ingenieure ihr Wissen über Simulationen und Tests in einem betriebsinternen Expertensystem erfassen. Dieses kann durch Jung-Ingenieure genutzt und eigenständig nach erfolgter Freigabe der Qualitätssicherung erweitert werden. Das Expertensystem ermöglicht die Modellierung von physikalischen Effekten im Rahmen der Simulation, um verschiedene Designalternativen zu evaluieren und damit System Design und Optimierungsaktivitäten deutlich zu verbessern. Darüber hinaus wird die Anzahl der notwendigen physischen Tests durch die optimierten Simulationen reduziert, was ebenfalls zu einer Ressourcenersparnis bei den Herstellern und Zulieferern führt. Um die angeführten Lösungen umzusetzen, kommen Ansätze aus dem Bereich der Künstlichen Intelligenz zum Einsatz. Für die zielgerichtete Bereitstellung der Informationen werden u.a. ein Prozessbegleiter und ein WikiBot implementiert.

On the Introduction of Cloud-Based SPDM in Multidisciplinary Simulation Teams

Authored & Presented By
Michael Göttlinger (Hilti Entwicklungsgesellschaft mbH)

The digitalization of development processes is an essential step in order to meet the demand for shorter development times, a constantly growing product portfolio and ultimately the vision of the fully virtual prototype. Furthermore, modern AI-based algorithms rely on carefully managed and precise data structures. The systematic management of simulation data and processes provides an important building block here and, in its initial steps, faces the challenge of having to be integrated into PLM structures that have evolved over decades. For small and medium-sized simulation teams in particular, the task of combining their usually diverse and highly individualized calculation processes in a central SDM solution and managing the complexity of system implementation seems enormous. The presentation shows important aspects in the decision-making process for a system solution, describes learnings on the various dimensions in the project and provides insights into our experience with cloud-based implementation.

SPDM-Centric Systems Connection for Seamless End-To-End Simulation Data Management

Authored & Presented By
Irene Makropoulou (BETA CAE Systems SA)

In today's rapidly evolving engineering landscape, effective management of simulation processes and associated data is paramount for ensuring product quality, reducing time-to-market and enhancing competitiveness. Therefore, Simulation Process and Data Management (SPDM) systems are at the focal point of the strategy, guiding and shaping how simulation workflows are orchestrated and how simulation data is handled. In this context, the seamless integration of SPDM systems within CAE environments is a key enabler for the efficient coordination and data exchange across diverse systems, tools and stakeholders. This contribution explores the connection of different systems like PDM/PLM, HPC, CAE and MBSE applications, data analysis tools and test results databases with the SPDM system, aiming to establish a seamless framework for end-to-end simulation data management. Challenges inherent in maintaining data integrity, traceability, and version control are addressed, alongside strategies for overcoming these hurdles. Through real-world case studies and success stories, this work highlights the benefits of adopting an SPDM-centric approach for the connection of different systems, adopting a strategic mindset where SPDM systems are not just peripheral tools but fundamental components driving effective simulation data management practices, ultimately leading to improved productivity, quality, and innovation in engineering design and development processes.

Datenintegration als Erfolgsfaktor für die Automobilindustrie: Vier Praxis-Beispiele für eine einheitliche Daten- und Prozessinteg- ration sowie optimierte Arbeitsprozesse

Authored & Presented By
Andreas Nicklaß (GNS Systems GmbH)

Die zunehmend datenbasierte Produktentwicklung, die Einführung von XiL-Simulation und ein stärkerer Fokus auf Systems Engineering macht die Automobilindustrie deutlich digitaler, datengetriebener und auch komplexer. Daten avancieren hierbei zum Treiber großer technologischer Innovationen, denn unter dem Druck des Marktes und immer kürzerer und schnellerer Entwicklungszyklen reagieren Automobilunternehmen mit stark vernetzten Entwicklungs- und Produktionsprozessen. Deren Effizienz hängt wesentlich von der Möglichkeit einer globalen Datennutzung ab. Eine einheitliche Plattform für das Datenmanagement geht die derzeitigen Herausforderungen im Umgang mit (Engineering-)Daten - unter anderem Datenspeicherung und -management, optimaler Datenzugriff, Rückverfolgbarkeit - zukunftsorientiert an. Das dahinterstehende Datenmanagement erfüllt alle Anforderungen, indem die Plattform als cleverer "Information Hub" verteilte Datensilos aufbricht und die interdisziplinäre Datendurchgängigkeit unterstützt. Die Integration KI-basierter Analysen der Datensätze steigern zudem die Effizienz. Als Cloud-basierte Lösung adressiert die Plattform zudem alle Aspekte der Kostenreduktion, Zuverlässigkeit und Flexibilität: Maximale Automatisierung und der Einsatz einer CI/CD-Pipeline beschleunigen die Entwicklungsprozesse und fördern eine schnellere Time-to-Market von Innovationen. Ausgehend von diesem Konzept einer ganzheitlichen Datenplattform hat GNS Systems optimal an konkrete Kundenbedürfnisse angepasste Lösungen für die Daten- und Prozessintegration entworfen und implementiert. Anhand vier konkreter Anwendungsfälle aus der Automobilindustrie skizziert der Vortrag eine Lösung, die neben dem Datenmanagement auch alle Methoden, Prozesse und Werkzeuge umfasst, die für die Simulation und Berechnung neuer innovativer Produkte wichtig sind, nämlich Daten aus unterschiedlichsten Quellen und Prozessen zusammenzuführen und effizient zu verarbeiten. Das erste Praxisbeispiel zeigt, wie es ein einheitliches Datenmanagement entlang des gesamten Produktentwicklungsprozesses erlaubt, auch große, heterogene Datenmengen schnell zu verarbeiten, zu speichern und für die Entwicklung neuer Fahrzeugmodelle zu analysieren. Beim zweiten Praxisbeispiel liegt der Fokus auf dem Cloud-Konzept für die Entwicklungsumgebung. Der barrierefreie Zugriff auf Tools und integrierte Entwicklungs- sowie Softwareumgebungen über eine angepasste Lösung für die Daten- und Prozessintegration unterstützt das Unternehmen dabei, die simulationsgetriebene, virtuelle Produktentwicklung signifikant zu beschleunigen. Praxisbeispiel drei stellt die Interoperabilität, also die Verwaltung und Orchestrierung von Daten weltweit verteilter Teams in den Mittelpunkt - konkret sind das beispielsweise Daten aus einer Strukturanalyse aus Europa, aus einer Crash-Analyse in Asien sowie einer Fußgängeraufprall-Analyse in Nordamerika. Der nahtlose Zugriff und die gemeinsame Nutzung der Daten über global verteilte Standorte hinweg trug maßgeblich zu einer Effizienzsteigerung im Produktentwicklungsprozess bei. Das letzte Praxisbeispiel steht im Kontext des autonomen Fahrens. Das Entwickeln neuer Fahrfunktionen ohne einen umfangreichen Datensatz ist schlicht nicht möglich. Der Vortrag zeigt eine angewandte Lösung für die Daten- und Prozessintegration, die effiziente Orchestrierung von Informationen für die Entwicklung autonomer Fahrsysteme über einen falloptimierten Zugriff auf global verteilte Daten realisiert. Unser Ansatz eines einzigen Datenraums verbindet Lösungen für die Daten- und Prozessintegration mit verschiedenen Tools und Solvern für die Produktentwicklung. Unternehmen profitieren von einem einheitlichen Ökosystem, das die Komplexität hochgradig verteilter Datenlandschaften meistert, indem große Datenmengen aus verschiedenen Quellen auf nachhaltige Weise gestreamt, verarbeitet, gespeichert sowie analysiert werden. Die benötigte Zeit zwischen Entwicklung, Test und Implementierung verkürzt sich so erheblich. Die Fähigkeit, hochkomplexe Szenarien in kürzester Zeit zu simulieren und zu validieren, fördert entsprechend datengestützte Entscheidungen und treibt Produktinnovationen voran.

Einführung und Nutzen eines zentralen Simulationsdatenmanagementsystems bei Dieffenbacher

Presented By
Dino Magagnato (Dieffenbacher GmbH)

Authored By
Dino Magagnato (Dieffenbacher GmbH)
C. Stelzer (Cadfem)

Die Simulationsdaten werden heute zumeist von jedem Berechnungsingenieur eigenständig und häufig lokal verwaltet. Darüber hinaus legen Konstrukteure, Entwicklungsingenieure und teilweise auch Gruppen- oder Abteilungsleiter diese Daten häufig nochmal ab. Dies ist vor allem schwierig, wenn mehrere Varianten der Simulationsdaten vorhanden sind. Die Kommunikation untereinander und der Freigabeprozess der Berechnung erfolgt oftmals über E-Mails. Hier ist eine aufmerksame Ablage der Daten und E-Mails notwendig. Dies ist von Bedeutung, da über einen langen Zeitraum bei Bedarf nachgewiesen werden muss, dass alles richtig kalkuliert und ausgelegt wurde. Es gilt auch nach Jahrzehnten noch erklären zu können, warum und unter welchen Annahmen bestimmte Varianten entstanden sind und berechnet wurden. Das alles kostet wertvolle Ingenieurszeit und erschwert oftmals das Nachvollziehen der angewendeten Methodik. Insbesondere Letzteres ist für den internen Wissensaufbau und -erhalt im Simulationsteam ein wichtiger Faktor in der Produktentwicklung. In diesem Beitrag berichten wir über unsere Praxiserfahrungen bei Dieffenbacher seit der Einführung eines zentralen Simulationsdatenmanagementsystems (SDM).

Workshop: A​I für Simulationsingenieure

Authored & Presented By
Max Kassera (yasAI UG)

In diesem Workshop werden die Teilnehmer in die Anwendungsbereiche der Künstlichen Intelligenz für Simulationen eingeführt. Der Kurs beginnt mit einer einsteigerfreundlichen Einführung in die Funktionsweise und den Aufbau von KI-Systemen. Anschließend wird anhand von Praxisbeispielen beleuchtet, in welchen Fällen KI herkömmliche Methoden übertrifft und in welchen Situationen sie nicht die beste Wahl ist. Dieser Workshop bietet mit interaktiven Elementen und einem Q&A sowohl Anfängern als auch Personen mit Vorkenntnissen eine ausgewogene und realistische Perspektive auf die sich entwickelnden Möglichkeiten der KI im Ingenieurwesen.

Ensure IP Splash- and Jet-Water Protection with Highly Automated SPH Simulation

Presented By
Kai Häberle (Alfred Kärcher SE & Co. KG)

Authored By
Kai Hä
berle (Alfred Kä
rcher SE &
Co. KG)
B. Legrady (dive solutions)

In fast jedem Kärcher-Produkt wird Wasser durch einen elektrisch betriebenen Prozess bewegt. Daher kann nicht garantiert werden, dass das Produkt während der Anwendung nicht mit Wasser in Kontakt kommt, das Wasser durch vorhandene Öffnungen in das Gerät eindringt und elektrische Teile berührt. Um den Benutzer vor etwaigen Schäden zu schützen, muss durch ein geeignetes Design der Spritz- und Strahlwasserschutz gewährleistet werden. Die Norm DIN EN 60529 definiert, gegen welche Art von Test-Szenarien das Gerät geschützt sein muss. Diese sogenannten IPX-Tests basieren auf reellen Situationen und reichen von senkrecht fallendem Wasser, über Spritzwasser aus mehreren Richtungen, bis hin zu Hochdruckstrahlen. Gültige IPX-Spritz- und Strahlwassertests müssen mit seriennahen Prototypen oder werkzeugfallenden Teilen durchgeführt werden. Darum können mögliche Probleme erst spät im Entwicklungsprozesses entdeckt werden, was zu zeitaufwändigen und kostspieligen Überarbeitungen des Designs führt. Die vorgestellte Arbeit behandelt einen neuartigen Workflow für die Simulation von IPX4-Spritzwassertests, der es ermöglicht, die Wasserdichtigkeit bereits in einem frühen CAD-Designstadium numerisch zu validieren. IPX4-Tests sind hochstandardisierte, sich wiederholende Aufgaben, die sich gut für eine virtuelle Teststrategie eignen. Die Simulation von Spritzwassertests ist durch den Fortschritt in der SPH-Simulationssoftware möglich geworden, wobei die Anwendung auf IPX4-Tests in der SPH-Literatur bisher kaum diskutiert wurde. Die gitterfreie Modellierung ermöglicht gegenüber klassischen CFD-Methoden die Simulation von sich bewegenden offenen Grenzen, Strömungen im freien Raum und sich bewegenden Festkörpern, wobei auch Kapillarströmungen in engen Spalten erfasst werden. Ferner reduziert eine lokale Verfeinerungsmethode den Simulationsaufwand und erleichtert die Fokussierung auf kritische Bereiche. Durch Verwendung des kommerziellen SPH-Codes von DIVE Solutions und einer Python-API können die Simulation, sowie Pre- und Postprocessing für IPX4-Tests vollständig automatisiert in den Entwicklungsprozess integriert werden. Außerdem liefert die Simulation im Vergleich zu experimentellen Tests mehr Erkenntnisse und ermöglicht eine schnellere Entscheidungsfindung. Wir schließen mit einer Diskussion über zukünftiges Verbesserungspotenzial und einer Bewertung der Automatisierbarkeit weiterer IPX-Testklassen.

Simulation of Electric Engine Oil Cooling with Smoothed Particle Hydrodynamics (SPH)

Presented By
Felix Pause (dive solutions GmbH)

Authored By
Felix Pause (dive solutions GmbH)
M. Fischer
G. Mensah (dive solutions)

As the automotive industry shifts towards electrification, the design of electric engines becomes paramount for optimizing vehicle performance. Balancing increased power and longevity with compactness and simplicity necessitates sophisticated cooling strategies to maintain optimal operating temperatures. Various simulation methods have been explored in the past, ranging from traditional Volume of Fluid (VOF) techniques to particle-based approaches. Smoothed Particle Hydrodynamics (SPH) has gained traction in drivetrain engineering, particularly for gearbox lubrication, due to its ability to accurately model free surface and multiphase flows, as well as its efficacy in handling complex geometries and moving components. Consequently, SPH is increasingly applied in the design of electric engines. This presentation presents findings from simulations of a simplified, actively cooled electric engine employing SPH. The results are validated against experimental data, underscoring the method's efficacy in predicting oil dynamics and heat transfer. Moreover, the presentation outlines best practices for employing SPH in electric engine design.

Einfluss von innovativen Leichtbaumaßnah- men eines permanenterregten Synchron- motors auf die simulative Ermittlung der Temperaturentwicklung seiner Komponenten

Presented By
Anton Dewald (Karlsruher Institut für Technologie (KIT))

Authored By
Anton Dewald (Karlsruher Institut fü
r Technologie (KIT))
J. Kern
K. Bause
S. Ott (Karls- ruher Institut fü
r Technologie (KIT))

Elektrische Traktionsmaschinen sind in der angestrebten Mobilitätswende ein zentrales Umsetzungselement. Neben der Etablierung nachhaltiger Antriebskonzepte muss die energetische Effizienz dieser Antriebe gewährleistet und kontinuierlich verbessert werden. Zur Reduktion des Energieverbrauchs des Antriebssystems gilt es auch die Gesamtmasse der elektrischen Maschine, insbesondere den rotierenden Elementen, durch Leichtbaumaßnahmen weiter zu optimieren. Gemeinsam mit Partnern arbeiten die Autoren daran, die Subsysteme mit dem größten Gewichtsanteil, dazu zählen das Blechpaket, der Rotor und die Wuchtscheiben, möglichst masseeffizient optimiert. Aufgrund strukturmechanischer und thermischer Einschränkungen dürfen die Massen nicht beliebig reduziert werden. Die Änderung der Welle-Nabe-Verbindung von dem bisher üblichen zylindrischen Pressverband hin zum Einbringen eines Polygons in die zylindrische Nabe stellt einen erheblichen Eingriff in den Wärmeübergang zwischen Rotorwelle und Blechpaket dar. Der Wärmeübergang zur Rotorwelle ist entscheidend, da die Magnettemperatur nicht mehr durch Rotorinnenkühlung effizient reduziert wird und damit die Permanentmagnete des Rotorblechs dauerhaft entmagnetisiert werden könnten. Ziel der zunächst simulativen Untersuchungen, ist den thermischen Einfluss der aktuellen Designänderung festzustellen. Im Rahmen dieser Veröffentlichung wird der simulative Einfluss des iterativ designoptimierten Rotors auf die Maximaltemperaturen und Temperaturverteilungen in der Maschine untersucht. Mithilfe der Kombination von CFD- und CHT-Simulationsmethoden in der Umgebung ANSYS Fluent wird ein vorab aus elektromagnetischen Simulationen ermitteltes Verlustkennfeld thermisch auf das Rotorblechpaket projiziert. Die Rotorkomponenten werden anhand real ermittelten Wärmeübergangskoeffizienten thermisch verknüpft. Damit wird im stationären Betriebspunkt der thermische Energiefluss, sowie das resultierende Temperaturfeld bestimmt. Die Ergebnisse zeigen, dass die Änderung der Rotorwelle zu einem Polygon zu tendenziell höheren Temperaturen in den kritischen Betriebspunkten führen und die Rotorinnenkühlung aufgrund des geänderten Wärmeüberganges kaum wirksam wird. Weitere Ermittlungen durch Simulationen und Prüfstandversuche sind notwendig, um thermische Effekte vorhersehbar zu reproduzieren, sodass die Auslegung der Rotorgestalt zukünftig evaluiert werden kann.

Integrated 1D and 3D Workflow for EV Battery System Development

Presented By
Rakesh Dontham (Dassault Systemes Deutschland GmbH)

Authored By
Rakesh Dontham (Dassault Systemes Deutschland GmbH)
C. Chang
C. Stromberger
H. Li
A. Colleoni
V. Lebrun
S. Kandasamy
F. Gandhi (Dassault Systè
mes)

With the growing market for electric vehicles comes a need for quick and accurate simulation of the thermal behavior of electric vehicle battery systems. This battery system development with a focus on thermal performance can be done using full 3D computational fluid dynamics simulations with conjugate heat transfer applied to the 3D battery module and cold plate geometries using Dassault Systèmes' 3DExperience Platform's Fluid Dynamics Engineer role. However, for early conceptual design, where many design iterations need to be tested, this can become prohibitively expensive. There is also a need for quick and accurate battery modelling when integrated into larger 1D systems of the vehicle. This talk, therefore, discusses the correlation of the thermal behavior of 3D battery model systems with numerically cheaper 1D battery models developed using the Dymola Modelica library. Examples of the good correlation achieved between the 3D and 1D models are presented through a canonical liquid cooled battery pack with uniform loading and, subsequently, the battery pack with a load cycle based on the EPA Urban Dynamometer Driving Schedule.

Der Weg zur globalen elektromagnetischen Feldsimulation in Hörgeräten

Presented By
Thomas Fischer (Sivantos GmbH)

Authored By
Thomas Fischer (Sivantos GmbH)
S. Lensing
O. Nipp (WSAudiology)

Moderne Hörgeräte sind fortschrittliche Hörcomputer und sind seit langsam schon in der modernen vernetzten Welt gut eingebunden. Drei drahtlose Funksysteme sorgen dafür für eine reibungslose Kommunikation untereinander, zum Smartphone, zu Audio Streaminggeräten oder Programmier Schnittstellen beim Hörgeräteakustiker. Aufgrund der Größe und der vorherrschenden Integrationskomplexität eines Hörgerätes ist die elektromagnetische Feldsimulation ein notwendiges Handwerkzeugs eines Funksystem Entwicklers. So kann die Abschätzung der Antennenperformance am Kopf wie auch die Störeinkopplung von internen getakteten Komponenten in die Funksysteme nur mit Simulation abgeschätzt werden. Die Simulation trägt außerdem dazu bei, die Anzahl an Hardwareiterationen zu verringern oder bereits in ersten Hardwareaufbauten gute Ergebnisse zu erzielen. In diesem Vortrag sollen aber nicht nur die Vorteile der Simulation und der Reifegrad der einzelnen Simulationsverfahren hervorgehoben werden, sondern auch die Vielzahl an Möglichkeiten, die sich einer Firma bietet, Simulation nachhaltig einzuführen. Dabei stehen nämlich nicht nur technische Fragestellungen im Vordergrund (Server, Tool, Modellbildung). Von wesentlicher Bedeutung sind auch die personelle Organisation und die notwendige Routine in Form von Prozessen, welche helfen die Simulationen breiter zu etablieren und zu akzeptierten Ergebnissen zu führen. Die heute bei WSA vorherrschende Struktur zur Feldsimulation ist die Antwort auf diese Fragen und hilft mehr als 15 Simulationsexperten an drei Standorten sehr gute Ergebnisse zu liefern.

EMV-Schirmung und Thermik - Auf der Suche nach der besten Lösung

Authored & Presented By
Jochen Kinzig (CENIT AG)

Elektrische Geräte müssen gesetzliche oder auch vom Kunden vorgegebene Anforderungen an die elektromagnetische Verträglichkeit (EMV) erfüllen. Häufig wird ein geschirmtes Gehäuse verwendet, um die Abstrahlung von Störungen zu reduzieren. Ein vollständig geschlossenes Gehäuse wäre hinsichtlich der elektromagnetischen Abschirmung optimal, würde aber zu einem Wärmestau im Gerät führen, da sich die elektronischen Bauteile durch die Verlustleistung erwärmen. Lüftungsöffnungen schaffen hier Abhilfe, wirken sich aber negativ auf die elektromagnetische Abschirmung (sog. Schirmdämpfung) aus. Dieser Zielkonflikt kann nur durch die gemeinsame Betrachtung beider Disziplinen aufgelöst werden. Nicht nur die EMV-Abschirmung, sondern auch die thermische Kühlung müssen gleichzeitig analysiert werden. Eine parametrische Studie gibt einen tiefen Einblick in die beeinflussenden Parameter und hilft dem Entwickler, die beste Lösung zu finden. Zu diesem Zweck werden DoE- und Metamodell-Techniken eingesetzt, um eine Designraumerkundung in realistischer Zeit zu ermöglichen. Dieser Workflow wird für ein Beispielgerät mit EMV-Abschirmung und integriertem Lüfter gezeigt. Es wird zum einen gezeigt, wie mit einer interaktiven Designraumerkundung eine Lösung gefunden werden kann und zum anderen, wie eine Mehrzieloptimierung den besten Kompromiss findet.

A Multi-Physics Simulation Framework for Maxwell's Equations

Presented By
Thomas Rüberg (TailSit GmbH)

Authored By
Thomas Rü
berg (TailSit GmbH)
L. Kielhorn
J. Zechner (TailSit)

TailSit has a long standing experience in integrating three-dimensional Finite Element (FEM) and Boundary Element (BEM) methods to address electromagnetic problems. This methodology leverages the advantages of FEM for volumetric electromagnetic simulations and BEM for modeling exterior domains, resulting in a comprehensive solution framework that is perfectly suited for the simulation of multi-physics phenomena. Because the exterior, unbounded air region is excluded from the numerical model, the coupling of FEM-BEM techniques offers a powerful framework for analyzing electromagnetic interactions within complex geometries while considering their impact on mechanical systems. Prominent examples for multi-physical problems in conjunction with electromagnetic phenomena are structural deformations induced by electromagnetic forces, thermal-mechanical coupling in electromagnetostrictive materials, and magnetohydrodynamics. To this date, only very few commercial products are available that allow for a seamless integration of mechanical and electromagnetic solvers. TailSit aims to overcome this lack of available coupling tools by providing a flexible, and yet easy-to-use framework to accomplish such kinds of multi-physical problems. We achieve this by using preCICE, an open-source coupling library for multi-physics simulations. preCICE offers a well-defined API for exchanging data between a wide range of very different numerical solvers. In this talk we will present a preCICE adapter for our FEM-BEM coupling code. Through numerical experiments and validation against analytical solutions, the efficiency and accuracy of the proposed approach is demonstrated across a range of scenarios. This work contributes to advancing the understanding and simulation capabilities of multi-physics phenomena involving electromagnetic interactions, paving the way for enhanced design and optimization of electromechanical systems in diverse engineering applications.

Diskussion

Workshop: The VMAP Standard for Vendor-Neutral CAE Data Storage

Authored & Presented By
Klaus Wolf (VMAP Standards Community e.V.)

Transfer of material and design data along the virtual manufacturing chain is the essence for data driven design process. This is now a key to many of the digitalization projects running across various industrial domains, many of which are now associated with VMAP Standards Community. This VMAP workshop plans to bring together a number of R&D&I projects as well as developers and users from industry and academia. There are many fields of engineering which are trying to incorporate VMAP standard, and this workshop will be a get-together to know and understand the needs and requirements from various domains. We would like to invite engineers, researchers, developers, closely working with the VMAP standard, VMAP SC and working group members and ITEA representatives & PAs to join the meeting and present their projects and ideas for VMAP standard & VMAP SC. We are looking forward to contributions from various domains and multiple use cases showcasing the current limitation and expected benefits from the standard, software solutions and code adaptations and other standardization activities in the relevant domains. Some presentations will also focus on the ongoing developments including but not limited to sensor data storage, full model storage, material data transfer in additive manufacturing processes. The aim of this meeting is to identify the new areas and requirements for VMAP and to jointly agree on the course of further development of the standard. This VMAP workshop is a follow-up event to the first VMAP User Meeting in February 2024 (https://vmap-standard.org/Events/VMAP-User-Meeting-2024/), at which developers, users and standardisation experts presented the ongoing work and upcoming plans for VMAP in over 20 presentations. More information on VMAP are available at https://vmap-standard.org/Homepage/

Workshop: KI-gestützte CAE-Projektplanung

Presented By
Simon Mayer (sustainedBIZZ GmbH)

Authored By
Simon Mayer (sustainedBIZZ GmbH)
A. Kö
ppe (PDTec)

Im Workshop führen wir durch die Schlüsselelemente der Planung und Vorbereitung eines CAE Projekts, das durch künstliche Intelligenz (KI) unterstützt wird. Wir konzentrieren uns darauf, wie mit minimalen Simulationen maximaler Nutzen erzielt wird, um mit den Ergebnissen KI-Modelle effektiv zu trainieren und zu skalieren. Erfahren Sie, wie Simulationen von Beginn an strategisch ausgerichtet werden kann, um die KI-Integration zu optimieren. Der Workshop bietet praktische Anleitungen zur Projektplanung, einschließlich der Auswahl und Vorbereitung der Daten, der Definition von Simulationszielen und der effizienten Nutzung von KI zur Verbesserung der CAE-Prozesse. Erhalten Sie einen Einblick in das KI-gestützte Arbeiten, um Ihre Projekteffizienz zu steigern und innovative Lösungen zu fördern. Der Workshop richtet sich an Fachleute, die bereits mit CAE vertraut sind und nun ihre Prozesse durch den Einsatz von KI-Technologien erweitern und optimieren möchten, um damit innovative Lösungen schneller und effizienter zu realisieren.

CAE Results Animations, Images and Sounds in AI/ML

Authored & Presented By
Cornelia Thieme (Hexagon Manufacturing Intelligence GmbH)

Today it´s standard that machine learning in CAE predicts values and curves from parameters. The presentation shows what can be done beyond number values. How can we predict animations (result files of CAE solvers), how can we extract information from images, step, stl or sound files so that the info from these files can be used as parameters? Can the image not only be used as input, but can we also predict images? The presentation gives concrete technical info how the prediction works and what the user should know to use these methods successfully.

Effizientes probabilistisches maschinelles Lernen für den Ingenieursalltag

Presented By
Kevin Cremanns (PI Probaligence GmbH)

Authored By
Kevin Cremanns (PI Probaligence GmbH)
T. Iberer
M. Moosrainer (Cadfem Germany)

Die zunehmende Integration künstlicher Intelligenz (KI) in verschiedene Bereiche macht auch vor dem Ingenieurwesen nicht halt, wo sie sich als unverzichtbares Werkzeug etabliert. In diesem Kontext präsentieren CADFEM und PI Probaligence eine probabilistische Machine-Learning-Lösung, die eine breite Palette von Ingenieursaufgaben effizient unterstützen kann. Die Lösung ist darauf spezialisiert, mit minimalen Datenpunkten auszukommen und benötigt keine Cloudanbindung. Der Betrieb auf lokaler handelsüblicher Hardware ist ein zentraler Aspekt. Dies macht sie zu einem äußerst nützlichen Instrument für Ingenieure, die mit knappen Ressourcen arbeiten müssen. Die Art der verwertbaren Daten ist vielfältig und reicht von der Verarbeitung numerischer Werte und akustischer Signale bis hin zur Analyse komplexer Entitäten wie transienter FEM/CFD-Simulationen oder 3D-Materialeigenschaften. Genauso umfangreich sind die Anwendungsmöglichkeiten. Sowohl die Erstellung eines digitalen Zwillings als auch die effiziente Versuchsplanung und Optimierung sind mögliche Einsatzszenarien. Der Algorithmus erlaubt die sinnvolle Koppelung echter Versuchsdaten und Simulationen als gemeinsame Datenquelle, um das Training effektiv zu beschleunigen. Die Vorhersage von nicht-parametrischen, sich ändernden Geometrien sowie Anwendungen im Bereich der Echtzeitsteuerung von Produktionsanlagen sind weitere Anwendungsbeispiele. Die Partnerschaft zwischen CADFEM und PI Probaligence zeigt das Engagement beider Unternehmen, hochmoderne Technologien im Ingenieursumfeld zu etablieren und die Integration von KI in den Ingenieurbereich voranzutreiben. Diese Lösungen werden die Art und Weise revolutionieren, wie Ingenieure Probleme angehen und Lösungen entwickeln. Der Fachvortrag soll diese neue Technologie vorstellen und ihren Anwendungsnutzen anhand von Praxisbeispielen aufzeigen.

Transformative Evolution: The Journey of AI/ML in Computer-Aided Engineering Optimization

Authored & Presented By
David Schneider (Ansys Deutschland GmbH)

Over the past decades, the field of computer-aided engineering (CAE) optimization has witnessed a remarkable evolution catalyzed by advancements in artificial intelligence and machine learning (AI/ML) technologies. This presentation traces the transformative journey of AI/ML in CAE optimization, beginning with the inception of metamodelling and metamodel-based optimization techniques. We delve into the progressive integration of sensitivity studies, adaptive design of experiments (DOE), and automatic machine learning algorithms, which have revolutionized optimization workflows by enhancing efficiency and accuracy. Moreover, the exploration extends to the emergence of hybrid optimization methodologies, leveraging the synergy between traditional optimization approaches and AI/ML algorithms. The discussion culminates in the contemporary utilization of cloud-based neural networks and large language models (LLMs) to harness vast computational resources and extract insights for achieving optimal designs. Through industry use-cases in different application and different physics disciplines, this paper demonstrates how AI-based meta-modeling accelerates design optimization.

Removing the Data Science Barriers to Deep Learning Surrogates

Presented By
Hoss Habib (Key Ward GmbH)

Authored By
Hoss Habib (Key Ward GmbH)
H. Habip (Key Ward)
A. Fine (Fine Physics)

The convergence of Artificial Intelligence (AI) and engineering disciplines heralds a transformative potential for optimizing design processes, enhancing analytical methodologies, and advancing simulation technologies. Despite these prospects, the integration of AI into engineering practices is impeded by significant challenges, primarily stemming from the handling of vast, unstructured engineering datasets and the inherent interdisciplinary gap between engineering and data science expertise. This paper introduces an automated, engineering-focused framework, Keyward, designed to bridge this divide by facilitating the efficient preparation and utilization of engineering data for AI applications. Leveraging advanced algorithms for data sorting and preprocessing, Keyward enables the seamless conversion of heterogeneous engineering data into AI-ready formats, addressing compatibility issues across various software tools and file formats prevalent in engineering workflows. Furthermore, the framework incorporates intuitive, no-code tools tailored for engineers, alongside comprehensive guidelines and validation checks for data scientists, thereby ensuring the generation of coherent, high-quality datasets for AI modeling. The efficacy of the Keyward framework is demonstrated through a case study within the OpenFOAM community, highlighting its capabilities in significantly reducing the time and expertise required to prepare engineering simulation data for deep learning applications. The results underscore Keyward's potential to not only streamline the AI integration process but also to foster a synergistic collaboration between engineering and data science disciplines, thus accelerating the adoption of AI technologies in engineering practices.

Synergizing Data Analysis and Machine Learning with Simulation Data Management

Presented By
Marko Thiele (SCALE GmbH)

Authored By
Marko Thiele (SCALE GmbH)
M. Liebscher
F. Leichsenring (Scale)
N. Abdelhandy
D. Borsotto (Sidact)
D. Kracker (Dr. Ing. h.c. F. Porsche)

Employing a simulation data management system ensures a comprehensive archive of all conducted simulations within a specified timeframe. This encompasses crucial simulation metadata such as load cases, solver versions, and components, along with the simulation output comprising raw data and derived key-results. Centralizing and organizing this data in a uniform structure facilitates seamless data analysis and knowledge extraction across numerous simulations. The utilization of open machine learning libraries and third-party solutions enhances the extraction of insights from the stored data, enabling the identification of patterns and trends essential for making data-driven decisions. This presentation will illustrate the workflow for setting up simulation data and conducting simulations to generate key results necessary for data analysis. Additionally, it will showcase the integration of third-party solutions, such as Femalyst from SIDACT or our proprietary Data Analysis Add-On, through the scalable Add-on concept of SCALE.result. By adopting this Add-On approach, SIDACT and other entities can seamlessly integrate their technology as third-party tools into existing simulation data management systems, leveraging proprietary front and back-end components while gaining access to simulation data.

Machine Learning to Empower Engineering Organizations: Technology & Applications

Presented By
Paul Mc Grath (Neural Concept Ltd.)

Authored By
Paul Mc Grath (Neural Concept Ltd.)
P. Baqué

K. Kritikos
T. von Tschammer (Neural Concept)

To tackle new challenges, engineers need radically new capabilities, including more effective ways to harness our computational resources. Because of their historical origin, simulation tools are not well adapted to design optimization in fast-paced production and design environments. It is extremely hard for design teams to leverage insights provided by advanced simulations and by the specialized teams who develop them. Deep Learning technologies can be used to integrate knowledge from simulation and design optimization tools in the workflow of the design engineers, instead of delegating this task to separate expert teams. In this talk, we explain how recent algorithms based on Geometric Deep Learning, allow shortcutting any simulation chain through a predictive model that outputs post processed simulation results and optimization suggestions, right from the CAD design. These models are being used in engineering companies to simplify processes and to emulate the expertise of simulation engineers in the hands of product or design engineers early in the development process. Thus, the number of iterations between teams are reduced while accelerating the design activities. We will also present recent developments and application examples in Geometry Generative Design tools, which can be combined with the predictive models, as well as real use cases of these technologies, enabling optimization within a fragment of the time necessary with traditional simulation techniques.

Leveraging Physics-Informed Neural Networks: An Introductory Guideline for Problem-Solving across Various Physical Domains

Presented By
Lucas Schmeing (Westfälische Hochschule)

Authored By
Lucas Schmeing (Westfä
lische Hochschule)
F. Pioch
J. H. Harmening (Westfä
lische Hochschule)

Physics-informed deep learning is a powerful tool for surrogate modeling, reconstruction of sparse data, and inverse problems in all fields of computational physics. Physics-informed neural networks are trained by embedding the governing equations, the boundary conditions, and labeled data in a combined loss function. When exploring applications of physics-informed deep learning, appropriate choices of crucial elements such as model architecture, training strategies, and other hyperparameters can be challenging. To assist researchers and practitioners in leveraging physics-informed deep learning in their domains, we present and explain the method and provide a best practice guideline. Initially, we provide a brief introduction to the integration of physical principles into a neural network and its training to satisfy governing equations. We further show a variety of exemplary applications in fluid dynamics, structural mechanics, and electrodynamics. Subsequently, advantages and disadvantages of physics-informed deep learning are discussed in comparison to traditional simulation and machine learning methods. Moreover, we present a guideline for researchers and practitioners, identifying the essential steps to prepare and successfully train a physics-informed neural network. To showcase the guideline, we apply it to a use case from the field of electrodynamics. Our contribution aims to provide the knowledge required to effectively utilize PINNs across various physical domains.

Hydrogen Storage 3D Architecture Automated Generation with AI

Presented By
Jean-Pierre Roux (DessIA Technologies)

Authored By
Jean-Pierre Roux (DessIA Technologies)
H. Massé
(OP Mobility)

The energy performance as well as the cost of a thermal system are strongly correlated to its architecture, the dimensioning of its components and its thermal management. At the architectural level, the design variables are the list of components used to characterize the thermal system and their arrangement. The cooling system must be able to regulate the temperature of the various vehicle components, which often requires multiple cooling loops. A new approach to System Modeling using object-oriented modeling coupled with artificial intelligence and 3D generative algorithms allows to exhaustively explore all possible combinations, to manage uncertainty and variability and to explore in less than a day all the functional architectural and 3D integration solutions meeting the requirements.

Vernetzung der Test- und Simulationswelt in einem PLM-System zur Förderung einer nachhaltigeren Entwicklung

Presented By
Mareike Keil (:em engineering methods AG)

Authored By
Mareike Keil (:em engineering methods AG)
L.-C. Bütow
R. Kircher (:em engineering methods)

Viele Hersteller, insbesondere in der Automotiv-Branche, setzen heutzutage neben etablierten Testverfahren auf Simulationen in der Produktentwicklung, was zunächst zu einer doppelten Dokumentationsarbeit führt und somit die Arbeitslast erhöht. Zudem wird die Komplexität des Datenmanagements aufgrund der Nutzung unterschiedlicher Ablageorte für diese Simulations- und Testdaten gesteigert. Dem gegenüberstehend können optimal implementierte Simulationsmodelle jedoch die Anzahl der physischen Tests elementar reduzieren. Für die zielführende Umsetzung dieser Art von Ressourcenreduktion muss allerdings die Planung der Tests und Simulationen verknüpft erfolgen und darf nicht unabhängig voneinander stattfinden. In diesem Vortrag berichten wir aus einem Forschungsprojekt, in dem die Ressourceneinsparung im Simulations- und Testbereich durch eine strukturierte und vernetzte (Daten-)Ablage bis auf die Parameterebene erreicht werden kann. Die Parameterebene ist hierbei von besonderer Bedeutung, da zahlreiche, verhältnismäßig kostengünstige Simulationen Tests definieren und bereits kritische Bereiche bzw. Parameter vorab erkennen, wodurch eine Einsparung von (finanziellen) Ressourcen durch die Reduktion der physischen Tests gewährleistet wird. Derzeit wird letzteres jedoch nur durch die Erfahrung von Mitarbeitern mit langjähriger Praxis erzielt. Um eine wettbewerbsfördernde hybride Validierung zu ermöglichen, muss eine vernetzte Planung von Test und Simulation in einem PLM-System erfolgen. Für die Erreichung dieses Ziels wurde zunächst im Forschungsprojekt ein neutrales Datenmodell mit Fokus auf die strukturierte Vernetzung von Simulations- und Testdaten für die hybride Validierung neu aufgebaut. Für die praktische Umsetzung wurde das PLM-System ARAS mit seinem vorhandenen Simulationsmodell verwendet, welches um fehlende Elemente aus dem neutralen Datenmodell erweitert wurde. Darüber hinaus wurde ein Testdatenmanagement neu angelegt, sowie die Relationen zwischen den Simulations- und Testdaten definiert. Die Dokumentation einer hybriden Validierung in einem System ist durch diese nachvollziehbare und durchgängige Verknüpfung gewährleistet. Sie bietet zudem viele weitere Vorteile, z.B. kann die Notwendigkeit von physischen Tests geprüft, die Simulation per Test validiert oder kritische Parameter verifiziert werden. Zukünftig soll diese Ablage digitaler Daten und deren Relationen in andere PLM-Systeme übertragen werden. Des Weiteren sind im Datenmodell Tags hinterlegt, die einem Large Language Model als Input dienen. Somit sind die Daten in KI-Expertensystemen nutzbar.

Scale and Democratize Reduced Order Modeling Techniques within an SPDM Framework

Presented By
Matteo Francia (Esteco SPA)

Authored By
Matteo Francia (Esteco SPA)
M. Turchetto
T. Gloesslein
A. Viola (Esteco)

Physics-based simulations such as Computational Fluid Dynamics (CFD), require a lot of computational power, memory, and storage. This typically requires a lot of time and that's why the use of CFD is restricted to the design cycle and pre-production phases. The ideal scenario is to employ CFD during the conceptual design phase, allowing you to get a precise understanding of how a product performs under various conditions before moving into more expensive stages of product development. To make it happen, there is an increasing trend towards leveraging simulation data to train mathematical models with Machine Learning (ML) techniques to overcome some of the challenges of physics-based simulation methods. In particular, ML methods coupled with Reduced Order Modeling (ROM) offers a powerful approach to deal with complex, high-dimensional problems that are typically associated with 3D CAE simulations. It reduces the complexity of a full-order numerical model while preserving its essential behavior. Despite all of their benefits, data-driven modeling approaches like ROM are still not widely adopted for a number of reasons. These include but are not limited to the difficulty of storing, versioning and tracing data for the ROM training without an SPDM framework in place. Also, ROM training requires a lot of expertise to fine-tune the ROM and integrate it in an automated design loop. This makes it challenging to extend the usage of ROM-based tools to design engineers and other stakeholders. What if you could rely on a Simulation Process and Data Management (SPDM) framework to store and re-use data to train reduced order models, and make them usable by a wider audience of engineers? Considering a common fluid dynamic problem like the analysis of the flow field past airfoils with different shapes, we demonstrate how a SPDM framework can be beneficial to manage all the data associated with the simulations and ROM training while allowing for them to be easily interrogated by non-experts to simulate new accurate designs in a fraction of the time.

Raising the Treasure of SPDMs - How Data Compression and Automatized Event Detection Support Engineers

Presented By
Stefan Müller (SIDACT GmbH)

Authored By
Stefan Mü
ller (SIDACT GmbH)
D. Borsotto
V. Krishnappa
F. Natter
T. Roth
K. Schreiner
H. Talaat
C.-A. Thole
T. Weinert (Sidact)

To cope up with the ever growing amount of simulation runs being performed, tools and techniques are needed to store the simulation data and to make use of data being stored. Even with SPDMs, the users usually only had tools and time to make rather straight forward model to model comparisons, between current model versions and their immediate predecessors. To take analysis capabilities and model development a leap forward, it is necessary to also make use of whole model development branches to learn from the gathered simulation information. With the availability of such tools, the value of past simulation data increases. This gives rise to two challenges. The first challenge is to implement an efficient storage mechanism keeping as many simulation results as possible. This challenge can be met by data compression. The second challenge is to introduce a tool capable of analysing Terabytes of simulation result files and supporting the engineer in his task of creating crashworthiness design. Model order reduction allows to built a database meeting the second challenge. Continuously being fed with new simulation runs, a database makes it in reasonable time possible to automatically detect unknown behaviour in the most recent simulation runs compared to all predecessors at a time. To achieve this, the database does not only need to store and detect every new deformation pattern, but in addition needs to handle geometric changes and being able to detect local effects. Such databases allow to automatically detect anomalies within the crash deformation behaviour, pinpointing exactly to the location in space and time where the model is showing unknown or unwanted deformation patterns. While in daily work the engineer often only has time to compare single simulations with each other, this approach shows how to compare the current simulation with hundreds of predecessors at a time.

Addressing Challenges in the BiW Model Build-Up Process in AUDI AG

Presented By
Athanasios Fassas (BETA CAE Systems SA)

Authored By
Athanasios Fassas (BETA CAE Systems SA)
S. Karastamatiadis (BETA CAE Systems)
R. Lindner (Audi)

The buildup of BiW simulation models brings up several challenges, which the engineering team must overcome. The presented workflow includes the necessary steps, starting from a CAD geometry file to the generation of a meshed BiW model, ready to be used for all the required engineering analysis disciplines, e.g. Crash, NVH, Durability etc. The challenges emerging and how these are addressed are highlighted. Starting the process, we should consider that the "design files" do not always include all the necessary information, and sometimes the provided information is wrong. Furthermore, in most cases, these files are not available at the same time, which increases the complexity of the process and the probability to introduce errors while working on the model. Users working on the model preparation often do not use the same settings, in some cases, not even the same software. All this leads to a lack of robustness. Of course, during the development phase of the BiW model, several parts get a design update and need to be inspected. Which of them includes critical geometrical changes? Is any model affected by this update? Crucial questions arise that every user must deal with, and to have them answered, appropriate workflow and software tools are needed. Among the most challenging issues are storing, browsing, querying, and updating the data. To automate the BiW model-build process, the employment of an SDM-System is essential. An effortless, trouble-free, continuous, and direct communication with such a system ensures the best quality of the process. This presentation reveals how AUDI AG has set up a workflow that supports the user throughout the process, ensures the usage of the same settings for all users, prevents the errors generation in each step, and monitors the entire process. The software that streamlines the process, communicates with the user and informs him, in a user-friendly way, about the parts of the model that are not processed each time. Especially developed software functionality supports the user during the model update. This highlights all the changes between the different versions of the part, not only at the attributes level but at the geometrical level as well. During the workflow, all processed data are stored in the SDM system. This way, the data are available for all users to work on them and set up the upcoming necessary simulation analysis scenarios. This well-established solution, through a user-friendly interface, ensures the automated and robust browsing, viewing, and updating of the data.

Verwaltung der datengetriebenen Pro- duktentwicklung mit einer einheitlichen Umgebung für Engineering Daten

Presented By
Christopher Woll (GNS Systems GmbH)

Authored By
Christopher Woll (GNS Systems GmbH)
S. Fink (GNS Systems)

Während der traditionelle Entwicklungszyklus "Design – Build – Test" oft mehrere Jahre dauerte, ist es heute unerlässlich, Innovationen in naher Zukunft zur Marktreife zu bringen. In den letzten Jahren ist die datengetriebene Produktentwicklung in den Fokus gerückt, um innovative Produkte sowie Dienstleistungen gezielter und in möglichst kurzer Zeit entwickeln zu können. Die datengetriebene Produktentwicklung bedarf jedoch einer kohärenten Strategie, die die Herausforderungen im Umgang mit (Engineering-)Daten – unter anderem Datenspeicherung und -management, optimaler Datenzugriff, Rückverfolgbarkeit – zukunftsorientiert angeht. Ein Ansatz ist ein universeller Datenraum, der über einen Digital Thread den systemübergreifenden Zugriff auf die wachsende Zahl von Datentypen und Systemen erlaubt. Er unterstützt Entwickler dabei, auch komplexe Datenkontexte für die Produktentwicklung zu nutzen. Daten-Transparenz, -Redundanz, -Demokratisierung sowie Datenmanagement werden dabei durch den Einsatz von KI-Methoden einfacher, effizienter und auch nachhaltiger. Erreicht wird dies durch die Verknüpfung disparater Systeme mit der einheitlichen, konsistenten Datenplattform. Die Plattform ermöglicht weltweit den Zugriff auf Daten mit domänenspezifischen intelligenten semantischen Datenmodellen. Daten unterschiedlicher Standorte können über den Universal Data Space einfach verwaltet und orchestriert werden. Anhand eines Anwendungsfalls skizziert GNS Systems, wie ein intelligenter, richtliniengesteuerter Informationsfluss und das damit verbundene Datenmanagement alle Aspekte der Kostenreduktion, Effizienz und Zeitersparnis bei der Suche nach relevanten Informationen adressiert. Die Speicherung, Übertragung und Verwaltung von Zugriffsrechten für global hochgeladene Daten ist jederzeit rechtssicher. Durch den falloptimierten Zugriff auf globale Daten lassen sich zudem Datenintegritätsprüfungen leicht durchführen und verlässliche Ergebnisse erzielen. Die intelligente Ausführung von Geschäftsprozessen auf global verteilten Daten in einer definierten Reihenfolge unterstützt schließlich maßgeblich die effiziente Orchestrierung von Unternehmensdaten. Das vorgestellte Datenkonzept erleichtert den Aufbau digitaler Zwillinge und die Anwendung von Konzepten wie Safety Of The Intended Functionality (SOTIF). Unternehmen profitieren von einem einheitlichen Ökosystem, das Daten aus verschiedenen Quellen auf nachhaltige Weise nutzt. Letztlich kann diese Lösung die Zeit zwischen Entwicklung, Test und Implementierung erheblich verkürzen. Die Fähigkeit, hochkomplexe Szenarien in kürzester Zeit zu simulieren und zu validieren, fördert datengestützte Entscheidungen und treibt Produktinnovationen in Unternehmen erheblich voran.

The Way to SPDM: Benefits, Introduction Methodology and Experiences from 20 Years of SPDM Projects

Presented By
Sebastian Schweigert-Recksiek (:em engineering methods AG)

Authored By
Sebastian Schweigert-Recksiek (:em engineering methods AG)
M. Krastel
D. Meier (:em engineering methods)

The functional validation of development stages in all phases of product development in the form of simulations and calculations is becoming increasingly important and represents an important step in ensuring product quality. This applies in particular to the development of complex, mechatronic products. Many companies are becoming aware of the potential offered by cross-domain, integrated simulation data management and greater integration of simulation data into PDM/PLM processes. The advantages of SPDM systems such as traceability and audit security, time savings when searching for and managing data are often undisputed and a functioning simulation data management system is considered to be one of the prerequisites for future topics such as digital twins and big data analytics. However, the introduction of such a data management system for managing data from calculation and simulation poses a number of challenges that require a systematic approach, a high degree of thoroughness when gathering requirements and the strong involvement of key users and stakeholders. In this presentation, we condens the experience from 20 years in SDM consultancy to highlight the benefits companies can gain via SPDM and sketch a walk-through of a typical SPDM introduction project. This includes a proven methodology for requirements elicitation, vendor selection, POC conduction, and roll-out preparation. Main contents of the presentation: - Benefits of SPDM systems - Description of typical SPDM capabilities - IT architecture alternatives for SPDM solutions - Standard procedure for SPDM selection and introduction processes using the :em methodology for model-based IT archtectures (MBITA®) -Lessons Learned from 20 years in SDM consultancy - Examples for SPDM in different industries (e.g. automotive, manufacturing machines, construction equipement, etc.)

Leveraging Business Process Management for CAE-Based Product Development

Presented By
Kay Schmidt (Cummins Deutschland GmbH)

Authored By
Kay Schmidt (Cummins Deutschland GmbH)
T. Gloesslein (Esteco)

This abstract delves into the application of Business Process Management (BPM) technology to a simulation-based swirl atomizer development process at Cummins Emission Solutions, showcasing its potential impact on complex engineering design workflows. The envisioned approach facilitates simulations with multiple levels of fidelity through a managed process while involving actors/stakeholders with different roles and backgrounds with the goal of making traceable and well-informed design decisions. The previously presented vision of the development process kicks off with an analytical model for early optimization, then progresses through 3D Computational Fluid Dynamics (CFD) analyses and experimental testing while concurrently exploring the robustness of chosen design alternatives. For this application BPM emerges as a pivotal technology for practical implementation, ensuring an incremental enhancement of certainty, model fidelity, and design maturity while democratizing the process for all stakeholders. Four main benefits have been identified through the application of BPM in this context during an initial implementation: 1. Process Management: BPM adds structure into the engineering design process or any other modeled process for that matter by automatically facilitating a seamless handover between tasks and the respective data, ensuring its advancement without unnecessary delays. The data (text, files, scripts, models, etc.) is stored in an accessible way, promoting transparency and efficiency (eliminating the search for relevant data) while respecting access control. 2. Task Assignment: Through BPM, tasks are defined during the modeling of a process and assigned to team members when the necessary information/data is available (preceding tasks are complete/dependencies fulfilled) during the execution of the model. This systematic approach ensures that actors/team members advance in the process once all necessary information is documented, promoting accuracy and reducing errors. 3. Traceability: BPM provides real-time visibility into status of a project and tasks, enhancing transparency across the development process. All relevant data is centralized (stored or linked to) within ESTECO VOLTA, a platform for digital engineering and simulation management, where the business process workflow is created and executed, streamlining data retrieval, allowing for full traceability of data and processes, and creating a collaborative environment. 4. Version Control: BPM ensures that team members consistently use the correct version of methods and models. Subject Matter Experts can easily update and maintain their methods, eliminating the use of outdated versions by other actors in the process. The association of results with specific versions of methods or automated simulation processes is clearly visible, enhancing accuracy and reliability. These four benefits are already seen to extend beyond the use-case of the development of a swirl atomizer, showcasing the versatility of BPM in enhancing various business processes. Whether in simulation-intensive applications or broader business contexts, the integration of BPM in this manner provides a systematic, transparent, and efficient approach while offering a framework for easier collaboration and traceable decision-making across different types of workflows. This requires not only the capability of modeling such processes but also the ability of executing them in an environment that allows for their management as well as that of any related processes and data in a traceable way. The business process workflow generated for the swirl atomizer use-case was tested but is yet to be applied to a new development project.

Collaboration and SPDM

Authored & Presented By
Michael Schlenkrich (Hexagon Manufacturing Intelligence GmbH)

In today's complex product development landscape, effective collaboration across disciplines is paramount. This paper explores the crucial role of collaboration within the context of a mature Simulation Process and Data Management (SPDM) solution. We will delve into the distinct functionalities of two key systems: the System of Record (SoR) and the System of Engagement (SoE). The SoR acts as the central repository, ensuring data integrity and serving as the single source of truth for all simulation data. Conversely, the SoE fosters real-time interaction and knowledge sharing among stakeholders. We will analyse the optimal positioning of these systems within the SPDM ecosystem, highlighting how they work in tandem to empower collaboration. By promoting seamless data exchange and fostering communication channels, a mature SPDM solution facilitates a collaborative environment. This, in turn, drives innovation, streamlines workflows, and ultimately accelerates product development success.

Accelerating AI Adoption in CAE with Cloud-Native SPDM

Presented By
Richard Szöke-Schuller (SimScale GmbH)

Authored By
Richard Szö
ke-Schuller (SimScale GmbH)
J. Wilder
N. Khan (SimScale)

AI tools are being trialled across the engineering industry with all sectors looking at how adoption of machine learning can help streamline product development. Early adopters however, have encountered one major obstacle, this being data integrity and uniformity. Most data repositories are a mix of files and require significant investment in data science to become useful. Adopters of AI are often forced to generate whole new data sets costing time and money. In this presentation we ask the question - what if we could create training data sets and save time and cost in the overall product development process, simultaneously. The answer is cloud-native engineering simulation with intrinsic SPDM capabilities. Emphasizing flexibility, cloud-native approaches should never enforce a specific Computer-Aided Design (CAD) authoring or SPDM strategy. This technical agnosticism allows for a seamless SPDM deployment, catering to diverse engineering needs. Our approach offers a flexible and integrated framework for user, data, and process management, focusing on SimScale's data, while offering API access for third-party data integration. We explore the transformative potential of cloud-native technology in creating and enhancing seamless SPDM integration by constructing an architecture from 'first principles' and with AI capabilities at its core. This presentation will show a case study of how AI trained model data is used in the product development process of a large engineering team and the SPDM features that emerge from it. By integrating advanced features like user management, real-time collaboration, and comprehensive data handling, it establishes a robust framework for future-oriented simulation practices in the cloud.

Managing Key Parameters from Simulation Inputs and Results

Presented By
Fatouma Doucouré (INENSIA SAS)

Authored By
Fatouma Doucouré
(INENSIA SAS)
L. Garategaray
H. Giagnorio (Inensia)

In the realm of modern engineering practices, the effective management of parameters within the Simulation Process and Data Management (SPDM) framework stands as a critical challenge. Today, organizations are faced with different and often disconnected parameter management approaches, hindering the flow of information in the simulation process. In this context, this paper delineates a strategic initiative to redefine parameter management within the SPDM paradigm. Presenting a comprehensive methodology, we aim to close existing gaps and improve parameter management in simulation activities. We believe this is essential to achieve a more agile, efficient, and integrated approach to recurring engineering and optimization techniques.. An integral aspect is how SPDM facilitates parameter management within the context of Model-Based Systems Engineering (MBSE), and its architectural model, where variables are commonly parameterized. Integrating these parameterized variables into SPDM introduces flexibility and adaptability, allowing for adjustments to analyze their holistic impact on the system, such as modifying attributes like size, weight, or performance. This capability enables the evaluation of diverse system scenarios or configurations without the need to overhaul the entire model. By adjusting these parameters, the specific effects of changes on system performance or functionalities come to light, empowering engineers with informed decision-making throughout the project's lifecycle. When we talk about parameters, we refer to input parameters, necessary to perform any simulation, and output parameters, obtained from simulation results which could be compared with product requirements. These parameters could be extracted from file content, consolidating them in a singular repository for traceability and offering a holistic view to assess design efficacy. In a typical Development Lifecycle, design process begins with an envelope and requirements, and then models that fulfill the needs. Then the simulation tth CAD designs, accompanied by design parameters, boundary conditions, and materials properties, all interpreted as Input parameters. Afterwards, the simulation process, which consists of interlinked simulation activities with various simulation branches, yield results or reports containing key information like performance values, all these are considered as Output parameters. The challenge lies in this flow, since the information is usually disconnected, due to its nature of being documentation-based, which prevents a more pragmatic use to interpret the quality of the design. The objective of this paper will be to: - Demonstrate how an SPDM platform streamlines parameter extraction and programmatic management from various files. - Emphasize the dual centralization of both simulation data and parameters, ensuring traceability and change control. - Illustrate how this approach accelerates analysts' understanding of designs and results, fostering a more efficient workflow. - Exemplify, through a practical use case, the creation of parameter repositories from an organized files repository. - Highlight how this initiative ensures a Single Source of Truth for simulation data, promoting clarity and reliability. We conclude that harmonizing simulation inputs and outputs through streamlined parameter management in the SPDM platform, enhance the efficiency and reliability of decision-making.

Unlocking the Potential of Simulation Results Inside SPDM: “Smart Simulation Results Management“ within SPDM

Authored & Presented By
Prasad Mandava (Visual Collaboration Technologies, Inc.)

The pressure on organizations today to do more simulation than ever before is increasing dramatically. There is a Drastic Reduction in Product Development Time! By contrast, the number of resources that companies have dedicated to CAE analysis has not kept up with the increase in demand. Due to the time and cost pressures of today's competitive environment these organizations have moved or are moving to less physical testing and a greater emphasis on digital testing. This means that, simulation is no longer just for figuring out why components break; it must now be the basis for all decision-making. Easy and instant access to key simulation results throughout the development process and for all users who benefit from digital test results is critical for making timely design decisions. To meet this new demand on simulation, new class of tools are needed to provide full 3D, WEB-based, interactive access and viewing of key simulation results & insights, allowing analysts, engineers, chief engineers, and requirements engineers to examine, discuss, and gain insight for faster design decisions. This new class of solutions should be able to do the following. - Extract the key simulation data from many CAE solver results data and store that key data in a solver neutral & compact format - Extract meta data and the key simulation information and store that information in the Digital Form - Provide a WEB based 3D visualization and design review capability to analysts, designers and other stakeholders - Provide unified APIs to automate the results processing and extract the key Digital CAE Information - Provide interfaces to integrate this solution into bigger SPDM/PLM solutions Quickly extracting valuable insights from simulation results (such as hotspots or areas of concern from across domains, physics, and solvers) and their instantaneous (dynamic, 3D, and real-time) communication with all stakeholders will pave the way for effective collaboration. This also allows for increased productivity, the effectiveness of CAE resources, and simulation results, as well as faster decision making with the highest confidence and quality. This new class of tools are to be easily integrated and accessible in the SPDM environment as a value-added layer, allowing for a WEB-based simulation design decision platform. During this presentation, the authors will discuss and demonstrate how these tools & capabilities can assist product development teams in moving from analysis to high-quality design decisions 90% more quickly, and how they can increase speed, efficiency, and accuracy in simulation-led decision making. As a further demonstration of the value provided by these tools, the presentation will include a case study featuring GKN Automotive and the advantages that they have achieved in implementing this new class of tools. In particular, this study will show the benefits that this interactive 3D environment have provided them in gaining greater, faster understanding of their simulation

KI in CFD-Simulationen: Neuronale Netzwerke optimieren atmosphärische Wassergeneratoren zur Reduktion des Energiebedarfs

Authored & Presented By
Florian Dirisamer (Digital Physics AI GmbH)

In unserem Vortrag stellen wir einen innovativen Ansatz vor, bei dem neuronale Netze zur Effizienzsteigerung der CFD-Simulationen eingesetzt werden, um die Energieeffizienz von atomsphärischen Wassergeneratoren zu optimieren. Durch das Training mit Simulationsdaten lernen diese neuronalen Netze, das Strömungsverhalten für verschiedene Strömungskanalvarianten präzise vorherzusagen, was eine erhebliche Beschleunigung im Designprozess ermöglicht. Wir demonstrieren, wie diese Methode genutzt wurde, um die optimale Ausgestaltung des Strömungskanals des AWGs zu berechnen, welche die Energieeffizienz maximiert und somit die Wasserausbeute des AWG signifikant steigert. Atmosphärische Wassergeneratoren (AWGs) sind essenziell für die Wasserversorgung in wasserarmen Regionen, einschließlich abgelegener Gebiete, trockener Zonen, landwirtschaftlicher Nutzflächen, bei Friedenseinsätzen, Katastrophenhilfe und urbanen Entwicklungsprojekten. Der PHANTOR 10000 von Imhotep.Industries repräsentiert eine fortschrittliche Lösung in diesem Bereich. Mit Abmessungen von 12,0 x 2,28 x 2,65 Metern und einem Gewicht von etwa 14,3 Tonnen passt er in einen 40-Fuß-Standard-High-Cube-Container, was den emissionsarmen Transport per Zug weltweit ermöglicht. Das Design des PHANTOR 10000 ist auf eine lange Lebensdauer und minimale Wartung ausgelegt, um eine überdurchschnittliche Zuverlässigkeit sicherzustellen. Zur Reduzierung des Energiebedarfs des PHANTOR 10000 sollte die Strömungsführung optimiert werden. Traditionelle Methoden der Computational Fluid Dynamics (CFD) Simulation sind jedoch oft zeitaufwändig und rechenintensiv, was die schnelle Iteration und Optimierung von Designkonzepten einschränkt. Deshalb wurden moderne Machine-Learning-Algorithmen in Kombination mit Computational Fluid Dynamics (CFD) Simulationen eingesetzt. Diese Optimierung zielte darauf ab, den Druckbedarf zu minimieren und gleichzeitig eine hohe Strömungshomogenität, insbesondere bei Umlenkungen, zu gewährleisten. Eine homogene Strömung ist für die gleichmäßige Durchströmung und effektive Nutzung des Wärmetauschers entscheidend. Verschiedene Betriebspunkte wurden analysiert und optimiert, um die Effizienz des Systems unter variablen Bedingungen zu maximieren. Durch den Einsatz von Machine Learning zur Analyse und Optimierung der Strömungseigenschaften konnten signifikante Energieeinsparungen erreicht werden, ohne die Leistungsfähigkeit des Systems zu beeinträchtigen. Diese Technologie ermöglicht eine präzisere und effizientere Anpassung der Strömungsführung, was den Betrieb von atmosphärischen Wassergeneratoren nachhaltiger gestaltet und ihre Einsatzmöglichkeiten in kritischen Anwendungsbereichen erweitert. Unsere Forschung zeigt, dass durch die Anwendung neuronaler Netze in der CFD-Simulation die Rechenzeit drastisch reduziert werden kann. Dies eröffnet neue Möglichkeiten für die Optimierung von Energieeffizienz, indem es ermöglicht wird, eine größere Anzahl von Designvarianten zu evaluieren und die besten Lösungen schneller zu identifizieren. Der Vortrag wird die technische Implementierung des Ansatzes, einschließlich der Entwicklung und des Trainings der neuronalen Netze, detailliert erläutern. Zudem werden wir auf die Herausforderungen und Lösungsstrategien bei der Integration dieser Technologie in bestehende CFD-Workflows eingehen und anhand von Fallbeispielen die erzielten Verbesserungen im AWG Design aufzeigen. Abschließend diskutieren wir das Potenzial dieser Methode für zukünftige Anwendungen in der Produkt-Entwicklung und darüber hinaus.

ML-basiertes Auslegungstool für Leistungselektronikkühler auf Basis von CFD-Simulationsdaten

Presented By
Sebastian Spring (Tplus Engineering GmbH)

Authored By
Sebastian Spring (Tplus Engineering GmbH)
D. Plein
H. Plooij
S. Spring (Tplus Engineering)

In unserem Beitrag werden die Möglichkeiten des maschinellen Lernens auf Basis von CFD-Simulationsergebnissen untersucht. Für den Anwendungsfall eines Pin-Fin-Kühlers für Leistungselektronik wurde ein Workflow für automatisierte CFD-Simulationen aufgebaut. Die Prozesskette beinhaltet die automatisierte Geometrieerstellung, Vernetzung, CFD-Simulation sowie Auswertung und verwendet dabei ausschließlich Open Source Software. Die Automatisierung wird anschließend genutzt, um einen eines groß definierten Parameterraums zu bewerten. Der so erstellte Datensatz dient als Training für die Modelle des maschinellen Lernens. Mithilfe neuronaler Netze wird zunächst die Vorhersage integraler Größen trainiert. Weiterhin wird die Vorhersage lokaler Temperaturverteilungen getestet.

Fully Transient Vehicle Crash Predictions Powered by SimAI

Presented By
Martin Husek (Ansys Dynardo GmbH)

Authored By
Martin Husek (Ansys Dynardo GmbH)
S. Adya
P. Yser (Ansys)

Deep learning methods have had a significant impact on simulation data in the recent past. SimAI is a deep learning-based AI platform that has shown to be very effective in approximating the behavior of fluid flow applications, especially fully developed steady state flows simulated by CFD solvers. The underlying neural networks in SimAI are very versatile and can be easily extended to structural applications as well. This study aims at demonstrating the applicability of SimAI for highly non-linear transient structural simulations like automotive crash. We use a sled model to simulate a frontal impact of the vehicle with a flat rigid-wall. Multiple training samples are generated by changing the thicknesses of several parts. This dataset is used to train a SimAI model and the resulting model can predict the full field vehicle deformation and the rigid-wall force signals within 10% relative error throughout the transient event. SimAI is many orders of magnitude faster in predicting the system behavior than direct numerical simulation and hence can be very effective in evaluating designs upfront in the design development process.

Unsupervised Physics-Informed Deep Learning of the Flow around an Airfoil using a Mixed-Variable Network

Presented By
Jan Hauke Harmening (Westfälische Hochschule)

Authored By
Jan Hauke Harmening (Westfä
lische Hochschule)
F.-J. Peitzmann (West. Hochschule)
O. el Moctar (Univ. Duisburg)

Physics-informed deep learning has emerged as an efficient technique for predicting flow fields by training networks to satisfy the underlying equations. However, successful applications of unsupervised learning to complex flow scenarios at high Reynolds numbers remain limited. In this study, we explore a novel unsupervised learning approach to predict the 2.5-dimensional flow field around an airfoil. Through the integration of a mixed-variable network and a vector potential function, the resulting optimization problem featured increased prediction accuracy and speed. The trained network successfully captured essential flow features, including the high gradient boundary layers and the wake of the airfoil. The model was trained to solve the Reynolds-averaged Navier-Stokes equations considering Prandtls mixing length model. We conducted a sensitivity analysis on the network architecture and quantity of training points. Validation against CFD simulations exhibited a favorable agreement with the reference data, considering that no labeled training data were provided during training. Comparisons with a traditional network architecture showed a superior performance of the proposed mixed-variable vector potential function approach. The study demonstrates the potential of physics-informed deep learning for simulating complex fluid dynamics and offers an avenue for surrogate modeling with a minimum of simulations or measurements.

Kopplung von CFD mit datengetriebenen Modellen: Sorption von Wasserstoff

Authored & Presented By
Georg Klepp (OWL Technische Hochschule Ostwestfalen-Lippe)

Strömungsvorgänge gekoppelt mit Wärme- und Stofftransport sowie mit Reaktionen der beteiligten Stoffe führen bei der Modellierung zu einem System gekoppelter nichtlinearer Differentialgleichungen, die nur aufwändig numerisch zu lösen sind. Eine Möglichkeit den Rechenaufwand zu verringern ist die Verwendung datengetriebener Modelle (auf Grundlage maschinellen Lernens) an Stelle der physikalischen Modelle (gekoppelte nichtlineare partielle Differentialgleichungen). Für manche Anwendungen empfiehlt sich eine hybride Vorgehensweise, in der physikalische und datengetriebene Modelle gekoppelt werden. Als Beispiel dazu wird die Sorption von Wasserstoff in porösen Hochleistungskohlenstoffen betrachtet. Eine alternative Lösung zu Tieftemperatur- und Hochdruck-Tanks bei der Speicherung von Wasserstoff ist die Verwendung von porösem Material und Physisorption (Kohlenstoffe, metallorganische Gerüste) oder Chemisorption (Hydride) im Tank. Aufgrund der Sorptionswärme kann sich die Temperatur und deren Verteilung im Tank während des Lade- und Entladevorgangs erheblich ändern, was die Speicherkapazität beeinflusst. Die Strömung des Wasserstoffs im Tank wird durch die Gleichung der Massenerhaltung, die Navier-Stokes-Gleichungen und die Gleichung der Energieerhaltung beschrieben, wie sie in einem CFD-Berechnungsprogramm implementiert sind. In der Erhaltungsgleichung werden zusätzliche Quellterme implementiert, um die Menge des am Sorptionsprozess beteiligten Wasserstoffs und die entsprechende Sorptionswärme zu berücksichtigen. Diese ergeben sich aus der Massen- und Energiebilanz für den Wasserstoff in einem endlichen Volumen, wobei das Gleichgewicht durch eine geeignete Sorptionsisotherme beschrieben wird. Auf der Grundlage der Daten des physikalischen Adsorptionsmodell wird ein datengetriebenes Modell unter Verwendung verschiedener Methoden des maschinellen Lernens abgeleitet. Dieses Modell wird als Quellterme in die Gleichungen eingefügt, was zu einer rechnerisch vorteilhafteren Formulierung führt. Damit werden die Verteilung von Temperatur und Konzentration während des Ladens und Entladens der Tanks berechnet und limitierende Phänomene identifiziert.

CFD Simulations in Manufacturing – Cloud, AI/ML, GPUs – Lessons Learned, and Recommendations

Authored & Presented By
Wolfgang Gentzsch (TheUberCloud)

High Performance Computing (HPC) in the Cloud is now becoming more and more popular, for all kinds of complex engineering simulation workflows, recently including AI/ML. The reason? Over the last 10 years, access and use of powerful CFD cloud resources became more and more automated and self-service, many of the previous cloud roadblocks have been removed by standard high-performance cloud technologies, and thus HPC as a Service in many different forms is now in every engineer’s reach. But beside all the cloud benefits there are still real hurdles to overcome. In our presentation, we will explain these remaining hurdles and how to resolve them. We will discuss major benefits of using cloud, GPUs, and AI/ML for decision makers, IT experts, and simulation engineers and their managers. Finally, we will demonstrate the wide applicability of Cloud HPC with the aid of several engineering use cases from the automotive, mining, lightning, healthcare device, and construction industries. These manufacturers have been using the cloud now for two to four years, and we will present a summary of their lessons learned and recommendations to provide guidance for manufacturers who are planning to move to the cloud in the next few years.

Rapid Aerodynamic Development using CFD and Machine Learning

Presented By
Vishal Jambhekar (Dassault Systemes Deutschland GmbH)

Authored By
Vishal Jambhekar (Dassault Systemes Deutschland GmbH)
J. Higgins
F. Gandhi
J. Bi
V. Oancea
J. Iseler
H. Motiwala
V. Jambhekar (Dassault Systè
mes)

The vehicle market is evolving rapidly. New players are entering the market, the drive for vehicle electrification is ongoing, many variants of a vehicle are investigated prior to freezing the design, and sustainability is a major topic. In this context, vehicle aerodynamics is ever more crucial. It directly impacts the vehicle range and plays a major role in meeting regulation targets. Vehicle manufacturers must also keep in mind the need for a shorter time-to-market, where one must design faster and not permit late-stage redesign. This all means that a faster assessment of vehicle aerodynamics is imperative. In the past and present, computational fluid dynamics (CFD) has opened the door to virtual aerodynamic testing, allowing manufacturers to test their vehicle shapes before developing a costly and time-intensive prototype that then needs to be experimented on using a wind tunnel. While high-fidelity CFD, such as the PowerFLOW software offered by Dassault Systèmes (3DS), will remain an integral part of the aerodynamic development process of major OEMs, the growth of machine learning (ML) and continual improvement of its algorithms has opened doors to speed-up computational aerodynamics. The current work illustrates how aerodynamic data obtained from the 3DS CFD PowerFLOW software combined with data-driven methods can enable car manufacturers to obtain clean 3D contour plots of the vehicle's surface X-force distribution, the associated integrated vehicle drag force and more within several minutes on a single GPU (after training of the ML model). This represents a significant reduction in computational cost and time, as running a high-fidelity aerodynamics CFD simulation requires several hundred CPUs and a couple of hours. More importantly, the error between the ML predicted drag force and the true PowerFLOW value is not larger than 3%. The geometry investigated is a 3DS electric concept car with varying wheel spoke number and width.

Guard Rails for Simulation Credibility Standards and Recommendation

Presented By
Hans-Martin Heinkel (Robert Bosch GmbH)

Authored By
Hans-Martin Heinkel (Robert Bosch GmbH)
M. Atak (Robert Bosch)
M. Geissen (Unity)

Virtualization and digitalization are becoming increasingly important in development. This means that decisions and releases will be based much more on simulation results. The prostep SmartSE project has been working for more than 10 years on the necessary building blocks for collaborative development and validation of complex products through simulation. In this presentation we will start with showing the challenges from using simulation locally to the usage of simulation in cooperation with partners. In the main part we will give an overview of the, in the in April 2024 from prostep SmartSE, published white paper Guard Rails for Simulation Credibility Standards and Recommendation. This white paper aims to describe a process framework for embedding numerical engineering simulations in the decision-making process of complex technical products and systems and thus to lay the foundations and guidelines for a Simulation Credibility Standard and Recommendation yet to be created. This is intended to create a further basis for joint discussions with international standardization bodies and future standardization activities with regards to Simulation Credibility Standards and Recommendation.

Risk Based Decision and Approach for Credibility Assessment / Check

Presented By
Hans-Martin Heinkel (Robert Bosch GmbH)

Authored By
Hans-Martin Heinkel (Robert Bosch GmbH)
A. Filimon
M. Atak (Robert Bosch)
M. Geissen (Unity)

The presentation Guard Rails for "Simulation Credibility Standards and Recommendation" provided an overview of the white paper published in April 2024. In this presentation, we will first take a closer look at the influencing factor of risk in a decision Determining the risk of a decision Determination Acceptable residual risk Fixing of necessary simulation credibility Currently we develop and implement a credibility framework at Bosch. It is strongly influenced by the work of NAFEMS and ASME We will use an example to show how credibility can be determined and communicated. We also want to present the tool support based on open standards

Identifikation von Parameterunsicherheiten in kalibrierten Simulationsmodellen

Authored & Presented By
Thomas Most (Bauhaus-Universität Weimar)

Im Rahmen einer Kalibrierungsfragestellung werden häufig die Ergebnisgrößen eines Simulationsmodells an den Ergebnisdaten eines oder mehrerer Versuche angepasst. Ein gebräuchliches Vorgehen ist die Minimierung einer Abweichungsmetrik zwischen Versuchsdaten und Simulationsergebnissen. In diesem Beitrag sollen zusätzlich die Unschärfe bzw. Streuung sowie die Eindeutigkeit von Materialkenngrößen, welche mit Hilfe dieser Versuchsergebnissen identifiziert wurden, näher untersucht werden. Es wird dafür zunächst ein klassischer probabilistischer Ansatz vorgestellt, der die Kalibrierungsaufgabe als Optimierungsfragestellung betrachtet und die Streuungen der Parameter vereinfacht über einen Linearisierungsansatz analog zur Methode Erster Ordnung der Zweiten Momente abschätzt. Alternativ dazu wird ein Intervallansatz eingeführt, der die möglichen Wertebereiche der zu identifizierenden Parameter als Intervalle ebenfalls durch einen Optimierungsansatz ermittelt. Mit Hilfe eines Richtungssuchverfahrens wird im Raum der zu identifizierenden Parameter die Grenzfläche des gültigen Parameterraumes mit gewünschter Diskretisierung bestimmt. Mit diesem Ansatz lässt sich das Zusammenwirken der einzelnen Parameter sowie auch die Fragestellungen der Eindeutigkeit sehr gut analysieren.

Hierarchical VVUQ Strategy for the Development and Credibility Assessment of a Biodegradable Pulmonary Heart Valve

Presented By
Nils Götzen (4RealSim B.V.)

Authored By
Nils Gö
tzen (4RealSim B.V.)
T. Turgut
O. Zahalka
V. Bouwman (4RealSim Services)
M. Rolf-Pissarczyk (TU-Graz)
M. Isasi (Leartiker)
M. J. Mirzaali
M. Pierlink
R. van Tunen (TU-Delft)

Within the EU-funded SimInSitu (GA 101017523) project we implemented a hierarchical VVUQ approach to develop a credible patient-specific in-silico model to test biodegradable heart valves. This approach consists of seven complexity levels, starting at the material modelling level and ending at the actual in-silico patient-specific platform. We report here on the development progress of a Pulmonary Heart Valve, which is made from a biodegradable scaffold that resolves in the human body slowly while new native tissue is formed simultaneously. The modelling process so far covers the Material Characterization/Modelling level, the Device Component level, and the Complete Device level. For each of the levels we conducted typically verification, validation, and uncertainty quantification activities. At the material level, we also considered calibration processes accounting for various sources of uncertainty related to the material behaviour and experimental characterization. The hierarchical approach allowed us to propagate the uncertainty from the lower complexity levels to the higher one, while also identifying the significant factors and parameters. Experimental validation tests were designed and conducted to address the specific functions of the device conduit and leaflets independently. While the leaflet behaviour was captured realistically by the model, the structural response of the conduit showed a severe disagreement with the experimental data. A subsequent thorough root-cause-analysis identified a mismatch in the mechanical behaviour between the conduit test-coupons and the actual conduit. After adjustment, additional characterization, and calibration, the validation was repeated with successful results. The hierarchal approach requires substantial work at all development and complexity levels but is especially useful in establishing model credibility.

Superelement Welds Concept for Fatigue Evaluation

Authored & Presented By
Christos Tegos (BETA CAE Systems SA)

Spotweld cracks play a significant role in fatigue failure. Consequently, the durability of structures is highly dependent on the accurate modeling of spotwelds. In the automotive industry, various methods, such as nominal stress or force-based approaches, have been employed for spotweld fatigue analysis. Nevertheless, incorporating local stress directly yields more precise results. However, this method is based on very fine meshes for the detailed examination of local notch stress leading to significant computational effort. To address this challenge, the superelement approach is introduced. This method involves generating the superelement welds, positioning them within the full assembly, recovering stress components of the notch and calculating fatigue damage. A constant radius of the weld describes the notch geometry and von-Mises stress is used as the fatigue criterion. This study involves the analysis of a car component with spotwelds, providing a comprehensive description of the entire process and the challenges encountered. Comparisons between the superelement welds and those with detailed geometry are also presented to evaluate the method and highlight its advantages.

Vorteile durch die Integration der Lebensdaueranalyse in den FEM-Solver

Presented By
Michael Klein (INTES GmbH)

Authored By
Michael Klein (INTES GmbH)
E. Heinemeyer (Intes)

Als wichtige Ergänzung zur Festigkeitsberechnung mit Finiten Elementen hat sich die Lebensdaueranalyse auf Basis einer Spannungsberechnung im industriellen Einsatz etabliert. Die Ergebnisse der Lebensdaueranalyse werden zur Auslegung von Bauteilen und Baugruppen im Leichtbau genutzt. An den Simulationsprozess stellt die Ergänzung der Lebensdaueranalyse zusätzliche Anforderungen. Der Austausch großer Datenmengen zwischen verschiedenen Programmen und sogar zwischen Rechenservern verhindert gute Performance und einfache Handhabung. Überwunden werden müssen unterschiedliche Schnittstellenformate, wechselnde Zuordnung einzelner Daten sowie unterschiedlicher Modellbeschreibungen oder Namensräume. Der Datentransfer und die fehlerfreie Nutzung dieses Verfahrens liegt in der Verantwortung des Anwenders und ist nicht Bestandteil der einzelnen Programme und wird deshalb zumeist nicht anforderungsgemäß gewartet. Neben dem Datenhandling müssen für den Gesamtsimulationsprozess auch die unterschiedlichen Release-Zeiträume der beteiligten Software berücksichtigt werden. Die vollständige Integration der Lebensdauerlebensdaueranalyse in einen allgemeinen FEM-Löser wird als Lösung vorgestellt. Beide Analyseteile, die klassische Spannungsanalyse und die Lebensdaueranalyse, basieren auf einem gemeinsamen Datenmodell. Dadurch ist die Dateneffizienz gewährleistet (große Datenmengen bleiben intern, doppeltes Datenhandling wird vermieden) und der Import/Export oder die Archivierung von Zwischenergebnissen ist nicht mehr notwendig. Bisher ungenutzte Ergebnisse, die schon vorliegen und nicht zusätzlich berechnet werden müssen, können einfach genutzt werden. Beispielsweise Spannungsgradienten, liegen in optimaler Qualität direkt innerhalb der FEM-Software auf Basis des ursprünglichen FEM-Modells vor. Dadurch kann die Qualität der Ergebnisse gesteigert werden. Zusätzlich profitiert die integrierte Lebensdaueranalyse deutlich in der Performance durch den Wegfall des Datenaustauschs und die HPC-Ausrichtung der FEM-Software. Durch den reduzierte Datenaustausch werden neue Analyseklassen ermöglicht. Die Spannungsergebnisse aus großen Modellen in Kombination mit vielen Analyseschritten übersteigen häufig die Speicherkapazitäten und verhindern dadurch eine Lebensdaueranalyse vollständig oder ermöglichen nur eine geringe Genauigkeit. Durch die softwaretechnische Integration müssen die vollständigen Spannungsergebnisse aller Berechnungsschritte nicht mehr gespeichert werden, sondern werden direkt ("on-the-fly") von der Lebensdaueranalyse in jedem Berechnungsschritt verwendet und anschließend sofort wieder gelöscht. Durch diese deutliche Prozessverbesserung können neue Klassen von Modellgrößen und deutlich mehr Ergebnisschritte berücksichtigt werden. Die Ergebnisse sind dann viel genauer. Der Fokus des Vortrags liegt auf der Prozessvereinfachung und der Reduzierung der Rechenzeit für Beispiele aus der industriellen Praxis. Ein anschließender Ausblick zeigt, welche Anwendungen durch diesen innovativen Ansatz schon heute ermöglicht und welche neuen Möglichkeiten ebenfalls erschlossen werden können.

Enhanced Lowcycle Fatigue Analyses

Presented By
Axel Werkhausen (Magna Powertrain Engineering Center Steyr GmbH & Co KG)

Authored By
Axel Werkhausen (Magna Powertrain Engineering Center Steyr GmbH &
Co KG)
G. Spindelberger (Magna Powertrain
Engineering Center Steyr)

This presentation highlights the introduction of the innovative PLAST method in FEMFAT for accurate consideration of elastoplastic stress cycles in the fatigue analysis. By utilizing the NEUBER approach, the PLAST method enables the transformation of elastic stress history into an elastoplastic stress history. The method showcases high precision when dealing with stress concentrations around sharp notches and local plastification. A comprehensive comparison between the PLAST method and other FEM-software will be presented, focusing on accuracy and computational efficiency. One of the key advancements brought forth by the PLAST method is the ability to consider the exact load sequence influence on the fatigue behavior. This capability allows for a more accurate representation of real-life scenarios, enhancing the reliability and precision of the fatigue analysis. To demonstrate the practical application of the new PLAST method, a case study will be presented involving a rotor plate of an electric motor, a crucial component in automotive manufacturing. Through this application example, attendees will witness how the PLAST method can provide valuable insights into the elastoplastic stress behavior of automotive components, thereby contributing to improved product performance and durability.

Neuentwicklungen in der Form- und Sickenoptimierung

Presented By
Michael Scherer (Federal Mogul Nürnberg GmbH)

Authored By
Michael Scherer (Federal Mogul Nü
rnberg GmbH)
R. Meske (Tenneco)

Tenneco konnte den Entwicklungsprozess von Leichtbaukolben für Otto- und Dieselmotoren durch den Einsatz einer sensitivitätsbasierten Formoptimierung in den letzten 12 Jahren signifikant beschleunigen und ist mittlerweile in der Lage, innerhalb kürzester Zeit betriebsfeste Kolbendesigns auch für höchste motorische Anforderung zu berechnen. Hierzu wurde die Inhouse-Software FMShape entwickelt. Im Gegensatz zur klassischen Entwurfsmethodik mit manuellen Design & Analysis Iterationen wird durch die Formoptimierung die Oberfläche des FE-Modells eines Startdesigns iterativ verändert. Dabei sollte die Fertigbarkeit des Bauteils gewährleistet werden, um die Rückführung der optimierten Geometrie in ein (im Hinblick auf die Fertigung zulässiges) CAD-Modell zu erleichtern. In der Optimierung mit FMShape geschieht dies durch den Einsatz von geometrischen Nebenbedingungen, sogenannten Fertigungsrestriktionen, die in jeder Iteration möglichst exakt eingehalten werden, z.B. Nebenbedingungen, die die Entformbarkeit eines Kolbens, der in einem Gießprozess hergestellt wird, gewährleisten. Ziel der Formoptimierung ist oft die Verbesserung der Festigkeit eines Bauteils durch Abbau von Spannungskonzentrationen. Im Vergleich zur Topologieoptimierung, sind die Geometrieänderungen in der Formoptimierung typischerweise lokal und klein im Verhältnis zu den Gesamtabmessungen eines Bauteils. Nimmt man den Durchmesser eines Kolbens als Bezugsmaß, so liegen die von FMShape vorgenommenen relativen Designänderungen in der Größenordnung von 1 bis 4%. Die mit FMShape erzielte relative Spannungsreduktion liegt im Bereich von 10 bis 40%. Verbesserungen in dieser Größenordnung sind signifikant, da bei den in der Kolbenentwicklung verwendeten zeitfesten Aluminiumwerkstoffen eine Spannungsreduktion von ca. 15% zu einer Verlängerung der Lebensdauer um den Faktor 10 führt. Seit kurzem können mit FMShape auch Sickenoptimierungen von Schalenstrukturen durchgeführt werden. Diese neue Funktionalität wurde 2023 hinzugefügt mit dem Ziel, Geschäftsbereiche innerhalb von Tenneco unterstützen zu können, die Sickenoptimierungen in ihrem Entwicklungsprozess nutzen, um das NVH-Verhalten ihrer Bauteile zu verbessern. Das Besondere an der Sickenoptimierung mit FMShape ist eine neuartige Nebenbedingung, mit der der Grad der Versickung einer Schalenstruktur gesteuert werden kann. Die Anwendung dieser Nebenbedingung begünstigt die Entstehung klarer Sickenstrukturen, verbessert damit die Rückführbarkeit der Optimierungsergebnisse in die CAD-Geometrie und erhöht so die Effektivität und Akzeptanz der Methodik innerhalb des Entwicklungsprozesses. Im Rahmen des Vortrages wird die Methodik und Strategie der Form- und Sickenoptimierung mit FMShape dargestellt und die Funktionalitäten des Systems anhand zahlreicher Anwendungsbeispiele erläutert.

Topology Optimization of Continua Considering Stress Charactereristics

Presented By
Nils Wagner (INTES GmbH)

Authored By
Nils Wagner (INTES GmbH)
S. Suresh
C. Wulf (Intes)

A stress-constraint topology optimization with variable density based on SIMP and a p-norm-aggregated global element stress measure is utilized here. The goal of the optimization is to achieve maximum material savings by utilizing the structure at its load limit. The challenges involved are manifold. With uniform loading, the number of active stress constraints increases. Additionally, the optimization problem itself is ill-posed and requires regularization of stress constraints. The idea is to replace the large number of element stress constraints with a single stress constraint. This goal is achieved by approximating the non-smooth max operator with a continuously differentiable function, such as the p-norm or the Kreisselmeier-Steinhauser function. To avoid trivial solutions, stresses are treated with a penalty method, ultimately resulting in a clear 0/1 distribution of fill levels at the end of the optimization. The methodology is demonstrated using selected examples from the literature. PERMAS is employed to solve the topology optimization problems, while optimization-relevant data is generated in VisPER via the so-called TopoWizard. The DesignWizard can smooth the hull, generate a quad layout, fit CAD-compatible splines, and export as a Step file.

Topologieoptimierung des Querschnitts von crashbelasteten Profilen am Beispiel des seitlichen Batterieschutzes eines Audi Q8 e-tron

Presented By
Simon Link (Induvos GmbH)

Authored By
Simon Link (Induvos GmbH)
D. Schneider
F. Beyer
G. Schmidt (Induvos)

Optimierungsmethoden haben einen breiten Einzug in Entwicklungsprozesse gefunden. Sie reduzieren beispielsweise das Bauteilgewicht, Kosten und den Energieverbrauch in der Herstellung und im Betrieb drastisch. Der Einsatz von allgemeinen Topologieoptimierungsverfahren scheitert in Crashanwendungen an den komplexen, zeitabhängigen, mechanischen Prozessen, dem großen Simulationsaufwand und den nicht ausreichend berücksichtigten Fertigungsanforderungen. Dies hat zur Folge, dass Crashoptimierungen oft mit langen Entwicklungszeiten, hohen Kosten und nicht ausgeschöpften Verbesserungspotenzialen einhergehen. Eine Lösungsplattform hierfür ist die Heuristische Topologie- und Formoptimierung (HTF). Innerhalb dieser werden Lösungen für konkrete Anwendungsfälle und Fertigungsverfahren bereitgestellt. Ein Beispiel hierfür stellt die Optimierung von seitlich belasteten Strangpressprofilen dar. Solche Strukturen werden in Fahrzeugkarosserien eingesetzt, um Insassen, Passanten oder kritische Komponenten in einem Unfall zu schützen. Unser Verfahren analysiert mit Algorithmen die Ergebnisse von Crashsimulationen (z. B. LS-Dyna oder Pam-Crash) und nimmt daraufhin gezielte Änderungen an der Profilgeometrie vor. Durch den Einsatz verschiedener Algorithmen können unterschiedliche Entwürfe generiert werden, die im Optimierungsprozess miteinander konkurrieren und iterativ verbessert werden. Automatisierte Überprüfungen gewährleisten die Herstellbarkeit der Entwürfe im Strangpressverfahren. Auf diese Weise können die Anwender unserer Software in kürzerer Zeit sichere und leichtere Strukturen auslegen, für die zudem zur Gewährleistung der Herstellbarkeit keine aufwendigen manuellen Nachinterpretationen erforderlich sind. Das Optimierungsverfahren wird am Beispiel des Profils demonstriert, das die Batterie eines Audi e-tron in einem seitlichen Pfahlaufprall schützt. Indem gezielt Strukturen in den Querschnitt des Profils integriert und die Wandstärken entsprechend angepasst werden, lässt sich das Gewicht des Profils verringern.

Design of Cooling Components Through the Combination of Implicit Modeling and Topology Optimization

Presented By
Lieven Vervecken (Diabatix)

Authored By
Lieven Vervecken (Diabatix)
S. da Silva Andrade
N. Verdijck
I. Vandebeek (Diabatix)

While topology optimization allows to optimally distribute material within a design domain to achieve the best performance, implicit modeling facilitates the automated and precise generation of complex geometries directly from computational data. By combining both, typical implicit triply periodic minimal structures such as gyroids, which are well-known for their exceptional surface area-to-volume ratios, can be further improved by leveraging the power of topology optimization. This talk investigates and demonstrates the significant advancement that can be achieved by combining both in the context of thermal management. The technique of implicit modeling serves as the foundation for the automated generation of intricate geometries in the heat sink. This process enables the creation of structures like gyroids and lidinoids. Following this first step, the heat sink undergoes a rigorous process of topology optimization. This subsequent stage involves strategically adding or removing material from the heat sink, potentially modifying the gyroid-type structures and/or the surrounding spaces. The objective of this optimization is to achieve an ideal balance between thermal efficiency and structural integrity, tailoring the material distribution within the heat sink for optimized heat transfer and minimal material usage. The implications of this methodology extend across various high-demand sectors, including high-performance computing, automotive, and aerospace industries, where thermal management is critical to system performance and reliability. Through the presentation of case studies and empirical data, this research underscores the potential of combining implicit modeling with topology optimization to improve the design and functionality of cooling components.

Konsolidierung von Materialkarten für die FEM-Simulation mit unterschiedlichen CAE-Systemen

Presented By
Constantin Bunge (Matplus GmbH)

Authored By
Constantin Bunge (Matplus GmbH)
U. Diekmann
T. Marwitz
A. Miron (Matplus)

In großen Unternehmen mit verteilten Entwicklungs- und Fertigungsprozessen existiert eine Vielfalt von Systemlandschaften für Computer-Aided Engineering (CAE). Diese Diversität führt oft zu heterogenen Werkstoffbezeichnungen und Standards, was die interdisziplinäre Zusammenarbeit und den effizienten Datenaustausch erheblich erschwert. Ein einheitliches Verständnis und die Nutzung von Werkstoffdaten ist oft begrenzt, sodass die Prozesseffizienz in der Produktentwicklung beeinträchtigt wird. Lösungsansatz ist die Schaffung eines übergeordneten "Material Master", der die Herausforderungen heterogener Systemlandschaften und Werkstoffstandards überwinden soll. Dieser zentrale Datensatz soll standortübergreifend konsistente und umfassende Informationen zu jedem Werkstoff bereitstellen. Aus diesem Master-Datensatz können dann die spezifischen Materialkarten für die individuellen CAE-Systeme generiert werden. Ein Schritt dabei ist die Harmonisierung von Einheitensystemen, Benennungen und Modellen. Der Fokus liegt auf der Schaffung einer systemneutralen Basis, die eine effiziente Parametrisierung und Modellierung ermöglicht. Anhand eines praktischen Beispiels wird gezeigt, wie Materialkarten aus LS-Dyna in ein systemneutrales Format importiert und für die Verwendung in Pamcrash aufbereitet werden können. Dieser Prozess umfasst die Abbildung der Materialmodelle durch konstitutive Gleichungen, die eine flexible Anwendung über verschiedene CAE-Systeme hinweg ermöglichen. Die Kommunikation erfolgt dabei durch offene REST-Schnittstellen, die auch von übergeordneten Pre-Prozessoren genutzt werden können. Das Multi-CAE Roundtripping von Materialkarten kann die Übertragbarkeit und Kompatibilität von Materialdaten zwischen unterschiedlichen Simulationsumgebungen signifikant verbessern. Die Konsolidierung von Materialkarten für die FEM-Simulation stellt einen effektiven Weg dar, um die Herausforderungen heterogener CAE-Systemlandschaften und Werkstoffstandards in großen Unternehmen zu adressieren: Aufwände für die Erstellung von Materialkarten können reduziert und gleichzeitig Fehlerquellen minimiert werden. Zudem können Werkstoffauswahlprozesse durch Visualisierung der Modelle und Kurven optimiert werden. Der dargestellte Lösungsbaustein ist Teil eines umfassenderen Gesamtsystems für ein unternehmensweites Wissensmanagement für Werkstoffe. Dieses System umfasst neben der Konsolidierung von Materialkarten weitere Themenfelder wie Stammdatenmanagement, Werkstoffsimulation, Integration und Auswertung von Werkstoffqualifikationsprojekten.

Integrating of Carbon Footprint into Material Selection within the CAE Simulation Chain

Presented By
Daniel Trost (Key to Metals AG)

Authored By
Daniel Trost (Key to Metals AG)
V. Pocajt (Total Materia)

According to Green Deal, the EU has taken an ambitious goal of reducing greenhouse gas (GHG) emissions by at least 50% by 2030, whilst Germany set a yet more aggressive goal of reducing GHG emissions by 65%. This has been supported by set of new regulations, such as The Corporate Sustainability Reporting Directive (CSRD), which introduces mandatory sustainability reporting for all enterprises, and Carbon Border Adjustment Mechanism (CBAM), aimed to stop carbon leakage and put a fair price on the carbon emitted during the production of carbon intensive goods that are entering the EU. Complete supply chains, regardless of the location of participants, will therefore need to adapt their activities quickly to these regulations, starting from the initial conceptualization and design of a product till the end of its life. On the other hand, materials with their production and processing represent a major contributor to GHG emissions, with the increase by 120% from 5 billion metric tons CO2-equivalent (GtCO2e) in 1995 to 11Gt in 2015, raising their share of the global total from 15 to 23%, with forecasted further increase. In most cases, materials are by far the biggest contributor to the products carbon footprint, at least until the product has been produced. Consequently, the importance of accurate and optimal material selection in the early phases of product design and CAE simulations can never be overstated. Besides classical engineering considerations such as mechanical performance and cost, new aspects need to include carbon footprint and environmental impact, as well as lightweight optimization, compliance with regulations and optimizing sourcing and supply chain, in order to optimize related emissions. This paper presents recent developments designed to help engineers in the CAE simulation field to cope with these challenges.

Mechanical Testing and Material Modeling of Short Glass Fiber Reinforced Plastics - Fossil and Bio-Based

Presented By
Felix Dillenberger (Fraunhofer LBF)

Authored By
Felix Dillenberger (Fraunhofer LBF)
G. Stoll (Fraunhofer LBF)
M. Fornoff (Simcon)

Lightweight structural components made from plastics play an important role in achieving decarbonization targets in technical applications. Due to cost advantages and design freedom, short-fiber-reinforced plastics processed by injection molding play a major role here. To improve sustainability, traditional fossil-based plastics are increasingly being replaced by recyclates and plastics with biological components. For reliable component design using structural simulations, the mechanical properties must be known and adequately represented in the simulation model. The static and dynamic behavior of injection-molded components, and thus their load-bearing capacity and service life, depends on fiber volume content, as well as the fiber orientation and length distribution, which are influenced by the manufacturing process. Thus, for an efficient component design, the corresponding anisotropic mechanical properties must be taken into account. This paper presents the results of mechanical tests on petrochemical-based glass fiber-reinforced plastics (PA6-GF30) and bio-based alternatives (PA610-GF40). Furthermore, the process of material modeling for the structural simulation using ANSYS is discussed, including the mapping of the fiber orientation results from upstream process simulations. Adjusted material models are introduced, in order to optimize the simulative representation of the experimental test data. Finally, the results of the structural simulation at sample level are presented and discussed. On this basis, the article provides relevant insights on the representation of the described plastic materials in structural mechanics simulation with Ansys.

Entwicklung eines Vorgehens zur automatisierten Auslegung zyklisch belasteter, endlosfaserverstärkter Bauteile

Presented By
Marc Gadinger (Friedrich-Alexander-Universität Erlangen-Nürnberg)

Authored By
Marc Gadinger (Friedrich-Alexander-Universitä
t Erlangen-Nü
rnberg)
C. Bode
S. Wartzack (Univ. Erlangen-Nürnberg)

Bauteile aus Faserverbundwerkstoffen werden zunehmend als wichtige Strukturbauteile im Serieneinsatz verwendet. Dort sind sie häufig zyklischen Belastungen ausgesetzt, die mit steigender Zyklenzahl durch Mikrorissbildung und -ausbreitung zu einer Verschlechterung bzw. Degradation der Werkstoffeigenschaften führen. Bisherige Auslegungsansätze und Optimierungsroutinen berücksichtigen die Betriebsfestigkeit jedoch kaum. Vielmehr erfolgt meist eine Überdimensionierung anhand empirischer Kriterien. Zielführender zur Ausschöpfung des vollen Leichtbaupotenzials eines Bauteils ist jedoch eine spezifische Auslegung auf eine definierte Lebensdauer. Um diese Lücke zur gezielten Betriebsfestigkeitsauslegung von Faserverbundbauteilen zu schließen, wird am KTmfk eine neue Auslegungsmethode zur Berücksichtigung des Ermüdungsverhaltens von Faser-Kunststoff-Verbunden entwickelt. Ziel ist dabei die lokale Verstärkung eines Basislaminats, um sicherzustellen, dass der Faser-Kunststoff-Verbund eine geforderte, minimale Schwingspielzahl erreicht. Dazu werden die im Bauteil wirkenden Spannungen und Dehnungen mittels einer Finiten-Elemente-Analyse ermittelt und örtlich aufgelöst pro Schicht und Element betrachtet. Mit Hilfe eines mathematischen Versagensmodells wird so für jedes Element die maximale, bis zum Versagen ertragbare Schwingspielzahl berechnet. Die dafür notwendigen Kenntnisse über das anisotrope Festigkeitsverhalten liefern zyklische Versuche an unidirektionalen Probekörpern. Der erste Schritt zur Verbesserung des Langzeitverhaltens besteht darin, Patches an den in der Simulation identifizierten kritischen Bereichen anzubringen. Parallel dazu werden die Faserorientierungen der Lagen optimiert, indem sie an die Hauptrichtungen der größten Spannungen angepasst werden. Weitere Simulationen werden durchgeführt, um die Positionen und die Anzahl der Patch-Lagen, die Dicke der einzelnen Lagen und die Schichtreihenfolge zu optimieren. Das abschließende Post-Processing stellt sicher, dass am Ende der Optimierung ein fertigungsgerechtes Design vorliegt. Dazu werden ähnliche Patches mittels Clustering zusammengefasst. Die Neuheit und Einzigartigkeit dieses Ansatzes liegt in der Kombination der Laminatoptimierung dynamisch beanspruchter Strukturen mit der Flexibilität des Fiber Patch Placement. Damit ermöglicht die Methode eine flexible und gezielte Verbesserung des Betriebsfestigkeitsverhaltens unter Berücksichtigung des Leichtbaugedankens.

Enhanced AK-IS / AK-MCS Algorithm for Efficient and Accurate Reliability and Sensitivity Analysis

Presented By
Patrick Wurm (MAGNA STEYR Fahrzeugtechnik GmbH & Co KG)

Authored By
Patrick Wurm (MAGNA STEYR Fahrzeugtechnik GmbH &
Co KG)
A. Rabofsky (Magna Steyr Fahrzeugtechnik)

In the development of the structural durability of vehicles, it is important to understand the factors that can cause failure and to identify ways to enhance fatigue lifetime. Calculating reliability in terms of failure probability is becoming more important, but often requires a vast amount of model evaluations, which can be impractical for large models. Hence, it is crucial to develop reliability methods that minimize the number of model evaluations. With this objective in mind, we present an efficient reliability method for calculating the probability of failure and its associated sensitivities. While initially developed for vehicle models, this method is applicable across various domains. Our approach is built upon the widely recognized AK-IS / AK-MCS algorithm, which falls under the umbrella of active learning techniques in machine learning. The AK-IS / AK-MCS algorithm enables efficient calculations by leveraging a Kriging metamodel. We have made several modifications to this algorithm to improve its efficiency and accuracy. First, we have identified that the original convergence criterion of the algorithm is often overconservative in practical applications. To address this limitation, we have applied a more effective criterion, resulting in further enhancements to computational efficiency. Second, we ensure accuracy by selecting appropriate hyperparameters for the Kriging metamodel through cross-validation. Third, we have added a post-processing to determine the sensitivities of the probability of failure using the well-established score function approach. These sensitivities are of great practical interest as they quantify the positive or negative impact of individual random variables on the probability of failure. By presenting the application of our method through multiple real-world examples, we demonstrate its effectiveness and relevance.

Preplanning of an Experimental Modal Analysis with Impulse Hammer by using a Simulation Model

Presented By
Michael Mahler (Siemens Digital Industries Software)

Authored By
Michael Mahler (Siemens Digital Industries Software)
P. Leistner
T. Müller (Univ. Stuttgart)

The evaluation of dynamic behavior-based physics of structures is becoming increasingly important. For example, durability, non-linear and structural as well as vibro-acoustic and(response) behavior are based on material-specific properties. This investigation focuses on the acoustic performance of timber elements. Nevertheless, the methodology used can also be applied to other domains. Timber construction is becoming progressively more important in urban areas. However, the acoustic vibration properties of timber structures are challenging to predict. An early analysis of the building behavior with regard to the standards is required to provide support during the concept and design phase as well as to reduce development and rework costs. Thus, an overall goal is to improve the simulation of (standard) test scenarios with wooden materials in a building framework. This requires good and high quality input data for the simulation models. For this purpose, an approach for improving the simulation input data via the experimental modal analysis using an impulse hammer is investigated. The excitation and measurement positions will be optimized in advance to improve the quality of the test results quality and to predict the maximum possible optimization opportunity. For such test preparation, a response dynamics simulation including correlation and optimization techniques will be presented and applied on various wood species. Parameter adjustments of the relevant material properties are derived from the investigation and used for the acoustic simulation. The process, the experiences and the potential of such an approach are discussed.

OFPL: A Solver-Independent Description Language for the Simulation of Forming Processes

Presented By
Christoph Kaulich (GNS Gesellschaft für numerische Simulation mbH)

Authored By
Christoph Kaulich (GNS Gesellschaft fü
r numerische Simulation mbH)
K. Kassem
D. Sihling (GNS)

An open and solver-independent description language OFPL developed for setting up numerical simulations for different metal forming processes is presented. OFPL (OpenForm Process Language) allows users without any profonde knowledge in numerical methods to easely create a description of the forming process they want to simulate. In combination with our OpenForm GUI, both the template-controlled creation of such a process description as well as its conversion into a runnable input deck for a specific solver can be done. This same GUI is used to visualize, evaluate and report the results computed by different solvers and to compare them with each other or even with available measurement data. The data setup and the evaluation of a deep drawing simulation by the example of the two solvers OFSolv and LS-Dyna are demonstrated.

Quick and Reliable Simulation Process Automation - A Critical Driver for Reducing Product Development Time and Cost

Presented By
Karlheinz Peters (Novus Nexus)

Authored By
Karlheinz Peters (Novus Nexus)
B. Webster (Novus Nexus)
M. Felice (virsolTech)

Simulation trägt nicht nur dazu bei, wettbewerbsfähige Produkte schneller zu entwickeln, sie erhöht auch die Kosteneffizienz der Entwicklung, indem sie die Anzahl der erforderlichen Prototypen und der notwendigen physischen Tests reduziert. Um jedoch alle erreichbaren Vorteile der Simulation zu realisieren, muss sie systematisch, konsistent und effizient durchgeführt werden. In einem optimalen Szenario steht die Simulation nicht nur Simulationsspezialisten, sondern einer breiteren Gruppe direkt zur Verfügung, wobei CAD-Spezialisten und Analysten eng zusammenarbeiten. Automatisierte Simulationsprozesse für Analysten, Konstrukteure und Produktentwickler sind unerlässlich, um diesen systematischen und effizienten Einsatz von Simulation zu realisieren. In der Vergangenheit scheitert ein solcher breiter Einsatz automatisierter Prozesse oft an der Schwierigkeit einer zuverlässigen Implementierung. Die Automatisierung über gängige Ansätze wie Scripting (Python usw.) führt schnell zu einem erheblichen Aufwand für die Implementierung und Wartung, insbesondere bei Prozessen für komplexe oder sehr unterschiedliche Geometrien. Hier ist nicht nur die Ersteinrichtung schwierig, auch Erweiterungen oder Modifikationen können im Laufe der Zeit äußerst kompliziert werden, was allzu oft zu einem kompletten Neuaufbau der Prozesse führt. Daher sind neue Ansätze erforderlich, welche die aktuellen Herausforderungen meistern und ein breiteres Spektrum an Vorteilen aus der Simulation sichern, Methoden, die eine schnelle, einfache und robuste Prozessautomatisierung ermöglichen. In diesem Vortrag wird untersucht, wie eine Kombination aus simulationsspezifischen "No-Code"-Tools (basierend auf abstrakter Modellierung) zusammen mit universellen "Low-Code"-Tools die Automatisierung drastisch vereinfachen kann, selbst wenn es sich um komplexe Produkte handelt. Auch die Auswirkungen automatisierter Simulationsprozesse auf den gesamten Entwicklungszyklus werden analysiert. Die Möglichkeit, Simulationsprozesse ohne prohibitive Aufwände zu automatisieren, d. h. mit ähnlichem Aufwand wie die Einrichtung einer herkömmlichen einmaligen Simulation zu erstellen, eröffnet mehr Chancen von den bekannten Vorteilen der Automatisierung zu profitieren. Automation erlaubt Nicht-CAE-Spezialisten zuverlässige Simulationen zu initiieren, entlastet Analysten von unproduktiven Routinearbeiten, macht Simulationswissens stets verfügbar und sichert die kontinuierliche Anwendung von Best Practices.

Automatisierung von CAE-Prozessen

Authored & Presented By
André Backes (TECOSIM Technische Simulation GmbH)

Die Tecosim GmbH hat seit diesem Jahr eine Kooperation mit dem französischen Software-Hersteller pSeven zur Vermarktung und technischem Support für die Kunden der gleichnamigen Software pSeven in der DACH-Region. Die Software pSeven ermöglicht die Abbildung eines CAE-Prozesses, wobei verschiedene Komponenten zu einem einzigen automatisierten Workflow verknüpft werden können. Die Zusammenführung verschiedener CAE-Disziplinen ermöglicht auf diese Weise ein interdisziplinäres Systemverständnis und damit letztlich eine multidisziplinäre Optimierung im Rahmen der virtuellen Produktentwicklung. Der gesamte Entwicklungsprozess kann damit erheblich beschleunigt werden. Die automatisierte Parameter-Variation ermöglicht in einem weiteren Schritt das Generieren von Metamodellen, entweder für einzelne CAE-Disziplinen oder auch für das Gesamtsystem. Mit solchen Metamodellen kann die Rechenzeit einzelner CAE-Berechnungen enorm reduziert werden, was die Durchführung einer Parameter-Optimierung für sehr komplexe Systeme letztlich erst möglich macht. Die Software pSeven kann für kleinere Workflows als Desktop-Anwendung zum Einsatz kommen, die Cloud-basierte Software-Variante pSeven Enterprise ermöglich schließlich die Skalierung auf große interdisziplinäre Prozesse. Der Vortrag erläutert die grundsätzliche Vorgehensweise und zeigt einzelne konkrete Anwendungsbeispiele.

From Automatic Event Detection to Automatic Cause Correlation

Presented By
Vinay Krishnappa (SIDACT GmbH)

Authored By
Vinay Krishnappa (SIDACT GmbH)
N. Abdelhady
D. Borsotto
S. Mertler
K. Schreiner
C.-A. Thole (Sidact)

Reaching and fulfilling several design and crash criteria during the development process is what makes the engineer adapt and redesign the simulation model over and over again. Ideally resulting in new simulation runs with in best case improved performance, matching the intention of the applied changes. For the more demanding case of unforeseen results which do not necessarily fit to the expectations of the actual changes, methods and a workflow are being introduced here, which allow to identify the root cause of this behavior. In a first instance every new simulation run is being added into an analysis database, which is continuously being used to compare new simulations against. Previous studies have already shown that this process can assist the engineer in automatically highlighting new behavior and pin pointing the engineer to the regions of interest. Rather than only highlighting the new behavior now a second phase is being triggered additionally. In this second phase the previously detected event is being isolated and analyzed against the gathered data of the development history. The analysis methods used are based up on the Principal Component Analysis, a reduced order modelling technique. This allows not only identifying structures in the data but also correlating deformation patterns against each other. Especially the latter one is of interest for an automated process, as it allows automatically detecting and suggesting possible root causes to the engineer. As an outcome of this process the engineer receives a list of correlating parts, so that he can focus on deriving a better engineering solution to achieve a deterministic behavior, rather than searching for the root cause of the event. To provide additional information about the type of cause, as for example failure or buckling, the identified parts are also forwarded to a classification prototype. This type of classification shall assist the engineer in deriving a possible design adaptation.

Automated Construction of Compressor Performance Maps

Authored & Presented By
Nina Moello (pSeven SAS)

As part of a project with an aircraft turbine manufacturer, the proposed paper focuses on an innovative solution for building and democratizing the use of automated engineering workflows at scale based on the history of compressor performance maps evaluation. The compressor map allows to easily review and analyse its efficiency, pressure ratio and surge limit across the operating range. Its construction is based on a set of standard CFD simulations. However, combining these simulations to reconstruct the map requires custom logic, including automatic refinement and additional evaluations to explore specific areas of the map. The complex logic behind it remains a fixed and repetitive process. Only domain experts can support and are allowed to alter it. Democratization becomes a must as there is a large proportion of non-experts who need to use the described methodology frequently. To achieve this, the engineering process behind it must be assembled in a simple form to remain accessible. In addition, multiple competitive runs from different users and massive heavy CFD evaluations require a powerful resource management process. The paper shows how compressor performance map construction can be scaled with a single author and multiple users, and efficiently managed through user interfaces and applications. The same process can be applied to typical late-stage and even inter-project design changes. Efficiency gains through reduced effort in repetitive tasks and centralized management of the methodology are emphasized.

Workshop: Machine Learning im CFD

Authored & Presented By
Uwe Janoske (Bergische Universität Wuppertal)

Enhancing ML-Based VRU Injury Prediction with High-Fidelity Crash Simulation Data and Domain Knowledges

Presented By
Niranjan Ballal (Fraunhofer EMI)

Authored By
Niranjan Ballal (Fraunhofer EMI)
T. Soot
M. Dlugosch (Fraunhofer EMI)

In the domain of automotive safety engineering, the utilization of machine learning (ML) techniques is emerging as a pivotal tool for predicting crash dynamics in (near) real time. The effectiveness of an ML model heavily relies on suitable model architectures, underscoring the importance of quality data for training. Given the challenges and limitations of using existing real-world crash data for this prediction, there's a dependence on reliable synthetic data sources such as FE crash simulation data. Crash simulation data, despite expensive to obtain, offers unparalleled fidelity and the information about the underlying physics that is not always available from real-world crash data. Simple ML architectures often rely only on scenario parameters like impact velocity from crash simulation data to directly predict crash dynamics such as intrusion or injury. But the wealth of information within crash simulation data enables a more nuanced approach to prediction, one that leverages domain expertise in combination with all the details of the underlying physical phenomena. Our proposed method capitalizes on domain knowledge to dissect the problem domain into smaller, more homogeneous sub-domains based on specific physical phenomena, thereby reducing degrees of freedom (DoF) within a ML model. By doing so, we unlock the latent insights embedded within the simulation data and pave the way for more accurate injury predictions with less samples because of reduction of DoF. Central to our approach is the construction of model trees that are guided by domain expertise, delineating the problem domain into distinct sub-domains. Data from each sub-domain is then used to train a unique ML model tailored to its specific simulation traits, rather than relying on a single complex ML model to capture the varied simulation response. This strategy optimizes data utilization, enhances prediction accuracy, and minimizes reliance on one-size-fits-all models. Through comprehensive evaluation, we compare the performance of our methodology against traditional prediction models, emphasizing its effectiveness in capturing intricate simulation dynamics and improving prediction performance.

Structured Representation of the Relationship Between Model Changes and Findings from the Simulation Results Analysis using an Explorative ML-based Approach

Presented By
Daniela Steffes-lai (Fraunhofer SCAI)

Authored By
Daniela Steffes-lai (Fraunhofer SCAI)
R. Iza-Teran
M. Pathare
T. N. Klein
J. Garcke (Fraunhofer SCAI)

In any CAE crashworthiness development project, many model changes are made to fulfill design criteria and regulations for crash safety. All the resulting simulations have to be analyzed. Recently we have developed a methodology for an automated comparison of multiple simulation results, with the aim of automatically detecting similar simulation results as well as unexpected deformation behavior or distribution of mesh functions, called events. However, bringing the applied model changes into relation with the detected events is still a major challenge. The overall goal is to automatically find correlations between model changes and effects in order to learn from these relationships for future projects. Several steps are necessary to support this kind of analysis. First, a structured representation of all model changes across multiple iterations is required. Second, the simulation results must be present in the same structured way. Third, these two already complex analyses need to be combined in a structured way to enable correlation analysis. To address this, we have investigated a machine learning approach for the data from model changes to obtain a structured representation of all model changes over several iterations with respect to a reference model. This approach considers several categories of model changes, among them thickness changes, material changes, as well as geometrical changes. On the other hand, we have significantly enhanced our software tool SimExplore to allow the visualization of parametrized model changes in the resulting structured representation of simulation results. This is a first step to display changes in simulation results together with underlying model changes for the first time and thus simplify the detection of possible correlations. We demonstrate our developed explorative ML-based approach on a frontal crash scenario.

Machine Learning Optimization and Quick Verification of an Electric Vehicle Rocker Design

Presented By
Athanasios Fassas (BETA CAE Systems SA)

Authored By
Athanasios Fassas (BETA CAE Systems SA)
C. Chatzigeorgiadou
A. Papadopoulos
D. Drougkas (BETA CAE Systems)

Prior to their market debut, all prototypes of vehicles undergo validation for their crashworthiness. Achieving compliance with safety standards, while simultaneously avoiding compromises in other crucial design aspects, demands a highly detailed engineering simulation approach during the product design phase. These processes become even more complicated, and time-consuming, with electric vehicles, such as Lithium-ion battery-powered cars. In many cases to accomplish the safety aims during product design, while also meeting time limitations and deadlines, sophisticated simulation tools need to be employed. Such tools are those that enable optimization studies and that take advantage of Machine Learning capabilities. In this study, an optimization and a quick verification of an electric vehicle rocker design were performed with the aid of an Optimization tool and Machine Learning methods. This Optimization tool employs Design Experiments and a Machine Learning predictive model (referred to as a "Predictor") to approach optimal design parameters for a given objective and constraints. This extends to quick verification of new designs, enabling rapid testing of modifications without re-solving the model. To enhance efficiency, a macroscopic battery model is used, allowing the ML Predictor to consider electromagnetic phenomena in damaged batteries without increasing solution time in side-crash simulations. All in all, using the Machine Learning based Optimization tool, and the Transfer Learning related functionality, an already trained predictive model was able to estimate the optimal design of the vehicle with updated components and verified the updated designs without having to re-run the complete optimization and solution processes.

Robust Quality Measures for the Assessment of Machine Learning Models

Presented By
Thomas Most (Ansys Dynardo GmbH)

Authored By
Thomas Most (Ansys Dynardo GmbH)
L. Grä
ning
S. Wolff (Ansys)

In computational engineering the use of data based parametric meta-models or reduced order models (ROM) has become quasi standard to speed up system analysis, optimization processes and shorten development cycles. The characteristics of the training data are as diverse as the applications where machine learning can be applied for. Since there is no one best meta-model that serves all applications, one of the biggest challenges today is the identification of the meta-model which approximates the intrinsic relation between design parameters and responses best. AutoML techniques like the Meta-model of Optimal Prognosis (MOP) in Ansys optiSLang provide tools and attempts to solve this challenge, requiring minimal machine learning expertise. Most important for the automatic identification of the best suited metamodel is the definition of an adequate metric to compare the meta-models with respect to their expected approximation performance on unseen data. For the prediction of scalar response values, the Coefficient of Prognosis (CoP) has been introduced to identify the best model and model configuration within the MOP competition. However, extending the metric to non-scalar responses, e.g., for the approximation of signal or n-dimensional field data is not obvious. Depending on the application at hand, the design objectives or the engineer's preferences, versatile definitions of the metric are conceivable. In this presentation we introduce theoretical considerations for the definition of a customizable field CoP metric, and how those found their way into the MOP framework. Based on the field CoP, the MOP framework facilitates the competition between connected field meta-models and variations (e.g., when different response compression techniques could be set).

Interaktives 3D Design und Simulation basierend auf Neuronalen Netzwerken

Presented By
Andreas Fellmeth (Dassault Systemes Deutschland GmbH)

Authored By
Andreas Fellmeth (Dassault Systemes Deutschland GmbH)
T. Emmel
J. Bi
V. Oancea (Dassault Systè
mes)

Simulationen realer Vorgänge decken unterschiedliche physikalische Bereiche ab und werden in verschiedenen Maßstäben durchgeführt. Kontinuumssimulationen im Makromaßstab auf Teile- und Baugruppenebene, bei denen in der Regel herkömmliche numerische Verfahren wie 3D-Finite Elemente oder Finite Volumen zum Einsatz kommen, werden aufgrund ihres hohen Vorhersagewerts häufig in der Produktentwicklung verwendet. Allerdings sind diese Simulationen oft sehr rechen-, zeit, - und ressourcenintensiv. Surrogat- oder Ersatzmodelle, die von diesen rechenintensiven 3D-Modellen abgeleitet werden, reduzieren die Ausführungszeiten massiv auf Sekunden (oder interaktive Zeiten) und ermöglichen eine große Anzahl von Parameterauswertungen im Designraum. Diese Ersatzmodelle sind jedoch oft von geringerer Genauigkeit und liefern nur begrenzte Informationen durch einige wenige Indikatoren, wie z. B. maximale Spannung, maximaler Druck, maximale Intrusion usw. Um die Reichhaltigkeit von 3D-Simulationsergebnissen zu erhalten und gleichzeitig die Ausführungszeit erheblich zu reduzieren, wird in diesem Beitrag ein auf neuronalen Netzen basierender Ansatz vorgestellt, der letztendlich eine quasi-interaktive 3D-Entwurfsexploration ermöglichen soll. Als Ausgangspunkt werden traditionelle Multiphysik-Multiskalen-Simulationen verwendet: FEA-Analysen der Strukturstatik, Dynamik, Fertigung, Verpackung und Sicherheit sowie CFD- oder Elektromagnetische Analysen werden per Design of Experiments (DOEs) erstellt, um die parametrischen Designdaten zu generieren. Die Daten werden verarbeitet und zum Trainieren schnell laufender neuronaler Netze als 3D-Ersatzmodell verwendet. Die Wahl der Algorithmen und Architekturen neuronaler Netze hängt von der Art der Physik ab. Die trainierten neuronalen Netze können für interaktive Entwurfsexplorationen eingesetzt werden, wobei ein Schwerpunkt auf der Güte und Zuverlässigkeit der fertigen Netze gelegt wird. Der vorgeschlagene Ansatz erweitert herkömmliche Ersatzmodelle, um sowohl transiente physikalische Reaktionen als auch 3D-Felder abzudecken, was zu einer informationsreichen und wesentlich produktiveren Umgebung für die Produktentwicklung führen und die Modelle außerhalb der Simulationsabteilungen verbreiten kann.

Leveraging Machine Learning for Optimal Seal Design in Automotive Connectors

Authored & Presented By
Rajesh Kumar (TE Connectivity Germany GmbH)

This study presents an approach to streamline seal design processes in automotive connectors by harnessing the power of machine learning (ML). The proposed methodology seamlessly integrates computer-aided design (CAD), simulation, and measurement data to develop and deploy an advanced ML model. The main objective is to create ML model that effectively assists in seal design. Seals play a crucial role in automotive electrical connectors, ensuring functionality, safety, and durability by safeguarding against environmental elements such as dirt, dust, water, and chemicals. Our study encompasses the design of both single-wire and radial seals. Early in the seal design process, a designer faces a challenge like figuring out the optimal range for several parameters such as insertion force and contact pressure, among others. Simulations provide valuable insights into seal design, but the precise parameter range required for optimal seal performance in practice remains unknown. Furthermore, it is hard to measure contact pressure, an important factor in seal design, by measurement. A methodology has been developed to address these challenges by incorporating various seal design characteristics such as shape, material properties, contact pressure, insertion force, and other relevant metadata. This digitized data is then utilized to train a machine learning algorithm, paving the way for the creation of an advanced ML model tailored specifically for seal design. This approach not only serves as a comprehensive repository of information but also revolutionizes seal design practices.

Kerbspannungsnachweis von Schweißnähten mit Unterstützung von neuronalen Netzwerken

Presented By
Wolfgang Feickert (ihf Ingenieurgesellschaft mbH)

Authored By
Wolfgang Feickert (ihf Ingenieurgesellschaft mbH)
T. Kirchhoff (ihf Ingenieurges.)

Beim Schweißnahtnachweis mit dem Kerbspannungsverfahren (notch stress) müssen drei Spannungskomponenten richtungsgetreu und örtlich bestimmt werden. Hierzu gehören an allen Nachweisstellen die Spannungen normal und parallel zur Schweißnaht. Bezüglich der Spannungen parallel der Naht sind die Nennspannungen im Nachweis zu verwenden. Da die örtlichen Spannungen parallel der Naht durch die Behinderung der Querkontraktion abhängig vom Kerbradius (Kerbschärfe) nicht der Nennspannung entsprechen, müssen die Spannungen anderweitig ermittelt werden. Hierzu sind erste Konzepte entwickelt und vorgestellt worden: Extrapolation der Spannungen und Nutzung des örtlichen Spannungsgradienten. Diese Konzepte erlauben eine Verbesserung des Nachweises sind aber mit Streuungen und Fehlern behaftet. In diesem Beitrag wird der Einsatz eines neuronalen Netzwerks zur besseren Ermittlung einer Nennspannung aus den örtlichen Spannungen vorgestellt. Das Konzept besteht darin zunächst typische Schweißnahtdetails, die den Normkatalogen entsprechen, zu untersuchen. Für diese Konfigurationen ist die Nennspannung bekannt. Das neuronale Netzwerk wird dabei mit hunderten von Ergebnissen an verschiedenen örtlichen Stellen der Naht trainiert. Zur Überprüfung des Modells werden anschließend mit dem trainierten neuronalen Netz unbekannte Schweißnahtdetails untersucht und die so erhaltenen Ergebnisse mit bekannten Ergebnissen verglichen. In dem vorliegenden Beitrag werden Untersuchungen an T-Stößen, Kreuzstößen und Stumpfstößen vorgestellt und diskutiert. Die Einsatzmöglichkeiten des Verfahrens und die Vorteile für die Bewertung der Schweißnaht werden aufgezeigt.

Diskussion: Artificial Intelligence und Machine Learning in der CAE-basierten Simulation

Authored & Presented By
Alfred Svobodnik (MVOID Group)

Die Fachbegriffe Artificial Intelligence (künstliche oder artifizielle Intelligenz) und Machine Learning (maschinelles Lernen) sind heute in allen Gesellschaftsbereichen ein aktuelles Thema das intensiv diskutiert wird. Aber nicht nur seit ChatGPT sind diese Methoden Werkzeuge der Ingenieurswissenschaften. Artificial Intelligence ist ca. 1955 im Bereich der Informatik entstanden, wenn nicht gar schon 1748 zu Zeiten der Aufklärung und des Materialismus durch La Mettrie. Maschinelles Lernen ist eine Teildisziplin von AI. Im Bereich der Engineering Analysis mit CAE-Systemen gibt es bereits seit den 1980er Jahren einen starken Trend für die Industrialisierung von AI und ML. Eine Definition des Begriffs, der passend für unseren Workshop ist, wäre: „Künstliche Intelligenz ist die Eigenschaft eines IT-Systems, »menschenähnliche«, intelligente Verhaltensweisen zu zeigen.“ (Bitkom e. V. und Deutsches Forschungszentrum für künstliche Intelligenz). Mit dieser Definition fallen einem sofort die Optimierung von Strukturbauteilen ein. Mitte der 1980er wurde das Wolf’sche Knochenwachstumsgesetz erfolgreich angewendet, um Strukturbauteile hinsichtlich Festigkeit, Steifigkeit und Gewicht zu optimieren. Maschinelles Lernen (ML) ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung (Wikipedia). Diese Methodik ist eine wesentliche Komponente für die Erstellung von Digital Twins (digitaler Zwilling), und einer der Megatrends in der Engineering Analysis Community. Digitale Twins werden seit ungefähr 10 Jahren im industriellen Umfeld eingesetzt. In dieser Diskussionsrunde möchten wir über aktuelle Anwendungen von AI und ML im Bereich der CAE-basierten Simulationen diskutieren, Ideen austauschen und potenzielle Herausforderungen erörtern.

Multidisciplinary Design Optimization for Additive Manufacturing Repair

Presented By
Talal Akkaoui (Delft University of Technology)

Authored By
Talal Akkaoui (Delft University of Technology)
M. Turrin
S. Brancart (Delft Univ.)
B. Gholami (BMW)

The circular economy proposes recovery strategies that extend the service life of technical nutrients at their end-of-life (EoL) to create more sustainable consumption and production patterns. Current hardware component development overlooks EoL strategies in the conceptual design stage, and postpones them to later stages of development, this often results in unsustainable EoL scenarios such as landfilling. With the aim of implementing an EoL strategy in the conceptual design process, a computational workflow is developed that implements an additive manufacturing (AM) repair strategy into a component's conceptual design using multidisciplinary design optimization. The optimization is multi-objective as it aims to minimize both material consumption of the initial design and filament consumption of the future AM repair process. To do so, the developed method integrates the parametric design of the component with a damage simulation and a AM simulation. A wall panel is used as a case study which is fabricated as a single component. The resulting pareto front reveals geometry data, damage behavior, AM repair cost, aesthetic performance and material flow of different design options. The geometry's area is reduced by 17.9% and the AM repair filament consumption is by 35.4%. By providing performance data, the developed method supports the designer to make informed decisions, demonstrating to be a useful conceptual design tool. The case study revealed three important aspects. First, the importance of optimization as a powerful design search tool. Second, that this method is particularly beneficial for large components that have a large production volume. Finally, that a damage prediction feature should be implemented for added flexibility, to inform the designer about the mode, severity, probability, detection number, and risk of the damage prior to the proposed method.

Analyzing the Structure of an Aircraft Wing

Authored & Presented By
Ceyhun Sahin (Noesis Solutions NV)

In the realm of engineering and scientific discovery, time and knowledge is money. With the rise of sophisticated technologies and complex simulations, the demand for quicker, trustworthy and efficient insights is paramount. In this fast-evolving digital engineering era, engineers rely on automation and optimization tools to generate a trustworthy simulation database. In this case study, we have used Optimus, an automation and optimization tool by Noesis Solutions, for this purpose. The trusted simulation database created by Optimus can be turned into a surrogate model in nvision. Optimizing the aerodynamics of an aircraft wing design necessitates hundreds of simulations. With the new update of Optimus 2023.2, the tool offers a direct access to nvision models, which allows the user to integrate real-time predictions into an Optimus workflow. With this feature, the arduous simulation process is streamlined, enabling engineers to explore a wide range of design variables swiftly and effectively. The result? Faster innovation cycles, quicker validation, and accelerated product development. In this case study, we first work with two parallel branches, running a simulation and evaluating the nvision model for the same exact scenario. This provides a one-to-one comparison of predictions and high-fidelity simulations. The time the user gains by running only the nvision branch will also be evident in that case. Next step will be relying only on the nvision model and getting the results for previously unthinkable designs will be a matter of seconds.

Non-Parametric Optimized E-Machine in Dynamic Noise and Vibration Simulation

Presented By
Yi Zhou (Dassault systèmes)

Authored By
Yi Zhou (Dassault systè
mes)
C. Kremers
M. Pö
schl
M. Quiring
T. Baruth (Dassault Systè
mes)

Electric drive trains are an indispensable component for the shift to carbon-neutral transport. Optimization of the electrical machine will guarantee operation with max torque and lowest vibration as well as lightest weight. Compared with traditional parametric approach, non-parametric optimization will push the performance of machine to its farther limit. Two non-parametric optimization methods are utilized for this. Topology optimization is usually used for conceptual design, which like lighter the weight of electrical machine through cutting some not fully used area with the consideration of maintaining the mean torque. Shape optimization is usually used for fine tuning through slightly moving the nodes in different direction. The torque ripple and specific mechanical order could be strongly depressed through shape optimization. To improve noise and vibration (NV) behavior of electric drive trains, accurate description of machine electromagnetic (EM) forces can be obtained from simulation as well. Compared with traditional look-up tables approach, the machine Reduced Order Model (ROM) approach will provide a more accurate EM force description in all operation range and operating scenario of electrical machine with the consideration of multiphysics effects (e.g. inverter, thermal, etc.). In conclusion, with above approach, the maximum efficiency of electrical drive train can be precisely studied even before the first prototype is built.

Digital Twins at Rolls-Royce

Authored & Presented By
Akin Keskin (Rolls-Royce Group PLC)

Today’s Simulation & Modelling capability has reached a high level of accuracy, providing a tool for engineers to perform design and analysis tasks for complex products. The next level is to merge physics based data with simulation data and create virtual products that can be used to analyse product attributes in the computer or to predict how a physical product will behave in the future. This concept is referred to “Digital Twins” and is a significant building block in commercial enterprises to increase product understanding during design, improve service offerings in the aftermarket, and tailor products to customer needs. The presentation will show how the Digital Twin concept is used at Rolls-Royce and how this technology is influencing business decisions.

Vereinfachte Verhaltensmodelle zur Bewertung der thermomechanischen Zuverlässigkeit leistungselektronischer Baugruppen

Presented By
Ralf Döring (Fraunhofer Institute for Electronic Nano Systems ENAS)

Authored By
Ralf Dö
ring (Fraunhofer Institute for Electronic Nano Systems ENAS)
R. Dudek
S. Rzepka (Fraunhofer ENAS)
C. Walbrecker-Baar (Siemens)
P. Langbehn (iPoint-systems)

Leistungsmodule weisen Schalt- und Durchlassverluste auf. Dabei wird der größte Teil der elektrischen Energie in thermische Energie umgewandelt, was zu einer Erwärmung der Baugruppe während des Betriebs führt. Die Folgen sind nicht nur hohe Aufwendungen für eine effiziente Kühlung, sondern unmittelbar daraus resultierend auch signifikante Herausforderungen an die thermo-mechanische Zuverlässigkeit der genutzten Aufbau- und Verbindungstechnik derartiger Module. Die Sicherstellung der thermomechanischen Zuverlässigkeit während des Einsatzes von Leistungsmodulen ist Expertenwissen, welches bei Entwicklern nicht unbedingt vorausgesetzt werden kann. Um sie dennoch in die Lage zu versetzen, dieses Wissen bereits in der Designphase zu berücksichtigen ist es sinnvoll, sie mit Werkzeugen auszustatten, welches ihnen dieses know how bereitstellt, ohne dass sie die genutzten Methoden genau kennen müssen. Dieses vereinfachte Verhaltensmodell ist außerdem Voraussetzung für die Entwicklung eines digitalen Zwillings, welcher den Zustand eines einzelnen Leistungsmoduls im Einsatz überwacht und bewertet. Im durch das Bundesministerium für Wirtschaft und Energie geförderten Projekt "KoLibri" (Komplexe Leichtbaustrukturen für elektronische Anwendungen innerhalb der Mobilität), in dessen Rahmen diese Arbeiten durchgeführt werden, werden sowohl die Auswirkungen des Einsatzes von Schäumen auf die thermische Performance von Leistungsmodulen betrachtet, als auch ökologische Aspekte, wie die CO2-Bilanz einbezogen. All diese Aspekte - thermische Performance, thermomechanische Zuverlässigkeit und Ökobilanz - wurden beispielhaft in einem vereinfachten Verhaltensmodell zusammengefasst.

Beispiele zur Demokratisierung der Simulation

Authored & Presented By
Ralf Paßmann (systemworkx AG)

Die Simulation - d.h. die digitale Darstellung der Herstellung, des Gebrauchs und des Betriebs von Produkten in der Struktur-, der Fluidmechanik oder des Elektro-Magnetismus - hat eine hohe Bedeutung in der Produktentwicklung. Der Einsatz der Simulation wächst besonders in den letzten Jahren rasant. Ein wesentlicher Teil dieser Simulationen wird durch speziell geschulte Berechnungs-Ingenieure erbracht. In den letzten Jahren wächst die Kritik an dem bestehenden System der Trennung von Konstruktion und Simulation. So wird die getrennte Abarbeitung als zeitraubend und für die Lösungsfindung störend empfunden. Bereits in einem früheren Beitrag hat der Autor sich des Themas der Demokratisierung angenommen und derzeitige Entwicklungen beschrieben. Grundsätzlich ist der Autor der Auffassung, daß sich der Berechnungs-Ingenieur der Entwicklung stellen muss. Aufbauend auf der NAFEMS Definition zur Demokratisierung der Simulation und einer kurzen Darstellung bestehender Lösungen will dieser Beitrag Konzepte einer Demokratisierung vorstellen und diskutieren. Als Beispiele wurden das generative Design und der geführte Berechnungsprozeß ausgewählt. Beide Beispiele werden mittels der 3DEXPERIENCE Plattform der Dassault Systèmes erstellt. Detailliert werden die verschiedenen Vorgehensweisen erläutert. Wesentliche Voraussetzungen, als Beispiele seien das Materialverhalten und die Elementauswahl genannt, sowie auftretende Probleme werden diskutiert. Es sollen so mögliche Wege zur Demokratisierung der Simulation und der zukünftigen Rolle des Berechnungs-Ingenieurs aufgezeigt werden.

“Was ist es, was die Welt (der Simulation) im Innersten zusammenhält?“ – der Medici-Effekt in der Simulation

Presented By
Martin Küssner (TECHNIA)

Authored By
Martin Kü
ssner (TECHNIA)
M. Stuhlmann-El Sharif (Technia)

Es gibt nicht den „einen“ digitalen Zwilling in der Simulation. Die Zwillinge innerhalb der „Simulationsfamilie“ unterscheiden sich durch die Art der Abstraktion. Beim Finite-Elemente-Spannungs-Zwilling wird das Deformationsverhalten auf einer "Lego-Stein-Ebene" ermittelt und das globale Ergebnis aus der Gesamtheit der Lego-Stein-Ergebnisse abgeleitet. Ein Mehrkörper-Dynamik-Zwilling wird durch meist ideal starre Teile abgebildet, die wiederum durch Gelenke verbunden sind. Ganz anders der System-Simulations-Zwilling: Hier werden Systeme und Subsysteme nur durch ihr Verhalten und nicht durch ihre 3D-Repräsentierung abgebildet. Soweit bekannt und seit Jahren in der Praxis erfolgreich praktiziert. Faszinierend sind aber die neuen Möglichkeiten, diese verschiedenartigen digitalen Zwillinge assoziativ zu verbinden – und somit eine automatisierte Ansatzraumerkundung über die verschiedenen Abstraktionsarten und -stufen hinweg zu ermöglichen. Der als „Medici-Effekt“ beschriebene Ansatz beschreibt ganz allgemein das riesige Potenzial für neue innovative Ideen beim Aufeinandertreffen von unterschiedlichen Disziplinen und Kulturen. Es wird gezeigt, wie ein sorgfältig gesponnen digitaler Faden zwischen den verschiedenen digitalen Zwillingen den „Medici-Effekt“ in der Simulation ermöglicht.

Die Verbindung von Workflow Management Systemen und Cloud Computing

Authored & Presented By
Robert Bitsche (Rescale UK/Europe Office)

In den vergangenen Jahrzehnten hat die Komplexität von Simulationsprozessen stark zugenommen. Simulationsergebnisse werden zunehmend in vielen Schritten von einer Kette von unterschiedlichsten Programmen berechnet, die in komplexer Weise zusammenwirken. Traditionell werden diese Prozesse in Skripten abgebildet, die das Zusammenspiel der verschiedenen Programme organisieren. Wo diese Skripte an ihre Grenzen stoßen, kommen inzwischen vermehrt wissenschaftliche Workflow Management Systeme zum Einsatz, die das Zusammenspiel verschiedener Software- und Hardware-Ressourcen effizient orchestrieren. Ein weiterer wichtiger Trend im Bereich der numerischen Simulation ist das enorm wachsende Cloud Computing. Cloud Computing eignet sich in vielerlei Hinsicht ideal für Simulations-Anwendungen, und auch die großen Cloud Service Provider wie AWS oder Microsoft Azure bieten inzwischen leistungsstarke Cloud Infrastruktur an, die speziell für Simulations-Anwendungen entwickelt wurde. Es überrascht also nicht, dass immer mehr Unternehmen aufwändige Simulationsprozesse in die Cloud verlagern. Dieser Wechsel stellt oft auch die bestehenden Simulationsprozesse in Frage, weil zuvor maßgebliche Begrenzungen durch die verfügbare Rechenleistung nun in der Cloud nicht mehr bestehen. In diesem Vortrag zeigen wir am Beispiel von Nextflow, wie sich wissenschaftliche Workflow Management Systeme und Cloud Computing verbinden lassen, um komplexe Simulationsprozesse zu automatisieren. Besonderes Augenmerk legen wir dabei auf die Möglichkeit, Hardware Ressourcen an die Erfordernisse des jeweiligen Prozessschrittes anzupassen, und damit gleichzeitig die Rechenleistung zu steigern und Kosten zu senken.

Das Projekt EuroCC: HPDA (High Performance Data Analytics) und KI (Künstliche Intelligenz), kurz HPC+

Presented By
Henry Strauss (SICOS BW GmbH)

Authored By
Henry Strauss (SICOS BW GmbH)
A. Wierse (Sicos BW)

EuroCC ist ein „Meta-Projekt“ der EU im Bereich HPC+. Ziel ist dabei nicht die Förderung eines einzelnen Vorhabens, Themas oder Produkts, sondern es geht um die Etablierung von nationalen Kompetenzzentren (National Comptence Centres = NCCs) für HPC (High Performance Computing), HPDA (High Performance Data Analytics) und KI (Künstliche Intelligenz), kurz HPC+. Diese NCCs werden in allen 32 beteiligten europäischen Staaten als erste und zentrale Anlaufstellen zu den genannten Themen für die Industrie (dabei liegt ein besonderer Schwerpunkt auf kleinen und mittelständischen Unternehmen), den akademischen Bereich und die öffentliche Verwaltung dienen. Hierzu tragen die NCCs die vorhandenen Kompetenzen und die verfügbaren Services von HPC-Zentren zusammen und bereiten sie so auf, dass Interessenten sehr schnell die für sie relevanten Angebote identifizieren können. Ein Beispiel sind hierbei Simulations-Workflows und wie sie einschließlich Vor- und Nachbearbeitung mittels HPC und KI schneller, in besserer Qualität und möglicherweise auch für komplexere Fragestellungen durchgeführt werden können. Im Vortrag wird aufgezeigt, wie insbesondere Engineering-Unternehmen vom NCC Deutschland und/oder vom NCC Österreich profitieren können und welche von der EU und dem BMBF geförderten Unterstützungsangebote in diesem Kontext verfügbar sind. Das schließt auch die neuen großen Systeme in der EU ein, die vom EuroHPC Joint Undertaking gemeinsam mit den Mitgliedsstaaten beschafft wurden, wie z.B. Lumi in Finnland (#5 der Top500), Leonardo in Italien (#6) und Mare Nostrum in Spanien (#8). Aber auch bei den kommenden Systemen, vor allem dem ersten europäischen Exascale-Computer, JUPITER, der noch in diesem Jahr verfügbar sein soll, werden die EuroCC-Kompetenzen Interessenten dabei helfen, sich deren Leistung zunutze zu machen.

Diskussion

Automatisierte CFD-Auslegungswerkzeuge am Beispiel der Wärmebehandlung von Titanbauteilen

Presented By
Ulrich Heck (DHCAE Tools GmbH)

Authored By
Ulrich Heck (DHCAE Tools GmbH)
M. Becker (DHCAE Tools)

Während CFD-Methoden für einfachere Strömungszustände bereits Einzug in die Produkt- und Prozessentwicklung gehalten haben, ist bei komplexen Problemstellungen wie Mehrphasen- oder Multiphysikanwendungen häufig noch eine intensive Modellvalidierung und aufgrund der meist hohen Rechenzeiten eine Modelloptimierung erforderlich. Eine Möglichkeit, dem Entwickler für diese anspruchsvolleren CFD-Aufgaben ein Entwurfswerkzeug zur Verfügung zu stellen, ist die Erstellung eines automatisierten CFD-Design Tool für einen konkreten Prozess, das für die Anwendung validiert und optimiert ist. Am Beispiel der Modellierung des Abkühlverhaltens von Titanbauteilen bei der Wärmebehandlung wird die Erstellung und Anwendung eines solchen Tools zur Reduzierung von Kriechvorgängen beim Abkühlen demonstriert. Dabei werden natürliche Konvektion, Wärmeleitung, Strahlungsaustausch und Energiefreisetzung durch Gefügeumwandlung in einer instationären konjugierten Wärmetransportanalyse berücksichtigt. Das CFD-Modell wurde in OpenFOAM erstellt, durch zahlreiche Experimente validiert und rechenzeitoptimiert. Der CFD-Modellaufbau und der Simulationsablauf wurden vollständig automatisiert. Eine Schnittstelle zu Abaqus zur Nutzung der transienten Temperaturfelder in der Kriechanalyse wurde implementiert. Das Tool wird beim Endanwender zur Optimierung der Abkühlbedingungen für Titanbauteile in der Vorentwurfsphase eingesetzt.

CFD-Simulation von rotierenden Vakuum- verdrängerpumpen: Möglichkeiten und Herausforderungen

Authored & Presented By
Andreas Spille (CFX Berlin Software GmbH)

Rotationsverdränger wie Schraubenverdichter, Scrollverdichter, Drehschieberpumpe oder Roots-Gebläse werden außer zur Verdichtung von Prozessgasen auch als Vakuumpumpen zur Erzeugung von Unterdrücken eingesetzt. Hierbei werden einige Anpassungen vorgenommen: - Aufgrund der niedrigen Massenströme ist eine effiziente Kühlung von Gehäuse und Rotoren notwendig. - Die Spaltmaße (Radial-, Axial- und Profileingriffsspalte) sind oft deutlich kleiner. - Drehkolbenpumpen werden oft in einem Gehäuse mehrstufig ausgeführt, um tiefere Drücke erreichen zu können. - Schrauben-Vakuumpumpen haben im Unterschied zu Schraubenverdichtern kantige Profile und oft variable und kleinere Steigungen. Diese Anpassungen stellen auch erhöhte Anforderungen an die Strömungssimulation dar, die einfachere Methoden wie Overset Meshes oder Remeshing schwer nutzbar machen, sondern konturangepasste Hexaeder-/Prismengitter erfordern. Dieser Vortrag erläutert für eine Schraubenvakuumpumpe, wie bei der Gittererstellung, der Umsetzung der Kammerdeformationen und dem Aufsetzen der Vakuumpumpe auf diese Anforderungen reagiert wird. Hierbei wird auch auf die Grenzen des Kontinuumsansatzes und die Möglichkeit eingegangen, mit einer Slip-Randbedingung für Geschwindigkeiten und Temperaturen den Anwendungsbereich bis in die Gleitströmung bei Knudsenzahl <0.1 zu erweitern.

Meshfree Simulations for Industrial Applications

Presented By
Fabian Castelli (Fraunhofer ITWM)

Authored By
Fabian Castelli (Fraunhofer ITWM)
I. Michel
J. Kuhnert (Fraunhofer ITWM)

Numerical simulations have become an indispensable tool for industrial research and development processes. Despite recent advances in numerical methods, software and hardware, the simulation of industrial applications is computationally challenging. Classical discretization methods, such as the finite element or finite volume method, are meshbased and face crucial challenges for example in case of complex model geometries, large deformations, or free surfaces. Meshfree approaches overcome the expensive meshing step for classical methods. At Fraunhofer ITWM and Fraunhofer SCAI, we develop and implement the MESHFREE software (www.meshfree.eu) providing a simulation tool for industrial applications. The discretization is based on a Generalized Finite Difference Method (GFDM). The method is purely meshfree and suited for fluid as well as continuum mechanical processes. Due to its discretization based on a scattered set of numerical points, MESHFREE is flexible and particularly efficient for applications with moving geometric parts, free surfaces, phase boundaries, or fluid-structure interaction. Examples include water management of vehicles or metal cutting processes. The talk presents the MESHFREE software and introduces the mathematical formulation as well as theory behind the GFDM. The capabilities of MESHFREE are demonstrated with an overview of successfully simulated industrial applications.

Development and Credibility Assessment of a TAVI Heart-Valve FSI-Model

Presented By
Nils Götzen (4RealSim B.V.)

Authored By
Nils Gö
tzen (4RealSim B.V.)
T. Turgut
O. Zahalka
V. Bouwman (4RealSim Services)

TAVI heart valves have evolved to a standard treatment, especially for elderly patients, to improve the blood flow by replacing an aortic valve that does not open fully. It is a minimally invasive process where the device is placed into the living heart using a catheter-approach. Within the EU-funded SimInSitu project (GA 101017523), we have developed a detailed FSI-model of a Sapien-3 TAVI Heart Valve using a tiered modelling and VVUQ approach, able to simulate the in-vitro hemodynamic performance of the device. All relevant device components, such as stent-frame, skirt, and the three leaflets are modelled, while the implantation procedure using balloon inflation is also considered. The entire heart-valve model is virtually placed into a simplified in-vitro test-setup and the fluid-structure interaction is implemented using a SPH solution. The model underwent an extensive verification and validation program considering available structural and hemodynamic test data coming from various publications. A thorough uncertainty quantification & propagation was conducted for the structural and hemodynamic behaviour using various forms of Monte-Carlo-Simulations. Due to the complexity of the model, meta-modelling was partially necessary. The VVUQ activities confirmed a particularly good agreement between experimental and simulation data for the structural behaviour of the stent frame, while the leaflet mechanics, structurally and hemodynamically, showed initially an insufficient agreement. This was associated with the lack-of-data about the device specifications we were confronted with and was corrected by introducing minor changes in the material properties and leaflet dimensions. The heart-valve FSI-model is currently being implemented in a patient-specific model of the left ventricle / aortic root / aortic arch to simulate the deployment process and device performance in an in-vivo setup.

CFD-Simulation der Fluid-Struktur- Interaktion in der Pumpenkonstruktion

Authored & Presented By
Brandon Arthur Lobo (Cascate GmbH)

Diese Studie präsentiert eine CFD-Simulation der Fluid-Struktur-Interaktion (FSI) einer Pumpe. Die Pumpe verfügt über eine Membran, die zwei Kammern trennt: die obere Kammer enthält ein Gas, in der unteren Kammer befindet sich ein Kolben mit Einlass- und Auslassöffnungen. Der Status der Gaskammer als Einlass oder Auslass wechselt je nach Kolbenbewegung und gewährleistet so eine effiziente Steuerung des Flüssigkeitsstroms. Das Ziel dieses Vortrages ist es zu zeigen, wie sich eine solche Aufgabenstellung durch die Kopplung von Fluid und Struktur einfach und effizient in einem gemeinsamen Simulations-modell lösen lässt ohne die Notwendigkeit einer Kopplung mit einem externen Tool. Analysiert wird das Verhalten der Membran einschließlich ihrer Wechselwirkung mit den Kammerwänden. Speziell beobachten wir, dass die Membran genau an der Wand anliegt und eine robuste Kopplung zwischen den festen und fluiden Bereichen ermöglicht. Diese Arbeit hebt die Fähigkeiten von CFD-Simulationen bei der Modellierung komplexer FSI-Phänomene hervor und bietet Einblicke in die Leistung und Optimierung von Pumpen. Obwohl quantitative Ergebnisse nicht präsentiert werden, liegt unser Fokus darauf, die aktuellsten Fähigkeiten zu demonstrieren. Durch die nahtlose Integration von FSI-Simulationen in einem einzigen modernen CFD-Code wird die Notwendigkeit einer externen Toolkopplung beseitigt. Dies vereinfacht nicht nur den Workflow, sondern reduziert auch potenzielle Fehler oder Diskrepanzen. Der gekoppelte Solver berücksichtigt umfassend die Wechselwirkungen zwischen Fluid und Struktur und erfasst dynamische Effekte, die in sequentiellen Simulationen oft übersehen werden. Letztendlich gewährleistet dieser Ansatz eine genauere Darstellung realer Szenarien und fördert eine robuste und aufschlussreiche Ingenieursanalyse.

Data-Driven Modelling of Particle-Induced Turbulence in Sediment Transport

Authored & Presented By
Yvonne Stöcker (TU Wien)

This work aims to improve the turbulence modeling in RANS simulations for particle-laden flows. Using DNS data as reference, the error of the model assumptions for the turbulence transport equations is extracted and serves as target data for a machine learning process called SpaRTA (Sparse Regression of Turbulent Stress Anisotropy). In the present work, the algorithm is extended so that additional quantities can be taken into account and a new modeling approach is introduced, in which the models can be expressed as a scalar polynomial. The resulting corrective algebraic expressions are implemented in the RANS solver SedFoam-2.0 for validation. This study shows the applicability of the SpaRTA algorithm to multi-phase flows and the relevance of incorporating sediment-related quantities to the set of features from which the models are assembled. An average improvement of ca. thirty percent on various flow quantities is achieved, compared to the standard turbulence models.

Diskussion

Interoperability of CAD and CAE for Enhanced Car Component Design and Optimization in Crash Scenarios

Presented By
Zafeiria Kanellia (BETA CAE Systems SA)

Authored By
Zafeiria Kanellia (BETA CAE Systems SA)
M. Tryfonidis (BETA CAE Systems)

Achieving optimum performance for car components in crash scenarios necessitates a meticulous examination of various design aspects, particularly component geometry. This paper presents a methodology employed by simulation engineers to efficiently address this challenge. By identifying key parameters transferred from Computer-Aided Design (CAD) files to simulation models and employing Design of Experiment (DOE) techniques to vary them, engineers can iteratively refine component designs. However, the transfer of these design parameters from the Finite Element (FE) environment back to CAD software poses a significant hurdle. To streamline this process, an automated workflow has been developed to ensure seamless interoperability across different operating systems. Additionally, advancements in Computer-Aided Engineering (CAE) tools, such as ANSA morphing, provide engineers with valuable insights into how geometric variations impact crash performance. Despite these advancements, communication barriers between CAD and CAE departments persist, hindering collaborative efforts. This paper addresses these challenges by outlining a scenario wherein CAE functions are enhanced through geometrical manipulation, particularly focusing on frontal rails. Optimization studies are conducted to analyze the impact of shape variations on component performance. Furthermore, an automated process is proposed to facilitate the transfer and update of design parameters between CAD and simulation environments, ultimately expediting design updates and reducing associated time and costs. The presented methodology demonstrates the feasibility and benefits of integrating CAD parameters directly into the optimization workflow, paving the way for more efficient and effective component development in the automotive industry.

Fatigue Strength Assessment of Injection-Molded Fiber-Reinforced Plastic Components for Electric Vehicles

Presented By
Marcus Stojek (PART Engineering GmbH)

Authored By
Marcus Stojek (PART Engineering GmbH)
S. Pazour (PART Engineering)
V. Mortazavian (Ascend Performance Materials)

The transition from traditional combustion engines to electric vehicles introduces a distinct challenge for car manufacturers: the emergence of higher-frequency noise generated by electric motors, gearboxes, and associated components. While conventional methods effectively dampen noise, vibrations, and harshness up to approximately 300 Hz, electric vehicles operate at frequencies ten times higher. To address this issue, a potential solution lies in the adoption of plastic materials over metal. Fiber-reinforced plastics, which are recognized for their strength and stiffness due to the high glass contents, offer promising alternatives. However, the mechanical performance of these materials is intricately tied to fiber orientation within the components, presenting a significant challenge, especially in durability assessment. This paper explores various methodologies for conducting fatigue strength assessments, illustrated through the evaluation of a newly developed material and test platform by Ascend Performance Materials. Glass filled Vydyne AVS material portfolio which is specifically designed to mitigate noise, vibration, and harshness, while ensuring the requisite stiffness for electric vehicle structures serves as a compelling case study in this context.

Cracking the Code of Welded Shaft Reliability in e-Axle Motors

Presented By
Hirubaakaran Moorthy (Valeo India Pvt Ltd)

Authored By
Hirubaakaran Moorthy (Valeo India Pvt Ltd)
A. Marchi (Valeo Automotive)

In the world of engineering and manufacturing, where reliability and durability are key, this paper dive into the study of a welded shaft in an e-Axle motor. This critical component faced a major challenge during bench testing when it failed at the weld joint. This incident raised important questions about its safety and the accuracy of typical simulation methods in predicting such failures. The complexity of the situation deepens when the intricate changes in material properties considered during welding, the shift from isotropic to anisotropic characteristics layer by layer throughout the weld thickness. Thermomechanical effects and variations in geometry add further layers of complexity. This comprehensive assessment blends welding and structural simulations with life assessment methodologies. Initial part of the study involved detailed welding process simulation using SIMUFACT. Essential factors like weld speed, energy, and torch dimensions were considered and also took into account material behavior, welding distortions, residual stresses, and variations in hardness within the heat-affected zone. These factors were used as starting conditions for the following static structural analysis. We then assessed the structural integrity of the shaft under real-world conditions in ANSYS by introducing loads like speed, torque, interference, and bearing misalignment. These loads played a key role in evaluating how the shaft performed in practical situations. As the shaft experiences cyclical stresses due to rotation- N-code was used for crucial fatigue assessment, with the combined results from the static structural analysis & Process simulation. Material mapping in the weld region considered hardness variations across thickness and width. Comprehensive approach, encompassing welding and structural simulations, as well as various loads and parameters, provides deep insights into the shaft's behavior in real-world conditions. The strong alignment between simulation results and actual testing outcomes demonstrates the effectiveness of this methodology. At the end , failure was precisely predicted in simulation. This study underscores the importance of precise life assessment in engineering, where even minor changes in material properties, geometry, and welding processes can significantly impact component integrity and the overall system's reliability. With ongoing research and the refinement of simulation methods, this paper contributes to the continuous enhancement of structural analysis and fatigue assessment, ultimately enhancing the safety and efficiency of engineering systems.

Modeling High-Pressure, High-Temperature Diamond Crystal Growth

Presented By
Marc Hainke (Fraunhofer IISB)

Authored By
Marc Hainke (Fraunhofer IISB)
M. Lang
C. Kranert
J. Friedrich (Fraunhofer IISB)
I. Ponomarev (Euclid Beamlabs)
B. N. Feigelson (U.S. Naval Research Laboratory)
S. S. Dossa
J. J. Derby (Univ. of Minnesota)

The High-Pressure, High-Temperature (HPHT) crystal growth system has the capability to grow diamonds of the highest crystalline quality. However, this near-equilibrium process is carried out under extreme conditions, where diamond single crystals are grown from a molten metal solvent. Since there are no available diagnostics to directly monitor crystal growth in the HPHT cell, faithful models are needed to connect experimental outcomes to system design and process conditions. A multi-scale, computational model was developed to describe the growth characteristics of single-crystal diamond in the HPHT process. A global model for the resistance heating systems was developed by Fraunhofer IISB via the Ansys Workbench 2023. Joule heating from the applied alternating current is simulated by a quasi-steady, harmonic electric analysis and employed with a heat transfer analysis to predict the temperature field of the system. Temperature profiles from these analyses are employed in finite-element models developed by the University of Minnesota to predict flows and carbon transport through the growth cell. In this presentation the implementation of the global model is discussed and exemplary model results are presented.

Beitrag zum Stand der Simulation der Induktiven Erwärmung

Authored & Presented By
Ralf Paßmann (systemworkx AG)

Die Induktive Erwärmung gehört zu den direkten Erwärmungsverfahren. Typische Anwendungen in der Metallindustrie sind die Erwärmung zur Umformung und die Wärmebehandlung zur Steigerung der Güte und Festigkeit von Produkten. Durch die aktuelle Energiepolitik ergibt sich ein weiterer Fokus auf das mit Strom betriebene Verfahren. Das wechselnde magnetische Feld eines stromdurchflossenen Leiters erzeugt - kontaktlos - einen Wirbelstrom in dem zu erwärmenden Bauteil. Durch den Wirbelstrom können Bauteile schnell von Raumtemperatur auf über 1000° C erwärmt werden. Auf der Basis einer (konventionellen) Literaturstudie sollen in diesem Beitrag die auftretenden physikalischen Bedingungen und deren Abbildung in numerischen Simulationen vorgestellt werden. Hier zeigt sich eine Konzentration auf statische bzw. nur langsam ablaufende Prozesse. An einem einfachen Beispiel wird das Vorgehen in der Simulation detailliert erläutert. In schnell ablaufenden und mehrstufigen Verfahren treten Kopplungseffekte zwischen Elektro-Magnetismus, Wärmetransport und Strukturmechanik auf. So soll abschließend ein Ausblich auf die Abbildung schnell ablaufender Prozesse unter Berücksichtigung multi-physikalischer Effekte in der Simulation gegeben werden.

Modellierung des Laserschneidens von Glasröhren für pharmazeutische Anwendungen

Presented By
Magdalena Lang (Ostbayerische Technische Hochschule (OTH))

Authored By
Magdalena Lang (Ostbayerische Technische Hochschule (OTH))
M. Lang (Ostbayerische Technische Hochschule Amberg-Weiden (OTH)
D. Ruider
S. Frö
hle
B. Schmitt (Medical Systems
Gerresheimer Regensburg)

Glaskörper für Glasspritzen oder Glasampullen unterliegen sehr engen Fertigungstoleranzen, was hohe Anforderungen an den Produktionsprozess stellt. Die Bestimmung der optimalen Prozessparameter kann durch Simulationsmodelle unterstützt werden. Betrachtet wurde in der Kooperation zwischen der OTH Amberg-Weiden und der Firma Gerresheimer (Standort Wackersdorf) der Trennungsvorgang zum Abtrennen der (Endlos)-Glasröhren auf eine bestimmte Länge. Bei der numerischen Modellierung des Trennungsvorganges können unterschiedliche Strategien verfolgt werden. Axialsymmetrische Modelle bieten die kürzeste Rechenzeit mit Einschränkungen bei der physikalischen Genauigkeit, z.B. die Annahme eines über den Umfang gemittelten Wärmeeintrags. Im Gegensatz dazu kann der Schneidprozess auch in einem vollständigen 3D-Modell nachgebildet werden. Die gewonnene Genauigkeit verlangt aber signifikant höhere Rechenzeiten und einen deutlich größeren Aufwand bei der Modellerstellung, wie z.B. bei der Vernetzung, der Vorgabe der Randbedingungen und bei der Auswertung der Rechenergebnisse. Bei der Umsetzung der Modellierungsvarianten wurden unterschiedliche Tools der Ansys Simulationssoftware (Thermal, Mechanical, CFX) verwendet. In dem Beitrag werden die unterschiedlichen Simulationsansätze vergleichend diskutiert und exemplarische Parameterstudien vorgestellt.

GPU-beschleunigte automatische Kontakterkennung

Presented By
Stephanie Ferreira (Fraunhofer IGD)

Authored By
Stephanie Ferreira (Fraunhofer IGD)
T. Schulz
S. Besler
J. Mueller-Roemer
D. Weber (Fraunhofer IGD / TU Darmstadt)

Bei der Simulation von Baugruppen im Computer Aided Engineering (CAE) spielt das Behandeln von Kontakt eine wichtige Rolle. Um Kontakt modellieren zu können, müssen hierfür Bereiche definiert beziehungsweise identifiziert werden, die in Kontakt sind oder innerhalb des nächsten Simulationsschrittes potenziell in Kontakt kommen können. Oft muss der Benutzer vorgeben welche Bereiche als Kontaktflächen modelliert werden sollen. Für komplexere Baugruppen kann dies jedoch sehr aufwändig sein. Alternativ können solche Kontaktbereich über Abstandsberechnungen automatisch identifiziert werden. Für die korrekte Simulation von Kontakt werden Abstandsinformationen der diskretisierten Geometrie benötigt, um den Kontakt genau abzubilden. Diese Informationen zu generieren kann, je komplexer die Geometrie beziehungsweise je mehr Freiheitsgrade die diskretisierte Geometrie hat, sehr zeitaufwändig sein. In der Computergraphik ist die effiziente Abstandsberechnung insbesondere auch bei der Behandlung von Kollision in der Computeranimation ein etabliertes Forschungsfeld. Ein beliebter Ansatz sind räumliche Beschleunigungsstrukturen, wie zum Beispiel die "Bounding Volume Hierarchy" (BVH, dt. Hierarchie von Hüllkörpern). Diese unterteilt den betrachteten Raum, beziehungsweise die betrachteten Objekte, hierarchisch in Teilvolumen mit Hilfe derer effizient räumlich nahe Teilgebiete identifiziert werden können. Des Weiteren ist der Einsatz von Grafikprozessoren (englisch graphic processing unit, GPU) etabliert. Diese ermöglichen es, hohe Mengen an Daten parallel zu verarbeiten. Wir untersuchen wie "Bounding Volume Hierarchies" gepaart mit einem GPU-basierten Kontakterkennungsalgorithmus in der statischen Kontaktsimulation eingesetzt werden können.

Nonlinear Dynamic Analysis Using Harmonic Balance Method

Presented By
Michael Klein (INTES GmbH)

Authored By
Michael Klein (INTES GmbH)
R. Helfrich
T. Willerding (Intes)

Es gibt immer mehr Forderungen nach nichtlinearen strukturdynamischen Berechnungen bei Anwendungen der impliziten Finite-Elemente-Methode (FEM). Obwohl solche Methoden zur Verfügung stehen, gibt es ernsthafte Hürden für ihre tägliche Anwendung. Eine davon ist ihre extreme und nicht vorhersagbare Rechenzeit, welche es oft unmöglich machen, Ergebnisse rechtzeitig zu bekommen. Ein weiterer Punkt ist die Beschränkung dieser Methoden auf den Zeitbereich, was in vielen Fällen im Gegensatz zu den üblichen Designregeln im Frequenzbereich steht. Mit der Methode der harmonischen Balance (HBM) gibt es zumindest eine Lösung für eine wichtige Klasse von Berechnungsfällen, welche die genannten Hürden überwindet. Grundsätzlich kann man die HBM als Frequenzganganalyse mit nichtlinearen Elementen wie Federn, Dämpfer oder Reglern definieren. Dies erlaubt z.B. Kontakt- oder Einbau-Aufgaben mit nichtlinearem Kraft-Verschiebungsverlauf zu lösen. Tatsächlich ist die HBM eine Methode im Frequenzbereich, aber um die Nichtlinearitäten zu berücksichtigen nutzt die HBM abwechselnd den Frequenz- und den Zeitbereich. Die Hauptergebnisse sind im Frequenzbereich. Damit lassen sich für alle berechneten Frequenzen auch Lösungen im Zeitbereich darstellen. Der Vortrag nutzt einen vereinfachten Kühler als industrielles Anwendungsbeispiel für die HBM. Um die HBM zu validieren wird ein Vergleich mit der linearen Frequenzganganalyse mit ausschließlich linearen Elementen durchgeführt, was die Übereinstimmung der Ergebnisse beider Methoden zeigt. Dann werden Gummilager und Kontakte als nichtlineare Elemente beschrieben. Ausreichende Dämpfung ist zusätzlich notwendig, um mehrfache Lösungen bei irgendeiner Frequenz im betrachteten Frequenzbereich und damit ein Produkt mit instabilem Verhalten zu vermeiden. Die Hauptergebnisse wie Spannungen und auch Lebensdauer im Frequenzbereich werden dargestellt. Zum Schluss wird auch die Rechenzeit betrachtet, um die Anwendbarkeit der Methode in der Praxis von Forschung und Industrie zu zeigen. Alle Berechnungen sind mit der Software PERMAS gerechnet worden, die HBM neben vielen anderen Methoden der Strukturdynamik unterstützt. PERMAS hat auch eine integrierte Lebensdaueranalyse. Damit sind alle hier verwendeten Berechnungen mit einer Software in einem Job durchführbar.

Managing Technical Parameters to Setup Virtual Tests

Presented By
Alexander Mahl (PDTec AG)

Authored By
Alexander Mahl (PDTec AG)
H. Krappe (PDTec)

Behalten Sie den Überblick über alle relevanten Eingabedaten - von technischen Eingangsparametern zu virtuellen/physikalischen Tests. In den komplexen Entwicklungsumgebungen von heute ist die Verwaltung von technischen Eingangsparametern und Simulationsergebnissen eine entscheidende Aufgabe. Neben der Verwaltung dieser Daten wird die vollständige Rückverfolgbarkeit von Eingabedaten wie technischen Parametern zu Testergebnissen immer wichtiger. Um dieses Ziel zu erreichen, müssen die technischen Parameter in einer „maschinenverständlichen“ Form dargestellt werden. Das Sammeln der erforderlichen Eingabedaten ist für Simulationsingenieure oft eine zeitaufwändige Aufgabe. Dies könnte durch die Bereitstellung einer zentralen, intelligenten Datendrehscheibe, die eine Hauptquelle für jeden Ingenieur sein könnte, erheblich reduziert werden. Dieses Papier beschreibt Konzepte, wie technische Parameter gesammelt, verwaltet und von Ingenieuren effizient genutzt werden können. Das Papier schlägt einen „Anfrage“- und „Liefer“-Prozess für die Erfassung der technischen Parameter vor. Aufgrund der großen Datenmenge ist es wichtig, den für die Lieferung und den Verbraucher zuständigen Benutzern einen umfassenden Überblick zu geben. Es soll den Anfrage- und Lieferprozess vereinfachen und auf verschiedene Kundenkonfigurationen anwendbar sein. Die Technologiedaten können von jedem Anwender gefunden und verwendet werden, sobald sie geliefert wurden. Die vollständige Rückverfolgbarkeit aller Eingabedaten, einschließlich technischer Parameter, Simulationsmodelle und Ausgabedaten, wird von einem Simulationsprozess- und Datenmanagementsystem (SPDM) verlangt. Dadurch wird sichergestellt, dass alle relevanten Eingabedaten ordnungsgemäß dokumentiert und gespeichert werden, so dass alle Simulationsergebnisse genau nachverfolgt und berichtet werden können. Dies ermöglicht es dem Ingenieur, Unterschiede in den Eingabedaten (z. B. technische Parameter) für bestimmte Simulationen zu erkennen. Die Übertragung der technischen Parameter in Simulationsmodelle spart Zeit, verbessert die Zuverlässigkeit und gewährleistet die Rückverfolgbarkeit. Da diese Aufgabe von der Engineering-Methodik abhängt, ist ein geeigneter Plugin-Mechanismus zwingend erforderlich. In diesem Vortrag werden die Konzepte und deren Umsetzung mit Hilfe eines SPDM-Systems demonstriert

Automatische, baugruppenbasierte Modellierung und Simulation

Authored & Presented By
Alexandru Dadalau (Meshparts GmbH)

Die Baugruppenbasierte Modellierung ist seit vielen Dekaden ein Standard in der CAD-Modellierung. Nur so lassen sich komplexe Baugruppen wirtschaftlich realisieren. Seit nun mehr als 10 Jahren wurde dieser Modellierungsansatz durch Meshparts in die Welt der FE-Modellierung übertragen. Damit lassen sich komplexe Baugruppen automatisiert erstellen und berechnen. Bald steht in steht in der Meshparts-Software auch Permas als Solver zur Verfügung. Wir zeigen, welche Vorteile die neuen Kombination aus Pre-, Postprozessor und Solver mit sich bringt.

Nonlinear Modeling of a Flat Flexible Body in Multibody Dynamics by a 2D Segmentation Approach

Authored & Presented By
Tobias Ulmer (Airbus Operations GmbH)

Modellierung einer flexiblen Dichtungsplatte in der Mehrkörper Simulation Für Integrationstests des Landeklappen-Aktuierungssystems verwendet Airbus in Bremen neben klassischen Prüfstandsversuchen (Physical Test) auch Tests auf Basis von flexibler Mehrkörpersimulation (Virtual Test). Im vorliegenden Fall liegt der Test-Fokus auf der Bestimmung der Relativbewegung zwischen zwei Landeklappen unter verschiedenen Systemzuständen und Umgebungsbedingungen. Die Landeklappen sind aus aerodynamischen Gründen mit einer Gummi-Dichtungsplatte verbunden. Relativbewegungen der Landeklappen führen zu Verformungen der Dichtungsplatte und damit zu Reaktionskräften, die die Bewegung der Landeklappen zueinander beeinflussen. Daher muss die Dichtungsplatte im Mehrkörper Simulationsmodell abgebildet werden. Aufgrund von Nichtlinearitäten (Beulen unter Schubbelastung, Durchhängen unter Druck) scheidet die Modellierung als flexibler Körper über den üblichen, modalen Ansatz (Craig-Bampton Transformation) aus. Eine Co-Simulation zwischen MKS und nichtlinearer FEM ist denkbar, soll jedoch aufgrund der zu erwartenden hohen Simulationszeiten vermieden werden. Es werden daher alternative Ansätze untersucht. In der MKS werden bereits seit längerer Zeit gute Ergebnisse bei der Annäherung der geometrischen Nichtlinearität durch das Schneiden eines flexiblen Körpers in Segmente erzielt. Die einzelnen Segmente werden linear elastisch modal repräsentiert, daneben werden die Starrkörperbewegungen der Segmente vollständig nichtlinear betrachtet. Mit diesem Ansatz lassen sich bei langen, schlanken Körpern (z.B. Blatt einer Windkraftanlage, Flügel eines Flugzeugs) mit verhältnismäßig wenigen Segmenten (<5) bereits zufriedenstellende Ergebnisse erzielen. Allerdings handelt es sich hierbei um einen quasi eindimensionalen Ansatz, weil die Segmentierung ausschließlich entlang der Spannweite erfolgt. Dieser Ansatz wird versuchsweise auf eine zweite Dimension erweitert. Die Dichtungsplatte wird in zwei Dimensionen in Segmente zerlegt. Diese Segmente werden linear elastisch als flexible Körper modelliert und im Mehrkörper Simulationsmodell mit Gelenken verbunden. Sowohl die Generierung der flexiblen Segmente als auch die Verbindung und der Einbau in das MKS Modell erfolgen parametrisch und skriptbasiert. Dies ist notwendig, weil sich bereits bei verhältnismäßig wenigen Segmenten eine große Anzahl an verbindenden Gelenken ergibt. Erste Ergebnisse zeigen eine qualitativ korrekte Abbildung der erwarteten nichtlinearen Effekte bei akzeptablen Rechenzeiten. Modelling of a flexible sealplate in multibody dynamics For integration tests of flap actuation systems, Airbus at Bremen performs physical tests on test benches as well as virtual tests based on flexible multibody simulation. In the case under consideration, focus lies on the determination of relative motions between two flaps under different system states and environmental conditions. For aerodynamic reasons, the two flaps are connected by a rubber sealplate. Relative motion between the flaps leads to deformation of the plate. This leads to reaction forces influencing the motion between the flaps. In consequence, the seal plate has to be considered in the multibody simulation model. Due to nonlinearities (shear buckling, sagging) the usual approach of a linear modal representation of the flexible sealplate (Craig-Bampton Transformation) cannot be applied. Co-simulation between multibody simulation and nonlinear FEM is possible but shall be avoided because of the expected high computational cost. Consequently, alternative approaches are investigated. To approximate geometric nonlinearities, good results have been achieved by splitting flexible bodies into segments. The segments are modeled as usual by a linear, modal representation, whilst the segments’ rigid body motions are considered fully nonlinear. For long, slender bodies (e.g. wind turbine blades or wings of aircraft) satisfactory results can be achieved for relatively low numbers of segments (<5). However, the approach is quasi one dimensional as the splitting is performed only in spanwise direction. Hence, the splitting approach is experimentally extended to two dimensions. The seal plate is segmented in two directions. The segments are modeled linearly-elastically and connected in the multibody model by joints. Both, the generation of flexible segments and the integration in model are performed parametrically and scrip-based. This is necessary as even small numbers of segments lead to considerable numbers of connecting joints. First results show qualitatively correct capturing of the expected nonlinear effects at acceptable computational cost.

Multi-Body Simulation of the Switching Processes within an Innovative Ankle Foot Orthosis Mechanics

Presented By
Patrick Steck (Lehrstuhl für Konstruktionstechnik, Friedrich-Alexander-Universität Erlangen-Nürnberg)

Authored By
Patrick Steck (Lehrstuhl fü
r Konstruktionstechnik
Friedrich-Alexander-Universitä
t Erlangen-Nü
rnberg)
D. Scherb
J. Miehling
S. Wartzack (Univ. Erlangen-Nürnberg)

In Deutschland treten jährlich mehr als 200.000 erste und über 70.000 wiederkehrende Schlaganfälle auf. Ein Schlaganfall führt häufig zur Schädigung des zentralen Nervensystems, welches unter anderem für die Signalübertragung und -verarbeitung zwischen Gehirn und Muskeln zuständig ist. Die Folge sind Störungen des Bewegungsapparates, was wiederum eine pathophysiologische Bewegungsausführung zur Folge haben kann. Hierbei sind die von der Unterschenkelmuskulatur maximalen Kräfte verringert. Am KTmfk wird aktuell ein mechanisches Konzept für eine passive Sprunggelenkorthese erarbeitet, welche zukünftig dabei helfen soll, den kompletten Gangzyklus von Patienten zu unterstützen. Zunächst wurden hierfür Bewegungsdaten von gesunden Probanden gesammelt. Mithilfe der Menschmodellsimulationssoftware OpenSim wurden danach die benötigten Unterstützungsverläufe durch die Sprunggelenkorthese für Patienten mit verschiedenen Schwächungszuständen bestimmt. Diese Verläufe wurde im Anschluss in Ansys Motion importiert, um die verschiedenen Schaltvorgänge innerhalb des Mechanismus während des gesamten Gangzyklus zu simulieren. Während einer Gangphase (z. B. Abrollphase) wird dabei eine resultierende Verschiebung berechnet, welche zu einer Erhöhung der in der Orthese gespeicherten Energie führt. Diese wiederrum kann in anderen Gangphasen (z.B. der Abdrückphase) freigelassen werden und somit ihrerseits eine entsprechende Unterstützungskraft liefern. Dafür wurde die zeitliche Abfolge der Auslösemomente in einer Ansys Workbench integriert und die resultierenden Signale an verknüpfte Komponenten weitergegeben. Anschließend wurden verschiedene Designpoints initialisiert, an welchen eine optimale Energiespeicherung mittels Torsionsfedern berechnet werden kann. Die Parameteroptimierung der für die Energiespeicherung relevanten Bauteile läuft dabei parallel zu weiteren muskuloskelettalen Simulationen ab und sorgt letzten Endes für eine auf den Patienten angepasste Unterstützung.

Elastische Mehrkörpersimulation von Wälzlagern

Presented By
Tobias Baumann (Universität Bayreuth)

Authored By
Tobias Baumann (Universitä
t Bayreuth)
S. Tremmel (Univ. Bayreuth)
B. Hahn (Schaeffler Technologies)

Transiente Vorgänge in Wälzlagern, insbesondere bei Wechselwirkungen mit der Lagerumgebung, lassen sich nur mit Dynamiksimulationen analysieren. Schaeffler nutzt hierfür das selbst entwickelte Mehrkörpersimulationsprogramm Caba3D. Neben der klassischen Modellierung der Lagerkomponenten als dreidimensionale Starrkörper mit wälzlagerspezifischen Kontaktmodellen steht auch ein elastisches Käfigmodell für Wälzlageranwendungen im hohen Drehzahlbereich zur Verfügung. Die Modellierung der Lagerringe als Starrkörper ist nur dann gerechtfertigt, wenn die Anschlusskonstruktion ausreichend steif ist. Diese Forderung ist bei vielen Anwendungen konstruktiv sichergestellt, da die Lagerringe häufig eine geringe Wandstärke aufweisen, sodass eine sichere Kraftübertragung nur bei ausreichender Unterstützung durch steife Lagerumgebungen gewährleistet ist. Bei Großwälzlagern allerdings, wie sie beispielweise in Windenergieanlagen eingesetzt werden, kann die Anschlusskonstruktion aufgrund von Bauraumbegrenzungen nicht mehr ideal steif gestaltet werden. Mit zunehmender Lagergröße nimmt daher die Umgebungssteifigkeit im Verhältnis zu den Kontaktsteifigkeiten ab. Ferner führen Leichtbaumaßnahmen zu zunehmend nachgiebigeren Umgebungen, sodass auch in diesen Fällen die konventionelle Forderung nach möglichst steifen Wälzlagerumgebungen nicht immer erfüllt ist und der Einfluss der Umgebungssteifigkeit auf die Lastübertragung im Lager berücksichtigt werden muss. Dieser Beitrag stellt einen Ansatz zur Berücksichtigung der Umgebungssteifigkeit in der Mehrkörpersimulation von Wälzlagern vor. Der Lösungsansatz basiert auf einer Reduktion des FE-Modells durch einen erweiterten Fourier-Reihen-Verschiebungsansatz mit anschließender Überlagerung der Verschiebungsmoden als Linearkombination während der Mehrkörpersimulation. Neben der Simulationsmethode wird auch auf numerische Besonderheiten und den CAE-Prozess zur Integration der elastischen Lagerumgebung eingegangen. Das Potential der Methode wird anhand eines Kugel- und eines Rollenlagers aufgezeigt.

Panel Discussion: SPDM: Today‘s Challenges, New Capabilities and Upcoming Developments - in English language -

Discussion: SPDM Best-Practices - in English language -

Authored & Presented By
Albrecht Pfaff (PDTec AG)