Hero_3

Altair Megacasting

Das volle Potenzial von Megacasting erschließen

Leichtbau, Funktionsanforderungen und Herstellbarkeit im Einklang durch KI-gestütztes generatives Design

 

Der wachsende Bedarf an nachhaltigen Mobilitätslösungen und das Entstehen neuer, innovativer Fahrzeugkonzepte hat die Konstrukteure dazu veranlasst, neue Wege zur Gewichtsreduktion, zur Senkung der Herstellkosten und zur Umsetzung der neuesten Leistungsanforderungen zu gehen. Mit Altairs Lösung für die Entwicklung innovativer Mega- und Gigacasting-Komponenten reduzieren Sie die Risiken, die mit der Umstellung vom Bewährten auf das Neue verbunden sind. Die Verbindung von Industrie-Know-how und innovativer Technologie schafft einen maßgeschneiderten Entwicklungsprozess.                      Mit Altairs künstlicher Intelligenz (KI) und generativem Design, auf Basis modernster CAE Technologie, werden multidisziplinäre Variantenuntersuchungen für die Fahrzeugstruktur möglich.

So können die Entwicklungsteams gleichzeitig Tausende von Simulationen nutzen, um die beste Lösung zu finden.

Laden Sie sich den Fachartikel herunter

Generative AI-Design

Multidisciplinary optimization of automotive mega‑castings merging classical structural optimization with response‑surface‑based optimization enhanced by machine learning

Jens Triller1, Marta L. Lopez1, Matthias Nossek2 & Moritz A. Frenzel1

1 ALTAIR Engineering GmbH, Calwer Str. 7, 71034 Böblingen, Germany 
2 BMW Group, Knorrstraße 147, 80788 Munich, Germany

Fachartikel_megacasting_image_email

 

Ein umfassender Optimierungsworkflow für KI-gestützte generative Entwicklung

  • Topologie-Optimierung. Nutzen Sie eine bewährte, mächtige generative Konstruktionstechnik, um herauszufinden, wo das Material am effektivsten zu platzieren ist. Leiten Sie optimale Lastpfade für multidisziplinäre Belastungsbedingungen ab, die Hunderte von Lastfällen und Variablen aus den Bereichen Crash, Statik, Fahrdynamik, Geräusch, Vibration und Robustheit (NVH) sowie Fertigungseinschränkungen für Gussteile umfassen.
  • KI und ML-Unterstützung. Mithilfe von KI-unüberwachten Lernclustern können Sie Leistungskennzahlen für Klassifizierungsbeschränkungen bestimmen, die aus Simulationsergebnissen von Hunderten von Stichproben im Rahmen der Response-Surface-basierten (RSM) Optimierung abgeleitet werden.
  • Multidisziplinäre Optimierung. Die Anwendung von RSM Optimierung mit maschinellem Lernen zur Einhaltung von Anforderungen in Bezug auf die Crash-Sicherheit und zur Bereitstellung optimaler Rippenorientierungen und Dickenverteilungen für Gussstrukturen in nichtlinearen Crash- und Gusssimulationen. Überwinden Sie rein skalare, regressionsartige Ziele mit Clustering und Klassifizierung vollständiger Simulations-Ergebnisfelder, um sie mit Expertenbewertungen abzugleichen.
  • Herstellbarkeit. Bewertung der Herstellbarkeit verschiedener Varianten, Ermittlung der optimalen Anzahl, Größe, Position und Strömungsgeschwindigkeit am Anschnitt für das Druckgussverfahren.

Warum Altair für Megacasting?

  • Innovation. Wir haben einen einzigartigen Lösungsweg für Leichtbau, verbesserte Leistungsmerkmale und kürzere Entwicklungszeiten im Vergleich zur bewährten Entwicklung von Rohkarosserien (BIW) entwickelt.
  • Integration. Altairs serientauglicher Prozess steigert die Effizienz etablierter Methoden der Automobilindustrie, wie z.B. der Topologieoptimierung und der erweiterten Response-Surface-basierten (RSM) Optimierung, durch die Kombination mit Methoden der Künstlichen Intelligenz (KI), wie z.B. dem maschinellen Lernen (ML), basierend auf Clustering und Klassifizierung.
  • Individualisierung. Ein maßgeschneiderter Prozess für alle Unternehmen, welche die Vorteile des Mega- und Giga-Castings komplexer Strukturteile mit Hilfe der einheitlichen, vollständig integrierten Altair Plattform erkunden möchten. Entdecken Sie die Komplettlösung für innovatives Engineering, Simulation, KI und High-Performance Computing (HPC) Technologie, die modernste CAE-Funktionen und Speziallösungen für Gussteile in der Automobilindustrie umfasst.

Zum Fachartikel