Die dritte Ausgabe des Magazins „Benchmark“, dem internationalen Magazin für Konstrukteure und Analysten von NAFEMS, trägt 2018 den Titel „Artificial Intelligence & Machine Learning“. NAFEMS ist eine 1983 gegründete gemeinnützige Organisation für Ingenieure im Bereich Modellierung, Analyse und Simulation. Dr.-Ing. Volker Gravemeier und Dr.-Ing. Jonas Biehler von AdCo EngineeringGW sind aktive Mitglieder der NAFEMS Uncertainty Quantification Working Group, deren Themen eng mit künstlicher Intelligenz und Machine Learning verbunden sind.
In seinem Artikel über „The Applicability of Artificial Intelligence in Design and Manufacturing“ argumentiert Phil Cartwright, dass die Fähigkeit, die entlang des Produktlebenszyklus erzeugten Daten zu nutzen und diese Informationen in den Design- und Entwicklungsprozess zurückfließen zu lassen, zu erheblichen Vorteilen führen wird. Im weiteren Verlauf des Artikels wird ein Beispiel für maschinelle Lerntechniken in Kombination mit modernsten Simulationsansätzen gegeben, um Nacharbeit, Ausschuss und Reparatur in einem Spritzgussverfahren für Verbundkunststoffe zu reduzieren. In diesem Zusammenhang führt der maschinelle Lernansatz zu einer verbesserten Abstimmung der Fertigungsprozessparameter und letztlich zu einer Senkung der Fertigungskosten für das produzierende Unternehmen.
Die Kombination von Techniken aus dem Bereich des maschinellen Lernens mit modernsten Simulationsansätzen ist zweifellos ein vielversprechender Weg zur Verbesserung von Effizienz und Geschwindigkeit, der letztendlich zu Kostensenkungen führen wird. Dies gilt aus unserer Sicht nicht nur für die Fertigungsprozesse, sondern auch für den gesamten Produktentwicklungszyklus im Allgemeinen. Aus diesem Grund entwickelt AdCo EngineeringGW neuartige Ansätze, um Informationen aus Simulationsmodellen mit experimentellen Daten durch sogenannte Multi-Fidelity-Ansätze zu kombinieren. Diese Ansätze sind leistungsfähige Werkzeuge, um z.B. mittels Sensitivitätsanalysen diejenigen Produktionsparameter zu identifizieren, die die größte Auswirkung auf die Zuverlässigkeit eines Produkts bzw. einer Komponente davon haben. Weitere Produkt- oder Systemeigenschaften können ebenfalls bewertet werden, und sowohl Produktions- als auch Konstruktionsparameter können untersucht werden, um die Ergebnisse erheblich zu verbessern.