Generatives Ingenieurdesign & Topologieoptimierung

Konstrukteure zeichnen ein Bauteil traditionell, simulieren es und iterieren von Hand. Topologieoptimierung und generatives Design kehren dies um: Sie geben Lasten, Randbedingungen, Werkstoff und Fertigungsverfahren vor, und die Software schlägt viele Geometrien vor, die diese mit minimaler Masse oder maximaler Steifigkeit erfüllen. Neuere gelernte Modelle (Diffusion, neuronale Felder, Surrogate) beschleunigen die Exploration und lassen Ingenieure sie in natürlicher Sprache steuern. Typische Ergebnisse sind leichtere Bauteile, weniger physische Prototypen und kürzere Entwicklungszyklen, stets durch klassische Simulation verifiziert.

Problem & Nutzen

• Heute: Bauteile werden aus Erfahrung konstruiert und schrittweise verbessert; Gewicht, Kosten und Leistung werden in wenigen manuellen Iterationen abgewogen. Die klassische Topologieoptimierung (SIMP, Level-Set) gibt es seit den 1990er-Jahren, sie liefert aber organische Formen, die manuell im CAD nachbearbeitet werden müssen und bei großen 3D-Modellen langsam sein kann.
• KI-Nutzen: breitere Erkundung von Entwurfsalternativen, fertigungsbewusste Randbedingungen (additiv, Guss, 2,5D-Fräsen), Mehrziel-Ranking, schnellere Iteration durch gelernte Surrogate und geringere Einstiegshürde für Nicht-Spezialisten. Motivation sind oft Material- und Energieeinsparungen (Leichtbau in Automobil, Luftfahrt, Maschinenbau, Werkzeugbau, Vorrichtungen).
• Nutzen: Anbieter und Fallstudien berichten erhebliche Massenreduktionen und geringere Teilezahlen durch Funktionsintegration; die Zahlen schwanken stark je nach Bauteil und Ausgangsbasis, messen Sie daher an Ihren eigenen Referenzbauteilen, statt sich auf Marketingzahlen zu verlassen [1][2].

Varianten

• Klassische Topologieoptimierung in CAD/CAE: dichtebasiert, Level-Set, Gitter-Füllstrukturen.
• Generatives Design im Cloud-CAD: Kandidatensätze für mehrere Verfahren und Werkstoffe mit Kostenschätzung.
• Implizites/feldgesteuertes Design für die additive Fertigung: Gitter, gradierte Strukturen, Wärme- tauscher.
• Gelernte generative Modelle: diffusions- oder GAN-artige Modelle, konditioniert auf Lasten und Volumen- anteil und trainiert auf Optimierungsergebnissen; außerdem generative Modelle für 2D-/3D-Form-, Profil- oder Mechanismenentwurf [3].
• LLM-gesteuerte Design-Agenten: Problemaufbau in natürlicher Sprache, der über Werkzeuge einen Solver aufruft (zu Text-zu-CAD siehe SCI-024).
• Private/Maker-Nutzung: Hobby-3D-Druck von Haltern über die persönliche Fusion-Lizenz oder Open-Source-Werkzeuge.

So funktioniert es

1. Anforderungen & Lasten (PLM-/Anforderungswerkzeug, SCI-013)
2. Bauraum + Sperrzonen (CAD)
3. Problemaufbau (Lasten, Lagerungen, Werkstoffe, Verfahrensrestriktionen, Ziele)
4. Erzeugung: Topologieoptimierung / generativer Solver / gelerntes generatives Modell
5. Kandidatenfilterung und Pareto-Ranking
6. Geometrierekonstruktion (glattes Netz
7. B-Rep/CAD)
8. Verifikations-FEA/CFD (unabhängiger, hochgenauer Solver)
9. Fertigbarkeitsprüfung (DfAM/DfM, Kostenschätzung PRED-032)
10. menschliche Prüfung, Test und Freigabe über PLM

• Optimierungskern: Gradientenbasierte Solver (Finite Elemente mit adjungierten Sensitivitäten) bleiben das Arbeitspferd; evolutionäre und Bayes'sche Verfahren behandeln nicht differenzierbare oder multiphysikalische Ziele.
• Gelernte Komponenten: (a) Surrogate, die Spannung oder Nachgiebigkeit vorhersagen, um Schleifen zu beschleunigen (SCI-005); (b) bedingte generative Modelle, die in einem Vorwärtsdurchlauf nahezu optimale Layouts vorschlagen, die danach von einem Solver verfeinert werden; (c) VLM-/LLM-Schnittstellen für Aufbau und Berichte.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ingenieure definieren das Problem, wählen unter den Kandidaten aus und verantworten die Freigabe. Lastfälle und Randbedingungen sind die fehleranfälligsten Eingaben; eine falsche Randbedingung liefert ein selbstsicher falsches Optimum.

Datenaufbereitung

Benötigte Daten: Bauräume und Schnittstellen (CAD/STEP), Lastfälle und Randbedingungen, Werkstoffdaten, Fertigungsrestriktionen. In einem KMU liegen sie in CAD-/PDM-Systemen, Simulationsberichte auf Dateiablagen, und oft im Kopf erfahrener Ingenieure oder in Excel-Lasttabellen.

Typische Lücken: nicht dokumentierte Lastfälle oder nur als PDF-Berichte, uneinheitliche Werkstoffe, fehlende Sperrzonen, Modelle mit unsauberer Geometrie und keine Aufzeichnung, warum frühere Konstruktionen gewählt wurden.

Aufbereitungsschritte: 1. Standard-Lastfälle, Werkstoffe und Fertigungsregeln je Bauteilfamilie festhalten (PREP-016, PREP-015). 2. CAD bereinigen (Entfeaturing, wasserdichtes STEP) und die Benennung im PDM korrigieren (PREP-010). 3. Frühere Konstruktionen mit verifizierten FEA-Ergebnissen als Vergleichswerte sammeln (PREP-018). 4. Werkstoff- und Verfahrensparameter als saubere Tabellen ablegen (PREP-011).

Werkzeuge: CAD-Funktionen zum Entfeaturing, PDM-Metadaten, eine einfache Parametertabelle oder Datenbank.

Aufwandsanteil: etwa 10-20 Prozent; die klassische Topologieoptimierung braucht wenig historische Daten, gelernte Modelle mehr.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte Add-ons zu CAD-/CAE-Suiten (Fusion, Inspire, nTop, Creo) zu KMU-Preisen existieren und der Prozess Standard ist.
• Enterprise: Weg B, weil generatives Design in PLM, hauseigene Lastfälle und Cloud-HPC für viele FE-Berechnungen eingebunden werden muss.
• Developer: Weg C, weil offene Solver und Optimierungsbibliotheken eigene Ziele und Fertigungsrestriktionen erlauben.

Weg A — Kaufen (Standardsoftware, für KMU empfohlen)

• Integriertes CAD/CAE: Autodesk Fusion (generatives Design), Siemens NX und Simcenter, Dassault Systèmes (CATIA, SIMULIA, 3DEXPERIENCE; EU), PTC Creo Generative Topology Optimization, Altair Inspire / OptiStruct, Ansys Mechanical Topologieoptimierung, Hexagon MSC (Apex/Nastran).
• Implizit/AM-fokussiert: nTop (implizite Modellierung), Materialise-Software (EU), Oqton, Dyndrite.
• EU-Anbieter: Dassault Systèmes (FR), Siemens (DE), Altair (von Siemens übernommen) und Ansys (von Synopsys übernommen); aktuellen Stand prüfen.
• A wählen, wenn: Sie bereits eine CAD-/CAE-Suite lizenziert haben; das Add-on ist der günstigste Weg.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-CAE/HPC (AWS, Azure, Google; EU-Regionen), auf der lizenzierte oder offene Solver laufen; mit Python orchestrieren (z. B. OpenMDAO, pyoptsparse) und über ein internes Werkzeug bereitstellen.
• Leistungsstarke LLMs (Claude, Gemini, GPT, Mistral) per Funktionsaufruf, um Anforderungstexte in Solver-Parameter zu übersetzen und Berichte zu entwerfen; die numerische Arbeit bleibt in deterministischen Solvern.
• B wählen, wenn: Sie eigene Ziele, Batch-Variationen oder die Integration in PLM brauchen.

Weg C — Selbst betreiben (Open Source)

• Topologieoptimierung: FEniCSx / dolfin-adjoint, Firedrake, MFEM, TopOpt-Codes, ToPy, PyTopo3D, Calculix und Code_Aster (EDF, FR) als FE-Solver, OpenMDAO für Arbeitsabläufe.
• Gelernte generative Modelle: PyTorch mit Diffusions- oder Neural-Operator-Bibliotheken (NVIDIA PhysicsNeMo, DeepXDE); öffentliche Datensätze aus Veröffentlichungen zur Topologieoptimierung [3].
• Netz/CAD: Gmsh, Open CASCADE (build123d, CadQuery), FreeCAD.
• Hardware: HW2 für 2D und kleine 3D-Modelle; HW3 für große 3D-Modelle und das Training von Surrogaten.

Weg D — Eigenes Training

Lohnt sich, wenn Sie wiederholt eine Bauteilfamilie optimieren (z. B. Halter, Felgen, Kühlkörper): tausende solver-optimierte Entwürfe erzeugen, ein bedingtes generatives Modell oder Surrogat trainieren und damit sofortige erste Vorschläge erhalten. Erfordert hunderte bis tausende gelöste Fälle und ML-Kompetenz; halten Sie für die abschließende Verifikation immer einen Solver in der Schleife.

Stand der Technik (2026)

• Kommerzielle Werkzeuge verbinden Topologieoptimierung mit Fertigungsrestriktionen und automatischer CAD-Rekonstruktion; „generatives Design“ im Standard-CAD ist für leichte Halter, Gehäuse und Werkzeuge Routine.
• Die Forschung zeigt, dass Diffusionsmodelle und Neural Operators die Ergebnisse von Optimierern in Sekunden reproduzieren und eine Konditionierung auf Lasten und Volumenanteil unterstützen; Übersichtsarbeiten stellen fest, dass physikalische Gültigkeit, 3D-Skalierung und Einhaltung der Randbedingungen nicht garantiert sind [3].
• LLM-Agenten richten CAE-Arbeitsabläufe zunehmend ein und führen sie aus, doch die Zuverlässigkeit bei Randbedingungen und Einheiten ist noch begrenzt; behandeln Sie sie als Assistenten, nicht als Entscheider.
• Grenzen und Fehlerbilder: Das unbeschränkte Optimum ignoriert Ermüdung, Beulen, Stoß, thermische Zyklen oder Prüfzugang; additive Bauteile haben Anisotropie und Eigenspannungen; gelernte Generatoren können Geometrien ausgeben, die Randbedingungen verletzen oder nicht fertigbar sind; die Reproduzierbarkeit von Ergebnissen über Werkzeuge hinweg ist begrenzt; rekonstruiertes CAD kann vom optimierten Netz abweichen.

Gemeinsame Bausteine & Kombinationen

• Simulationskern gemeinsam mit SCI-005 (Surrogate), SCI-022 (Testdaten-Analytik) und Optimierungs-Arbeitsabläufen im Stil von SCI-016; eine HW3-GPU bedient sowohl Training als auch Inferenz.
• Vorgelagert: SCI-013 (Anforderungen/MBSE), KNOW-020 (Wiederverwendung vorhandener Teile vor dem Neuentwurf).
• Nachgelagert: SCI-023 (CAM/NC-Programmierung), VIS-057 (Überwachung von AM-Bauprozessen), PRED-032 (Should-Cost).
• Schnittstelle: SCI-024 (Text-/Skizze-zu-CAD) für den Einstieg in natürlicher Sprache und für Zeichnungen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zu ersten Bauteilen, falls Lizenzen vorhanden sind; Hauptkosten sind Lizenzen und Schulung der Ingenieure.
• Weg B: 2-4 Monate für eine integrierte Pipeline; HPC-Kosten richten sich nach der Zahl der FE-Berechnungen.
• Weg C: 3-6 Monate; erfordert FE- und Optimierungskompetenz.
• Weg D: 6+ Monate einschließlich Datensatzerzeugung.
• Kennzahlen: Massen- oder Kostenreduktion gegenüber der Ausgangskonstruktion bei gleicher verifizierter Leistung, Zahl der Entwurfsiterationen, Zeit von der Anforderung bis zum freigegebenen Entwurf, Anteil der Kandidaten, die Fertigbarkeitsprüfungen bestehen, Zahl von Prototypen und Tests, Materialabfall.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung, Leitung der Konstruktionsabteilung, Konstrukteure und FEA-Ingenieure (Anwender), IT für Lizenzen und Rechenleistung, Datenverantwortliche des PDM-/CAD-Archivs. Fertigungsplaner sollten die Randbedingungen bestätigen.
• Betriebsrat: hängt davon ab. Eine Beurteilung von Personen ist nicht beabsichtigt, aber CAD-/Cloud-Werkzeuge protokollieren die Nutzeraktivität, was §87(1) Nr. 6 BetrVG auslösen kann (objektive Eignung genügt); §90(1) Nr. 3 verlangt Information bei veränderten Arbeitsabläufen. Siehe GUIDE-004. Öffentlicher Dienst: Personalrat.
• Datenschutz: im Wesentlichen keine personenbezogenen Daten; eine kurze Prüfung durch die/den Datenschutzbeauftragte(n) und ein AVV mit Cloud-Anbietern genügen.
• KI-Kompetenz: Nach Art. 4 der KI-Verordnung (AI Act) (seit 27. Juli 2026) müssen Arbeitgeber und Anbieter Maßnahmen ergreifen, um die KI-Kompetenz des Personals zu fördern; planen Sie eine kurze Schulung ein (siehe GUIDE-006).
• Pilot und Kommunikation: einen Halter oder ein Gehäuse und ein kleines Team wählen; mit der von Hand konstruierten Ausgangsbasis vergleichen und Ergebnisse offen teilen (GUIDE-008, GUIDE-009).
• Typische Bedenken: Verlust des Konstruktionshandwerks und organische Formen, die schwer zu fertigen sind; begegnen Sie dem, indem Fertigbarkeitsprüfungen bleiben und Konstrukteure die letzten Autoren sind.
• Menschliche Kontrolle: Ingenieure legen Ziele und Randbedingungen fest, prüfen Kandidaten und geben nur Entwürfe frei, die durch klassische FEA verifiziert sind.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; Konstruktionswerkzeuge gehören nicht zu Anhang III. Sicherheitskomponenten von Produkten fallen unter Branchenrecht (Maschinenverordnung (EU) 2023/1230, Medizinprodukteverordnung, Luftfahrt- Regeln der EASA); das KI-Konstruktionswerkzeug selbst ist meist nicht das regulierte Produkt, wohl aber sein Ergebnis. Die Pflicht zur KI-Kompetenz (Art. 4) gilt.
• Produkthaftung und Zertifizierung: Die neue Produkthaftungsrichtlinie (EU) 2024/2853 erfasst Software; halten Sie bei kritischen Bauteilen nachvollziehbare Verifikationsnachweise bereit (Verifikations-FEA, Tests, Freigabe nach Prüfung). Zertifizierte Teile (Luftfahrt, Medizinimplantate, Druckgeräte) brauchen qualifizierte Prozesse, unabhängig davon, wie die Geometrie erzeugt wurde.
• DSGVO: in der Regel nicht anwendbar; nur Engineering-Daten (personenbezogene Daten beschränken sich auf Nutzer- konten und Autoren-Metadaten).
• Geistiges Eigentum und Geschäftsgeheimnisse: Entwürfe und Trainingsdaten sind sensibel; bei Cloud-CAE EU-Hosting oder On-Premises bevorzugen, Anbieterbedingungen zum Training mit Kundendaten prüfen; Exportkontrollprüfungen für Dual-Use-Entwürfe.
• Gegenmaßnahmen: unabhängiger Verifikations-Solver, physische Tests für kritische Bauteile, Design- Reviews, Versionsverwaltung der Annahmen im Aufbau.

Erste Schritte

1. 2-3 Referenzbauteile mit bekanntem Gewicht und Testdaten wählen; Ausgangsmasse, Kosten und Iterationen festhalten.
2. Vorlagen für Lastfälle und Randbedingungen gemeinsam mit Ihren Statikern vereinheitlichen.
3. Das Add-on in Ihrer vorhandenen CAD-/CAE-Suite einsetzen (Weg A) und gegen Ihre Ausgangsbasis validieren.
4. Fertigbarkeit und Kosten mit Ihrem Fertigungspartner oder AM-Lieferanten prüfen.
5. Erst dann Surrogate oder gelernte Generatoren für Bauteilfamilien erwägen, die Sie wiederholt optimieren.

Quellen

1. Autodesk — Generative design in Fusion — https://www.autodesk.com/solutions/generative-design
2. Altair — Inspire topology optimisation — https://altair.com/inspire
3. Regenwetter, Nobari, Ahmed — Deep Generative Models in Engineering Design: A Review (J. Mechanical Design, 2022) — https://arxiv.org/abs/2110.10863
4. nTop — implicit modelling platform — https://www.ntop.com
5. FEniCSx project — https://fenicsproject.org
6. Code_Aster (EDF) — https://www.code-aster.org
7. OpenMDAO — https://openmdao.org
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
9. Directive (EU) 2024/2853 (Product Liability) — https://eur-lex.europa.eu/eli/dir/2024/2853/oj