KI beschleunigt Blechformung: Bayesianische Optimierung reduziert Expertenaufwand

Numerische Simulationen haben den industriellen Designprozess revolutioniert, indem sie Prototyping-Kosten senken und die Anzahl der Designiterationen verringern. Doch die zunehmende Komplexität dieser Simulationen erfordert umfangreiches Fachwissen, erhebliche Rechenressourcen und viel Zeit. Ein zentrales Problem besteht darin, die Eingangsparameter zu finden, die optimale Ergebnisse liefern, ohne dass jedes Mal kostspielige und umweltbelastende Simulationen durchgeführt werden müssen.

In dieser Studie wird ein KI‑unterstützter Workflow vorgestellt, der die Notwendigkeit menschlicher Expertise bei der Parameteroptimierung drastisch reduziert. Durch den Einsatz von Bayesscher Optimierung werden die Parameter iterativ verfeinert, bis eine vorgegebene Terminierungsbedingung – etwa ein Energiebudget oder eine maximale Iterationszahl – erreicht ist. Zusätzlich wird eine Variante mit aktivem Lernen angeboten, die dem Experten bei Bedarf gezielt Hilfestellung leistet.

Ein tiefes Lernmodell liefert zunächst eine Schätzung der optimalen Parameter, von der aus der Optimierungszyklus startet. Der Ansatz wurde auf einen Blechformungsprozess angewendet und demonstriert, wie die Erkundung des Designraums beschleunigt und gleichzeitig der Bedarf an Experteninterventionen verringert wird. Damit bietet die Methode eine nachhaltige Lösung, die sowohl Kosten als auch Umweltauswirkungen senkt.