Multimodales ML-Modell beschleunigt Leistungsvorhersage von Autoschädelrahmen

Ein neues multimodales Machine‑Learning‑Modell ermöglicht es Fahrzeugdesignern, die Leistung von Autoschädelrahmen ohne aufwändige Simulationsaufbauten zu prognostizieren. Das System kombiniert verschiedene Datenmodalitäten – etwa CAD‑Modelle, Materialdaten und experimentelle Messwerte – und lernt daraus, die wichtigsten Leistungskennzahlen zuverlässig vorherzusagen.

Traditionell erfordert die Bewertung eines neuen Rahmens umfangreiche Simulationen, die viel Zeit und Rechenleistung beanspruchen. Durch den Einsatz des multimodalen Ansatzes reduziert das Modell den Bedarf an solchen rechenintensiven Verfahren erheblich und beschleunigt die Designexploration, insbesondere in der Konzeptphase.

Die Ergebnisse zeigen, dass das multimodale Modell bei der Vorhersage von Leistungsparametern deutlich besser abschneidet als herkömmliche ein‑Modality‑Ansätze. Zwei völlig neue Rahmendesigns, die nicht im Trainingsdatensatz enthalten waren, wurden erfolgreich vorhergesagt, was die Fähigkeit zur Generalisierung unterstreicht.

Diese Forschung demonstriert das Potenzial multimodaler Machine‑Learning‑Methoden, traditionelle Simulations‑Workflows zu ergänzen und die Kluft zwischen KI und realen Ingenieuranwendungen zu überbrücken. Sie ebnet den Weg für eine breitere Nutzung von ML in der Fahrzeugentwicklung und trägt dazu bei, den Design‑Zyklus zu verkürzen und die strukturelle Optimierung zu beschleunigen.