Erkenntnisse aus der Präsentation von Rescale in der Seminarreihe „Advanced Modeling & Simulation“ der NASA

Hochpräzise Simulationen sind für Innovationen in der Luft- und Raumfahrt von zentraler Bedeutung. Die Berechnung komplexer Berechnungen für numerische Strömungsmechanik (CFD) und Finite-Elemente-Analyse (FEA) kann jedoch oft mehrere Tage dauern. Diese langen Laufzeiten begrenzen die Anzahl der erprobten Designvarianten und verlangsamen so die Forschungsergebnisse. KI-gestützte Ersatzmodelle, die auf hochpräzisen Simulationsdaten basieren, bieten einen Durchbruch: Schnelle Simulationsvorhersagen in Blitzgeschwindigkeit – bis zu 1,000-mal schneller – sind Teil eines wachsenden Trends zur Anwendung von „KI-Physik„Methoden, um neue Grenzen in der Designforschung und Innovation zu öffnen.

Kurz und aktuelles Seminar of NASA-Seminarreihe zu Advanced Modeling and Simulation (AMS), Viktor Rozsa, Lösungsarchitekt bei Rescale, zeigte, wie Rescale-Kunden Überschallknall kombinieren KI-Physik-Frameworks mit NASA-Simulationssoftware, um digitale Engineering-Workflows grundlegend zu verändern. Rescale unterstützt von der NASA entwickelte Software, die von öffentlichen und privaten Unternehmen in den USA verwendet wird. So können Ingenieure einfach fortschrittliche Simulationstechniken einsetzen, ihre Daten analysieren und neue KI-Methoden entwickeln, wie sie in diesem Webinar besprochen werden. 

AMS-Seminarreihe: Hier trifft sich die Modellierungs- und Simulations-Community der NASA

Gehostet von der Abteilung für rechnergestützte Aerowissenschaften in der NASA Advanced Supercomputing (NAS)-EinrichtungDie AMS-Reihe bietet wöchentliche Vorträge von Experten aus Politik, Wissenschaft und Industrie. Jede Sitzung beleuchtet Fortschritte in der Modellierung und Simulation, die weitreichende Auswirkungen auf Ingenieur- und Wissenschaftsdisziplinen haben können. Seit ihrem Start im Jahr 2011 konzentriert sich die Seminarreihe auf Luft- und Raumfahrttechnik und wissenschaftliche Forschung und stellt dabei häufig das Software-Ökosystem der NASA für fortschrittliche Luft- und Raumfahrtmodellierung sowie Tools wie FUN3D, ÜBERLAUF, Warenkorb3D und CAPE bieten die hochpräzise rechnerische Grundlage für Spitzenforschung und -design. Zu den Referenten zählen in der Regel führende Forscher, Ingenieure und Softwareentwickler, die zu Themen wie Netzanpassung und Turbulenzmodellierung bis hin zu KI-gestützten CFD- und Hochleistungs-Computing-Workflows.

Engpässe bei der Design Space Exploration beseitigen

Bei der Entwicklung von Luft- und Raumfahrtsystemen müssen Millionen möglicher Kombinationen von Variablen wie Auftrieb, Luftwiderstand und Strukturlasten abgewogen werden, um das leistungsstärkste Design zu finden. Diese große Bandbreite an Möglichkeiten und Kompromissen wird oft als „Design Handelsraum.“ Die Ausführung jedes Szenarios mit herkömmlichen Simulationsmethoden kann erhebliche Hochleistungsrechenressourcen verbrauchen und die Hardware tagelang blockieren, sodass nur ein Bruchteil der potenziellen Designs realistisch getestet werden kann. Dieser Engpass im Tradespace schränkt die Möglichkeit ein, neue Formen, Konfigurationen und Betriebsbedingungen zu erkunden. KI-gestützte Surrogate überwinden dies, indem sie aus Simulationsdaten lernen und Ergebnisse nahezu in Echtzeit vorhersagen. So können Ingenieure mit demselben Rechenbudget einen viel größeren Teil des Tradespace erkunden.

Graph-Neuralnetze: Eine Grundlage für Mesh-basierte Surrogate

Graphenneuronale Netzwerke (GNNs) stellen physikalische Systeme als Graphen dar, wobei Knoten den Netzpunkten entsprechen und Kanten räumliche Beziehungen kodieren, die oft lokale Eigenschaften wie Druck oder Geschwindigkeit enthalten. Durch die iterative Übermittlung von Nachrichten zwischen Knoten erfassen GNNs räumliche Beziehungen, die für physikbasierte Simulationen entscheidend sind. MeshGraphNets (MGNs) Wenden Sie diesen Ansatz an, indem Sie Netze in einen latenten Raum kodieren, sie durch mehrere Nachrichtenübermittlungsschritte verarbeiten und sie wieder in vorhergesagte physikalische Felder dekodieren. Dadurch erreichen Sie bis zu 100-fache Geschwindigkeiten gegenüber herkömmlichen Solvern, während lokale Fehler in einigen Fällen bei etwa 10 % liegen. Im Gegensatz dazu DoMINO (Zerlegbarer iterativer neuronaler Operator mit mehreren Skalen) ist ein netzfreier neuronaler Operator innerhalb NVIDIA PhysicsNemo das Muster direkt aus Punktwolken über mehrere Maßstäbe hinweg lernt, ohne auf feste Netze angewiesen zu sein, und so ein schnelles Training und eine Anpassung an neue Geometrien ohne erneutes Training ermöglicht.

Breite Anwendungsmöglichkeiten in der Luft- und Raumfahrt und darüber hinaus

Die Vorteile dieser Ansätze gehen über die Untersuchung einzelner Flugzeuge hinaus. Ersatzmodelle haben Potenzial in aerodynamische Optimierung, Wärmemanagement, strukturelle Analyseund multiphysikalische Designherausforderungen. Sie sind besonders leistungsstark in Arbeitsabläufen, in denen schnelle Iteration entscheidend ist – beispielsweise bei der Untersuchung unkonventioneller Flügelkonfigurationen, der Verfeinerung von Hitzeschilddesigns für Wiedereintrittsfahrzeuge oder der Optimierung von Rumpfstrukturen hinsichtlich Leistung und Sicherheit.

In einer Demonstration im Rescale-Seminar wurden stationäre CFD-Simulationen einer Boeing 787 verwendet, um ein MGN-Modell zur Vorhersage aerodynamischer Koeffizienten und lokaler Strömungsvariablen zu trainieren. Nach dem Training konnte das Surrogat Ergebnisse nahezu in Echtzeit liefern und so bis zu 50-mal mehr Designiterationen ohne erhöhte Rechenkosten ermöglichen. DoMINO wurde in ähnlicher Weise zur strukturellen und aerodynamischen Optimierung von Überschallflugzeugen eingesetzt und zeigte Möglichkeiten zur Massenreduzierung bei gleichzeitiger Wahrung der Sicherheitsmargen auf.

Strategien für wirksame Ersatzpersonen

Erfolgreiche Surrogatmodelle basieren auf hochwertigen Ground-Truth-Simulationen, die alle Geometrien, Bedingungen und Szenarien abdecken, denen das Modell begegnen wird. Saubere, konsistente Daten sind entscheidend – Probleme wie Namensfehler, fehlende Tags und unstrukturierte Protokolle können die Leistung beeinträchtigen. Das Data Lakehouse von Rescale löst dieses Problem durch Standardisierung der Metadatenerfassung So werden wichtige Parameter stets erfasst und mit Ergebnissen verknüpft. Mit einer soliden Datengrundlage, sorgfältiger Hyperparameter-Tuning– wie etwa das Anpassen von Einstellungen wie Lernrate, Schichtgröße und Batchgröße – hilft dabei, Genauigkeit, Geschwindigkeit und Generalisierung ins Gleichgewicht zu bringen. NASA-Fallstudien zeigen, dass die Kombination robuster Simulationsdaten mit gut optimierten Hyperparametern es Surrogaten ermöglicht, schnelle und zuverlässige Vorhersagen zu liefern, die sichere technische Entscheidungen unterstützen.

Vorteile von Rescale für NASA-Softwarebenutzer

Für Organisationen, die NASA-Strömungslöser, Rescales Anrufung von NASA CAPE (Computational Aerosciences Productivity & Execution) lässt sich direkt in bestehende Workflows für FUN3D, OVERFLOW oder Cart3D integrieren. Nach jedem Simulationslauf extrahiert Rescale automatisch Solver-Ein- und -Ausgaben wie Mach, Anstellwinkel, Geometriekennungen, Auftrieb, Luftwiderstand und Residuenhistorien und formatiert sie in einen standardisierten Metadatensatz. Dieser Datensatz wird dann in das Data Lakehouse von Rescale aufgenommen, um eine vollständige DatenrückverfolgbarkeitDieser Prozess läuft transparent ab, ohne aktuelle CAE-Pipelines zu unterbrechen. Durch die Automatisierung der Datensatzzusammenstellung entfällt die manuelle Dateibearbeitung und die Erstellung von Trainingssätzen für Rescale AI wird beschleunigt. Dadurch wird die Entwicklung von Ersatzmodellen direkt aus operativen CFD-Läufen ermöglicht.

Branchenübergreifende Bereitstellung und Skalierung von Surrogaten

Wenn Sie als Ingenieur in der Luft- und Raumfahrt, der Automobilindustrie, im Energiesektor, in der Fertigung oder in einem anderen Bereich arbeiten, in dem komplexe Simulationen einen Engpass darstellen, sollten Sie Surrogatmodelle ernsthaft in Betracht ziehen. Ob Sie mehr Designparameter untersuchen, die Simulationszeit von Wochen auf Stunden verkürzen oder schnellere, datenbasierte Entscheidungen treffen möchten – KI-gestützte Surrogate können Ihnen einen entscheidenden Vorteil verschaffen. Netzbasierte Methoden wie MGNs liefern hohe Genauigkeit für konsistente Arbeitsabläufe, während netzfreie Ansätze wie DoMINO mehr Flexibilität bei sich ändernden Designs oder Bedingungen bieten. Der Schlüssel liegt in der Kombination des richtigen Ansatzes mit hochwertigen Simulationsdaten, intelligenter Workflow-Integration und optimierten Hyperparametern, um sowohl Geschwindigkeit als auch Zuverlässigkeit zu erreichen.

Mit diesen Bausteinen kann die KI-gestützte Simulation Ihren Designprozess transformieren und schnellere Iterationen, eine tiefere Erkundung des Handelsraums und bessere technische Ergebnisse ermöglichen. Sehen Sie sich die vollständige Aufzeichnung des AMS-Seminars an um tiefer in diese Methoden einzutauchen und von Demonstrationen und Leistungsvergleichen zu lernen, die Sie auf Ihre eigene Arbeit anwenden können. Sehen Sie sich das Seminar an und Kontakt Rescale um zu erfahren, wie Sie aus Ihren CFD-Daten leistungsstarke KI-Surrogate erstellen und noch heute mit der Beschleunigung Ihrer Simulations-Workflows beginnen können.