Zum Inhalt springen
Bezahlt 🇪🇺 EU-Server Geprüft: April 2026

Neural Concept

Neural Concept SA

4/5
Tool öffnen

Neural Concept ist eine AI-native Surrogate-Modeling-Plattform speziell für CAE-Workflows. Das System wird auf vorhandenen FEM-Simulationsdaten (LS-DYNA, Abaqus, RADIOSS) trainiert und liefert Vorhersagen für neue Designvarianten in Sekunden statt Stunden. Besonders stark bei Crashbox-Optimierung, Karosseriestruktur-Absicherung und aerodynamischen Parameterstudien. Gegründet 2018, Spin-off der EPFL Lausanne.

Kosten: Preise nur auf Anfrage; projektbasiertes oder Subscription-Pricing; typisch für mittelgroße Automotive-Teams im unteren sechsstelligen Bereich jährlich

Stärken

  • AI-nativ für CAE entwickelt — kein generisches ML-Framework, sondern spezialisiert auf strukturmechanische Aufgaben
  • Trainiert direkt auf LS-DYNA-, Abaqus- und RADIOSS-Daten — keine Solver-Migration nötig
  • Vorhersagen in Sekunden für neue Designvarianten nach einmaligem Training
  • Handhabt skalare Outputs (Intrusion, Energie) und Feldgrößen (Deformation, Spannung)
  • EU-Datenhosting (Schweiz/EU), für DSGVO-sensible Designdaten geeignet
  • Aktive Referenzen in Automotive Crash und Aerodynamik (u.a. mehrere europäische OEMs)

Einschränkungen

  • Trainingsqualität hängt stark von Datenmenge und -konsistenz ab — unter 20 historischen Simulationen unzuverlässig
  • Out-of-Distribution-Szenarien (neue Topologien, andere Crashkonfigurationen) erfordern Retraining
  • Kein öffentliches Pricing — Sales-Prozess notwendig
  • Physische Validierungstests für Homologation bleiben Pflicht — Neural Concept ersetzt keine Zulassung
  • Noch kein Self-Service-Einstieg — professionelles Onboarding empfohlen

Passt gut zu

Automotive-OEMs und Tier-1 mit 50+ historischen FEM-Crash-Simulationen als Trainingsdaten Teams, die ML-Surrogate für parametrische Designstudien einsetzen wollen Crashbox-, Stoßfänger- und Karosserie-Strukturoptimierung EV-Entwicklung: Batteriegehäuse-Crashabsicherung

So steigst du ein

Schritt 1: Demo bei Neural Concept über neuralconcept.com anfragen — das Team bietet eine erste Daten-Assessment-Session, um zu prüfen, ob die vorhandenen Simulationsdaten ausreichen (Mindest-Richtlinie: ca. 20–50 konsistente Simulationsläufe pro Lastfall).

Schritt 2: Vorhandene FEM-Simulationsdaten (LS-DYNA K-Files + Ergebnisdateien, d3plot-Format) für einen definierten Lastfall exportieren — z.B. alle Frontalcrash-Simulationen der letzten Fahrzeugplattform. Neural Concept übernimmt das Daten-Preprocessing und das initiale Training.

Schritt 3: Surrogate-Modell in den Konstruktionsprozess integrieren: Neue Geometrievarianten in den Surrogate eingeben, Vorhersageergebnisse (Intrusion, Energieabsorption, B-Säulen-Kraft-Weg-Kurve) in Sekunden erhalten und vielversprechende Varianten für Vollsimulationen priorisieren.

Ein konkretes Beispiel

Ein europäischer OEM entwickelt eine neue Elektrofahrzeug-Plattform und nutzt Neural Concept für die Crashbox-Optimierung. Ausgangsdaten: 65 LS-DYNA-Simulationen mit variierenden Querschnittsgeometrien und Blechdicken. Nach dem Training bewertet der Surrogate 2.000 Designvarianten in unter 30 Minuten — statt der äquivalenten 10.000 Stunden auf einem HPC-Cluster. Die 12 Topkandidaten werden mit Vollsimulationen validiert, 3 davon mit physischen Sled-Tests vor dem Euro-NCAP-Einreichungstermin.

Diesen Inhalt teilen:

Empfohlen in 1 Use Cases

Redaktionell bewertet · Preise und Funktionen können sich ändern.

Stimmt etwas nicht?

Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.

Feedback geben
Kostenloser Newsletter

Bleib auf dem neuesten
Stand der KI

Wähle deine Themen und erhalte relevante KI-News, Praxistipps und exklusive Inhalte direkt in dein Postfach – kein Spam, jederzeit abmeldbar.

Was interessiert dich? Wähle 1–3 Themen — du bekommst nur Inhalte dazu.

Mit der Anmeldung stimmst du unserer Datenschutzerklärung zu. Jederzeit abmeldbar.

Kostenlos
Kein Spam
Jederzeit abmeldbar