Füllsimulation und Bauteilauslegung mit KI-gestütztem Moldflow

Das echte Ausmaß des Problems

Eine vollständige Spritzguss-Füllsimulation — Füllung, Kühlung, Verzug — dauert je nach Bauteilkomplexität und Rechnerleistung zwischen 2 und 12 Stunden. Der Durchschnitt für mittlere Kunststoffbauteile liegt bei 4–8 Stunden pro Simulationslauf auf einem leistungsfähigen CAE-Arbeitsplatz. Für jede Iterationsfrage — Anschnittversatz, Wanddicke, Materialwechsel, Werkzeugtemperierung — braucht ein Konstrukteur oder Simulationsingenieur einen eigenen Lauf.

Konkret bedeutet das: 2–3 vollständige Simulationsläufe pro Woche sind für einen Mitarbeitenden das Maximum, wenn das Werkzeug parallelläuft. Bei 14 ausstehenden Varianten — in Thomas’ Fall — ist das mathematisch nicht mehr in drei Wochen abzuarbeiten.

Die Folgekosten entstehen nicht durch die Simulation selbst. Sie entstehen, wenn Fehler zu spät entdeckt werden:

• Bindenähte im Lastbereich: Werden sie erst am physischen Muster entdeckt, kostet eine Werkzeugkorrektur (Schiebernacharbeit, Anschnittpositionsänderung) 8.000–35.000 € — plus 3–6 Wochen Verzögerung
• Verzug außerhalb der Toleranz: Nacharbeit durch Maßhaltungskorrektur am Werkzeug — 10.000–50.000 €, bei komplexen Geometrien mehr
• Einfallstellen in Sichtflächen: Werkzeuggeometrieänderung oder Anspritzpunktversatz — 5.000–25.000 €

Eine Studie des Structural and Multidisciplinary Optimization Journal (2022) quantifiziert die Rechenzeitreduktion durch neuronale Surrogatmodelle auf 80–95 % gegenüber klassischer Finite-Elemente-Simulation — bei Vorhersagefehlern unter 2 % für Parameterbereiche innerhalb des Trainingsraums.

Für den deutschen Mittelstand im Kunststoffbereich bedeutet das: Wenn nur zwei Werkzeugkorrekturen pro Jahr verhindert werden, amortisiert sich ein gut implementiertes Surrogatmodell in den meisten Fällen bereits im ersten Jahr.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Genauigkeitsangabe „90–98 %” gilt nur für Parameterkombinationen, die das Surrogatmodell im Training gesehen hat. Für stark abweichende Geometrien oder neue Materialien greift der Gültigkeitsbereich-Vorbehalt — dazu mehr im Abschnitt zu den Grenzen des Modells.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Simulationsläufe von 4–8 Stunden auf 2–5 Minuten zu reduzieren ist der größte Zeithebel im gesamten Branchenvergleich. Kein anderer Anwendungsfall in dieser Kategorie bringt eine so direkte und messbare Beschleunigung eines konkreten Kernprozesses. Der Effekt ist unmittelbar spürbar: Konstrukteure können statt 2 Läufen pro Woche am Nachmittag 80 Parametervarianten prüfen — und das bereits früh in der Auslegung, nicht erst kurz vor Werkzeugfreigabe.

Kosteneinsparung — mittel (3/5) Die Einführungskosten eines voll trainierten Surrogatmodells für eine Bauteilklasse liegen bei 40.000–120.000 € (Datenvorbereitung, ML-Entwicklung, Validierung). Das ist substanziell. Der Nutzen entsteht indirekt: verhinderte Werkzeugkorrekturen, weniger physische Muster, kürzere Entwicklungszyklen. Bei Unternehmen mit 5+ Neuwerkzeugen pro Jahr und einer bisherigen Korrekturquote über 30 % ist der ROI klar positiv. Für kleinere Betriebe mit wenigen Projekten bleibt die Rechnung knapper.

Schnelle Umsetzung — niedrig (2/5) 18–28 Wochen bis zur produktiven Nutzung sind realistisch. Wer kein bestehendes Simulationsdaten-Archiv hat, braucht zunächst eine Aufbauphase mit systematischen Simulationsläufen. Zudem ist Machine Learning-Expertise für Training, Validierung und Monitoring erforderlich — die intern selten vorhanden ist. Dieser Anwendungsfall gehört zu den aufwändigsten Einstiegen in der Kunststoffverarbeitung — vergleichbar nur mit komplexen Predictive-Maintenance-Projekten, die ebenfalls umfangreiche Datenvorbereitung voraussetzen.

ROI-Sicherheit — mittel (3/5) Der ROI hängt direkt davon ab, wie viele Werkzeugkorrekturen ein Betrieb pro Jahr hat und wie komplex die jeweiligen Bauteile sind. Wer einen einzigen Korrekturfall verhindert, amortisiert oft ein ganzes Quartal des laufenden Betriebs. Aber: Wenn die historische Korrekturrate niedrig war, lässt sich der Nutzen schwer quantifizieren — und das Modell kann ihn auch nicht zuverlässig belegen. Mittlere Einschätzung im Vergleich zu anderen Anwendungsfällen dieser Kategorie.

Skalierbarkeit — niedrig (2/5) Ein trainiertes Surrogatmodell gilt für eine spezifische Bauteilgeometrieklasse und Materialkombination — nicht übertragbar auf andere Klassen ohne Neutraining. Wer zehn verschiedene Produktfamilien simuliert, braucht zehn separate Modelle. Innerhalb einer Produktfamilie skaliert das Modell dagegen sehr gut: hunderte Parametervarianten in Minuten. Die Einschränkung ist real und unterscheidet diesen Use Case klar von skalierbareren KI-Anwendungen wie Materialrezeptur-Datenbanken oder Qualitätskontrolle-Modellen.

Richtwerte — stark abhängig von Bauteilkomplexität, vorhandener Simulationsdaten-Historik und interner ML-Kompetenz.

Was ein KI-Surrogatmodell konkret macht

Das klassische Moldflow-Werkzeug — Autodesk Moldflow, Cadmould oder Moldex3D — löst bei jedem Simulationslauf ein komplexes System partieller Differentialgleichungen: Strömungsmechanik, Wärmeübertragung, Viskoelastizität. Das dauert seine Zeit. Für jeden neuen Parametersatz wird diese physikalische Berechnung von vorn gestartet.

Ein Surrogatmodell macht das Gegenteil: Es lernt aus abgeschlossenen Simulationsläufen ein statistisches Modell des Zusammenhangs zwischen Eingangsparametern (Anschnittposition, Einspritzgeschwindigkeit, Werkzeugtemperatur, Wanddickenverteilung, Material) und Ausgangsgrößen (Füllzeit, Bindenähte, Verzug, Einspritzdruckverlauf). Dieses Modell kann dann für neue Parameterkombinationen eine Vorhersage in Sekunden liefern — ohne eine einzige Differentialgleichung zu lösen.

Technisch sind das in der Regel neuronale Netze, Gradienten-Boosting-Modelle oder Graph Neural Networks (besonders geeignet für geometrieabhängige Felder). Die Forschungsgruppe der Technischen Universität Delft (2024) zeigt für Graph Neural Networks auf Spritzguss-Simulationsdaten: Vorhersagefehler unter 2 % für Füllzeit und Druckverteilung, Inferenzzeit unter 30 Sekunden.

Was das in der Praxis bedeutet: Du startest am Montagmorgen mit 80 Anschnittpositionen, die du auf Bindenähte im Lastbereich prüfen willst. Das Surrogatmodell liefert dir bis Mittag die Verteilung — Bindenähte per Heatmap, Verzugsrichtung als Vektorfeld, kritische Wandbereiche farblich markiert. Die drei vielversprechendsten Konfigurationen schickst du dann in einen vollständigen Moldflow-Lauf zur Bestätigung.

Was es nicht ersetzt: Den Referenzlauf mit physikalischer Simulation. Das Surrogatmodell ist ein Filter, kein Ersatz. Jede finale Designentscheidung vor Werkzeugfreigabe braucht weiterhin einen validierten FEM-Lauf mit der echten Simulationssoftware.

Datenqualität als Voraussetzung

Das ist der Teil, den viele Einführungsgespräche überspringen — und der in der Praxis über Erfolg oder Misserfolg entscheidet.

Ein Surrogatmodell ist nur so gut wie die Simulationsdaten, auf denen es trainiert wurde. Für eine brauchbare Vorhersagequalität gelten folgende Mindestanforderungen:

Datenmenge: Die Forschungsliteratur nennt als Untergrenze für einfache Parametrierungsaufgaben (3–5 Eingangsgrößen) 50–100 validierte Simulationsläufe. Für komplexere 3D-Geometrien mit 8+ Parametern und Verzugsvorhersage sind 200–500 Läufe realistisch notwendig. Das ist eine erhebliche Vorinvestition — insbesondere wenn diese Daten erst aufgebaut werden müssen (siehe Abschnitt zu den Kosten).

Datenqualität: Alle historischen Simulationen müssen konsistent parametriert sein: gleiche Solver-Einstellungen, gleiche Netzgüte, gleiche Materialmodelle. Veraltete oder mit anderen Toolversionen erstellte Läufe können das Modell verzerren. Wenn dein Simulationsarchiv über Jahre mit verschiedenen Moldflow-Versionen und wechselnden Mesh-Strategien entstanden ist, ist eine Bereinigungsphase notwendig — typisch 4–8 Wochen.

Parameterbereich: Das Surrogatmodell interpoliert gut, aber extrapoliert schlecht. Wenn deine Trainingsdaten Anschnitttemperaturen zwischen 220 und 280 °C abdecken, wird die Vorhersage für 310 °C unzuverlässig. Das Trainingsdesign muss den relevanten Parameterraum systematisch abdecken — am besten mit Latin Hypercube Sampling (LHS), um mit möglichst wenigen Läufen einen möglichst breiten Raum zu erfassen.

Materialvielfalt: Ein Surrogatmodell, das auf PA66-GF30 trainiert wurde, funktioniert nicht zuverlässig für PBT-GF30 — auch wenn die mechanischen Eigenschaften ähnlich erscheinen. Für jede wesentliche Materialklasse ist ein eigenes Modell oder Transfer-Learning nötig.

Wenn diese Voraussetzungen nicht erfüllt sind, sollte das Surrogatmodell-Projekt nicht gestartet werden. Kein ML-Team kann aus 40 schlecht protokollierten Simulationen ein zuverlässiges Modell bauen.

Konkrete Werkzeuge — was wann passt

Integrierte DoE/KI-Module in bestehender Simulationssoftware

Cadmould + Varimos von SIMCON (Aachen) ist der direkteste Einstieg für mittelständische Betriebe. Varimos automatisiert die Versuchsplanung auf Basis der Cadmould-Simulationsengine und verwendet ML-Metamodelle, um nach den ersten Simulationsläufen Vorhersagen zu beschleunigen. Der Vorteil: kein separates ML-Projekt, keine Datenmigration. Der Nachteil: der Gültigkeitsbereich ist an Cadmould geknüpft, und das Surrogatmodell ist weniger transparent als ein eigenentwickeltes Modell. Preise auf Anfrage bei SIMCON; deutschsprachiger Support, Daten bleiben on-premise möglich.

Autodesk Moldflow selbst bietet seit Version 2024 eine integrierte Variationsanalyse (parametrisches DOE), aber kein vollwertiges ML-Surrogatmodell — die Beschleunigung bleibt bescheidener (Faktor 3–5 statt 60–80). Wer das Höchstmaß an Zeitersparnis will, braucht ein externes Surrogatmodell auf den Moldflow-Ausgabedaten.

Eigenentwicklung mit offenem Framework

NVIDIA PhysicsNeMo ist ein Open-Source-Framework (Apache 2.0) für physik-informierte ML-Modelle. Es ist primär für Strukturmechanik und Crashsimulation konzipiert, aber die Architekturprinzipien (MeshGraphNet, GeoFlare) lassen sich auf Spritzguss-Füllsimulation übertragen. Voraussetzung: ein internes ML-Team mit Python/PyTorch-Kenntnissen und Zugang zu GPU-Infrastruktur (NVIDIA A100/H100). Keine Lizenzkosten, hohe Einarbeitungsinvestition.

Wann welcher Ansatz

• Bestehende Cadmould-Lizenz + hohe Iterationslast → Varimos-Modul ergänzen
• Bestehende Moldflow-Umgebung + ausreichende Simulationsdaten + externer ML-Dienstleister → Surrogatmodell auf Moldflow-Daten
• OEM oder Tier-1 mit eigenem ML-Team → NVIDIA PhysicsNeMo oder kundenspezifisches GNN-Modell
• Faserorientierungs-kritische Bauteile (kurzglasfaserverstärkt) → Moldex3D mit ML-Extension prüfen

Grenzen des Surrogatmodells: Wann es versagt

Dieser Abschnitt gehört in jeden ehrlichen Einführungsplan — und fehlt in fast allen Angeboten.

Außerhalb des Trainingsraums (Out-of-Distribution) Das häufigste Versagen: Eine Anschnittgeometrie, die das Modell im Training nicht gesehen hat, produziert Vorhersagen ohne Qualitätssignal. Das Modell zeigt keinen Fehler an — es interpoliert einfach falsch, mit scheinbar normalem Konfidenzwert. In Auslegungsprojekten wird dieser Effekt sichtbar, wenn ein Konstrukteur das Surrogatmodell für eine neue Produktfamilie verwendet, die geometrisch deutlich von den Trainingsdaten abweicht. Lösung: Domänen-Checking einbauen — das Modell muss erkennen und kommunizieren, wenn eine Anfrage außerhalb des Trainingsraums liegt. Ohne diesen Mechanismus ist das Modell gefährlicher als keine Vorhersage.

Retraining-Kadenz Wenn eine neue Materialcharge, eine neue Maschinengeneration oder ein systematisch veränderter Werkzeugbau in den Prozess einfließt, degradiert das Modell still. Laut Forschungsliteratur (Springer, 2021) erfordert jede wesentliche Änderung der Randbedingungen ein Neutraining — es gibt keine selbstheilende Surrogatmodell-Architektur. Eine realistische Retraining-Kadenz liegt bei 6–18 Monaten, ausgelöst durch:

• Neue Materialien oder Compoundwechsel
• Neue Maschinen oder signifikante Maschinen-Upgrades
• Erweiterung des Produktportfolios in neue Geometrieklassen
• Veränderungen im Werkzeugkonzept (neue Schieberlösungen, veränderte Angussgeometrie)

Reaktive und hochviskose Systeme Für reaktive Polyurethane, Elastomere mit Vulkanisation, faserverstärkte Duroplaste (RTM) oder sehr hochviskose Compounds ist das klassische Spritzguss-Surrogatmodell ungeeignet. Die Physik ist zu komplex, die Nichtlinearitäten zu stark, der historische Datensatz zu dünn. Wer in diesen Bereichen optimiert, braucht physics-informierte Neuronale Netze (PINNs) oder hybride Modelle — beides aktuell noch in der Forschungsphase.

Nur Parameteroptimierung, keine Topologiefreiheit Das Surrogatmodell optimiert Parameterkombinationen innerhalb einer vorgegebenen Geometrie. Es kann keine neue Kanalgeometrie oder neue Wanddickenverteilung vorschlagen, die außerhalb des Parameterraums liegt. Für topologische Optimierung braucht man andere Ansätze — oder muss die Topologievarianten als separate Trainingsdaten einbeziehen, was den Datenaufwand erheblich steigert.

Datenschutz und Datenhaltung

Spritzguss-Simulationsdaten enthalten in der Regel keine personenbezogenen Daten im DSGVO-Sinne — es geht um Bauteilgeometrien, Prozessparameter und Materialdaten. Die DSGVO greift hier nicht direkt. Relevant ist stattdessen der Know-how-Schutz: Bauteilgeometrien, Anschnittkonzepte und Prozess-Fingerabdrücke sind häufig das Kernkapital eines Werkzeugbauers.

Für Cloud-basierte Simulationsdienste (z. B. Moldflow-Cloud-Tokens) gilt: Die Geometriedaten verlassen das Unternehmen. Das ist für viele Kunden aus der Automobilindustrie problematisch — OEM-Plattformen verbieten teilweise vertraglich die Weitergabe von Bauteilgeometrien an Drittdienste, ohne explizite Freigabe. Das sollte vor dem Einsatz cloud-basierter Simulationsoptionen mit dem Kunden-Pflichtenheft abgeglichen werden.

Empfehlung: Surrogatmodell-Training und Inferenz on-premise oder auf einem zertifizierten deutschen Rechenzentrums-Partner betreiben. Der Betrieb auf eigener Infrastruktur ist technisch nicht aufwändiger als ein Cloud-Deployment — und gibt die volle Kontrolle über die Geometriedaten. NVIDIA PhysicsNeMo als Open-Source-Framework unterstützt On-Premises-Betrieb. Cadmould + Varimos erlauben lokalen Betrieb ohne Geometrie-Upload.

Wenn für das ML-Modelltraining externe Dienstleister eingebunden werden, sind die Geometriedaten und Simulationsergebnisse im Vertrag als Betriebsgeheimnisse zu klassifizieren — mit ausdrücklichem Verbot der Nutzung für eigene Modellentwicklungen. Standardmäßige NDA-Klauseln reichen in der Regel nicht aus.

Was es kostet — realistisch gerechnet

Szenario A: Varimos-Modul auf bestehender Cadmould-Lizenz

• Cadmould-Basislizenz (falls noch nicht vorhanden): 1.800–3.500 €/Jahr
• Varimos-Add-on: Preis auf Anfrage — nach Marktlage ca. 2.000–5.000 €/Jahr zusätzlich
• Schulung: 1–2 Bootcamps à 99 €/Person
• Einrichtungsaufwand: 2–4 Wochen intern
• Laufende Kosten: 4.000–9.000 €/Jahr
• Dieser Ansatz ist der schnellste Weg für Betriebe mit bestehender Cadmould-Installation

Szenario B: Surrogatmodell auf Moldflow-Daten, externer ML-Dienstleister

• Datenvorbereitung (historische Simulationsläufe bereinigen, systematisches Neutraining-Set erstellen): 3–6 Monate, 20.000–40.000 € extern
• Modellentwicklung (neuronales Netz oder GNN-Architektur): 20.000–60.000 € einmalig
• Validierung und Deployment (Schnittstellen zu CAD/Simulationsumgebung): 10.000–20.000 €
• Laufende Infrastruktur (GPU-Server oder Cloud): 1.000–4.000 €/Monat
• Retraining-Reserve (alle 12–18 Monate): 15.000–30.000 €
• Gesamteinführung: 50.000–120.000 €; laufend 27.000–78.000 €/Jahr

Was du dagegen rechnen kannst Eine verhinderte Werkzeugkorrektur: 10.000–50.000 €. Zwei verhinderte Korrekturen pro Jahr amortisieren Szenario A vollständig. Für Szenario B braucht man bei 5+ Korrekturfällen pro Jahr eine Amortisation ab Jahr 2. Realistischer Zeithorizont für Break-even: 1–3 Jahre je nach Betriebsgröße und historischer Korrekturrate.

Wie du den ROI tatsächlich misst: Definiere vor der Einführung eine Baseline — wie viele Werkzeugkorrekturen hattest du in den letzten drei Jahren, und was hat jede durchschnittlich gekostet? Das ist die Vergleichsgröße. Ohne diese Baseline ist jede ROI-Aussage nach der Einführung eine Schätzung.

Drei typische Einstiegsfehler

1. Mit dem Surrogatmodell beginnen, bevor der Datenboden stimmt. Das ist der häufigste — und teuerste — Einstiegsfehler. Ein ML-Dienstleister beginnt mit der Modellentwicklung, führt die ersten Trainingsläufe durch und stellt dann fest: Die historischen Simulationen wurden mit unterschiedlichen Netzgüten, unterschiedlichen Solver-Einstellungen und unterschiedlichen Materialmodellen erstellt. 40 % der Daten müssen verworfen werden, die Restdaten reichen für gute Vorhersagen nicht aus. Das Projekt wird um 4–8 Monate verzögert. Lösung: Datensichtung und -bereinigung als Phase 0 vor jeder Investitionsentscheidung.

2. Das Modell für den gesamten Bauteilbereich einsetzen — ohne Gültigkeitsbereich-Prüfung. Wer ein Surrogatmodell für Automotive-Clips (Wanddicke 1,5–2,5 mm, Länge 20–60 mm) auf einem Gehäusedeckel (300 × 200 mm, Wanddicke 3–5 mm) anwendet, bekommt Vorhersagen — sie sehen plausibel aus, weichen aber bis zu 40 % vom echten FEM-Ergebnis ab. Ohne einen eingebauten Out-of-Distribution-Detektor ist das Modell eine Täuschung: Es sieht aus wie ein Werkzeug, ist aber für Geometrien außerhalb des Trainingsraums kein verlässlicher Ratgeber. Abhilfe: Vor jeder Anfrage automatisch prüfen, ob die Bauteilgeometrie im Parameterraum der Trainingsdaten liegt — und Anfragen außerhalb mit einer expliziten Warnung ablehnen statt schweigend eine unsichere Vorhersage zu liefern.

3. Kein Retraining-Budget eingeplant. Das ist der Fehler, der still entsteht. Das Modell wird eingeführt, läuft 18 Monate, gibt Vorhersagen. Dann kommt ein neuer Compound, eine neue Maschinengeneration, ein neues Anschnittkonzept — und das Modell degradiert langsam. Wenn Vorhersagen systemisch schlechter werden, merkt man das oft erst, wenn ein Bauteil am Muster Probleme zeigt, die das Modell nicht vorhergesagt hatte. Lösung: Retraining-Zyklen von Anfang an ins Budget einplanen und einen einfachen Monitoring-KPI definieren — z. B. Abweichung zwischen Surrogatvorhersage und echtem Simulationslauf für eine stichprobenartige Kontrollmessung alle drei Monate.

Was mit der Einführung wirklich passiert — und was nicht

Surrogatmodelle für Spritzguss-Simulation sind kein Change-Management-Thema im klassischen Sinne — hier geht es nicht um Mitarbeitendenmotivation oder Wissenstransfer. Die Widerstände sind technischer Natur, aber sie kommen von Menschen.

Der „Ich traue dem Modell nicht”-Effekt. Erfahrene Simulationsingenieure kennen die Physik. Sie wissen, wann ein Moldflow-Ergebnis plausibel ist und wann nicht — weil sie das Bauteil kennen, die Maschine kennen, die Eigenheiten des Materials kennen. Ein neuronales Netz liefert eine Zahl ohne diese Intuition. Die erste Reaktion erfahrener Konstrukteurinnen und Konstrukteure ist oft: „Das stimmt nicht.” Manchmal haben sie Recht — nämlich genau dann, wenn das Modell außerhalb seines Gültigkeitsbereichs gefragt wird.

Was hilft: Das Surrogatmodell in der Einführungsphase nicht als autonome Entscheidungsinstanz positionieren, sondern als Filterinstrument. „Das Modell zeigt dir, welche Varianten ausgeschieden werden können — die finale Entscheidung triffst du mit einem echten Moldflow-Lauf.” Diese Positionierung reduziert Widerstand erheblich. Und sie stimmt auch: Das Surrogatmodell ersetzt keine validierten FEM-Läufe vor der Werkzeugfreigabe.

Der „nur für große Unternehmen”-Reflex. ML-gestützte Simulation klingt nach OEM-Technologie. In der Praxis sind mittelständische Werkzeugbauer mit 50–200 Mitarbeitenden oft besser aufgestellt als OEMs, weil sie eine klar definierte Bauteilklasse haben — wenige Familien, viele Varianten — die ideal für ein Surrogatmodell ist. OEMs haben das umgekehrte Problem: zu viele verschiedene Geometrieklassen, zu wenige Daten je Klasse.

Was nicht passiert: Das Surrogatmodell macht Konstrukteure nicht überflüssig. Es macht Simulationsläufe billiger. Ein erfahrener Simulationsingenieur mit Surrogatmodell macht mehr sinnvolle Iterationen pro Woche — und erreicht bessere Designentscheidungen früher. Die Entscheidungskompetenz bleibt beim Menschen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben nicht genug historische Simulationen für ein Training.” Das ist der häufigste und legitime Einwand. Die Antwort ist nicht Schönreden: Wenn ihr weniger als 100 konsistente, gut parametrierte Simulationsläufe habt, ist das Surrogatmodell zum jetzigen Zeitpunkt tatsächlich nicht sinnvoll. Was sinnvoll ist: Jetzt systematisch zu simulieren und Daten aufzubauen — mit dem Ziel, in 12–18 Monaten die Schwelle zu überschreiten. Das Varimos-Modul von SIMCON funktioniert mit weniger historischen Daten, weil es on-the-fly Daten generiert und keine extrem große externe Bibliothek voraussetzt.

„Das Surrogatmodell liefert falsche Ergebnisse — wir hatten mal einen Fall.” Fast immer handelt es sich dabei um einen Out-of-Distribution-Fall: Ein Bauteil, das geometrisch außerhalb des Trainingsraums lag, bekam eine schlechte Vorhersage. Das ist ein Feature-Fehler, kein Grundproblem. Ein Surrogatmodell ohne eingebauten OOD-Detektor ist unvollständig implementiert. Wer das als Argument gegen den gesamten Ansatz nutzt, zieht aus einer fehlerhaften Implementierung die Schlussfolgerung, der Ansatz funktioniere nicht.

„Das ist zu teuer für unsere Unternehmensgröße.” Hier lohnt die Gegenfrage: Wie viele Werkzeugkorrekturen habt ihr in den letzten drei Jahren gehabt? Wenn die Antwort „keine oder eine” ist, ist das Surrogatmodell tatsächlich falsch dimensioniert. Wenn die Antwort „drei bis fünf pro Jahr” ist, ist Szenario A (Varimos-Modul) fast immer wirtschaftlich — der Invest liegt im niedrigen fünfstelligen Bereich pro Jahr, und eine verhinderte Korrektur bezahlt das Jahresbudget.

Woran du merkst, dass das zu dir passt

• Dein Team wartet regelmäßig auf Simulationsläufe. Wenn Konstruktionsentscheidungen auf Laufergebnisse warten müssen, die erst am nächsten Tag vorliegen, ist die Zeitkollision real.
• Ihr habt mehr als 3–4 Neuwerkzeuge pro Jahr mit ähnlichen Bauteilklassen. Je ähnlicher die Geometriefamilien, desto schneller ist das Surrogatmodell trainiert und desto breiter der Einsatzbereich.
• Ihr habt Werkzeugkorrekturen in den letzten Jahren, die vermeidbar gewesen wären, wenn Bindenähte oder Verzug früher erkannt worden wären. Das ist das direkteste ROI-Signal.
• Ihr habt bereits 50–100 dokumentierte, konsistente Simulationsläufe für eine Bauteilklasse — oder seid bereit, diese systematisch aufzubauen.
• Ein Simulationsingenieur ist intern verfügbar, der die Ergebnisse des Surrogatmodells bewerten und Ausreißer erkennen kann. Das Modell braucht einen fachkundigen Piloten.

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 30 Simulations-Projekte pro Jahr oder weniger als 5 Neuentwicklungen. Der Aufwand für Datenaufbau, Modelltraining und laufendes Monitoring ist bei zu kleiner Projektbasis nicht amortisierbar. Der klassische Moldflow-Dienst — intern oder als externer Service — ist dann die wirtschaftlichere Wahl.

2. Keine bestehende Simulationsinfrastruktur und -expertise. Wer noch keine Predictive Analytics-Kompetenz und keine laufende FEM/Moldflow-Simulation betreibt, muss diese zuerst aufbauen. Ein Surrogatmodell auf Null aufzubauen — ohne Basis-Simulationsdaten und ohne interne Simulationsexpertise — kostet das Doppelte und produziert die Hälfte des Nutzens. Zuerst Moldflow, dann Surrogatmodell.

3. Hochvariable Geometrien ohne wiederkehrende Produktfamilien. Lohnfertiger, die für viele verschiedene Auftraggeber sehr unterschiedliche Einzelteile simulieren, können kein gemeinsames Surrogatmodell über ihren Auftragsmix trainieren. Das Modell braucht Ähnlichkeit in der Geometriefamilie — ohne diese ist der Ansatz schlicht nicht machbar.

Das kannst du heute noch tun

Der wichtigste erste Schritt ist kein Software-Download. Es ist eine Bestandsaufnahme.

Öffne eine Tabelle — oder frag ChatGPT, Claude oder ein ähnliches Werkzeug, sie zu strukturieren — und beantworte drei Fragen schriftlich:

1. Wie viele Simulationsläufe habt ihr im letzten Jahr durchgeführt, und für wie viele verschiedene Bauteilklassen?
2. Wie viele Werkzeugkorrekturen habt ihr in den letzten zwei Jahren gehabt, und was hat jede durchschnittlich gekostet?
3. Wie viele dieser Korrekturen wären durch eine frühere Simulation der richtigen Parameter vermeidbar gewesen?

Die Antworten auf diese drei Fragen entscheiden, ob ein Surrogatmodell für euch wirtschaftlich sinnvoll ist — und in welchem Szenario. Dieser Prompt hilft dir, die Bestandsaufnahme zu strukturieren und daraus ein Investitionsargument aufzubauen:

Quellen & Methodik

• Surrogatmodell-Speedup (80–95 %): „Surrogate modeling for injection molding processes using deep learning”, Structural and Multidisciplinary Optimization (2022), DOI: 10.1007/s00158-022-03380-0. Empirische Beschleunigung: ~17-fach für Deflektionsvorhersage auf Basis neuronaler Netze gegenüber vollständigem FEM-Lauf.
• Graph Neural Networks für Spritzguss: TU Delft Repository (2024): „Injection molding process: a surrogate based on Graph Neural Networks”. Vorhersagefehler unter 2 % für Füllzeit und Druckverteilung innerhalb Trainingsraum.
• ML-Surrogatmodell für Moldex3D: „Machine learning-based surrogate modeling for efficient prediction of Moldex3D injection molding”, E3S Web of Conferences ICEGC 2025 (2025). Random Forest: MAE 0,151 Sekunden für Füllzeit, 3,409 MPa für Packungsdruck.
• Varimos-Iterationsreduktion (30 %): SIMCON-Dokumentation und Konstruktionspraxis.vogel.de-Bericht (2021): „Cadmould Varimos zur virtuellen und realen Bauteil- und Prozessoptimierung” — 30 % Reduktion der Iterationszyklen gegenüber manuellem Vorgehen.
• Datenmindestanforderungen: „Comparison of Hybrid Machine Learning Approaches for Surrogate Modeling Part Shrinkage in Injection Molding”, PMC (September 2024). 100 LHS-Punkte als Untergrenze für einfache Parametrisierungsaufgaben; Transfer-Learning reduziert Datenbedarf um bis zu 64 %.
• Retraining-Notwendigkeit bei Randbedingungsänderungen: „Induced network-based transfer learning in injection molding for process modelling and optimization”, Int. Journal of Advanced Manufacturing Technology (2021): explizite Warnung, dass GNN und PINN bei veränderten Randbedingungen vollständig neu trainiert werden müssen.
• Werkzeugkorrektionskosten: Erfahrungswerte aus Praxisberichten bei DACH-Werkzeugbauern und Kunststoffverarbeitern; eigene Schätzwerte basierend auf öffentlich zugänglichen Marktberichten des Gesamtverbands Kunststoffverarbeitende Industrie (GKV).
• Autodesk Moldflow Pricing: Novedge.com Reseller (abgerufen Mai 2026); offizielle EUR-Listenpreise durch Autodesk auf Anfrage erhältlich.

Du willst wissen, ob eure Simulationsdatenhistorie für ein Surrogatmodell ausreicht — und welcher Einstieg zu eurer Struktur passt? Meld dich für ein kurzes Gespräch — wir schauen uns das gemeinsam an.