Füllsimulation und Bauteilauslegung mit KI-Surrogatmodellen

Das echte Ausmaß des Problems

Eine vollständige Spritzguss-Füllsimulation, Füllung, Kühlung, Verzug, dauert je nach Bauteilkomplexität und Rechnerleistung mehrere Stunden; für mittlere Kunststoffbauteile rechnen wir auf dieser Seite mit 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.

Die Rechenzeit allein ist dabei nicht das Problem. Läuft eine Lizenz rund um die Uhr, schafft sie in drei Wochen 504 Stunden, also 60 bis 100 Läufe à 5–8 Stunden; Thomas’ 14 Varianten wären rechnerisch machbar. Das Problem ist die Wartezeit dazwischen: Jede Antwort kommt erst am nächsten Morgen, jede Folgefrage wartet wieder eine Nacht, und über Nacht rechnet nur, wer abends schon weiß, was er fragen will.

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 €

Diese Beträge sind Größenordnungen, keine gemessenen Werte; deine eigene Zahl steht in der Korrekturhistorie der letzten Jahre.

Dass Deep-Learning-Surrogatmodelle Spritzguss-Simulationen nachbilden können, zeigt etwa eine Arbeit in Structural and Multidisciplinary Optimization (Uglov u. a., 2022) mit Prozessdaten von Fiat Chrysler; Code und Daten sind wegen einer Geheimhaltungsvereinbarung nicht öffentlich. Wie schnell und wie genau ein Surrogatmodell im eigenen Fall ist, muss man an eigenen Referenzläufen messen.

Ob sich das rechnet, hängt an einer Frage, die oft übersprungen wird: Wie viele Korrekturen passieren heute, weil die richtige Variante aus Zeitgründen nie simuliert wurde? Nur diese kann ein Surrogatmodell verhindern. Bindenähte und Verzug zeigt auch die klassische Simulation, wenn sie für die richtige Variante gerechnet wird. Die Rechnung weiter unten zeigt, dass ein externes Surrogatmodell mit seinen laufenden Kosten mehrere solcher Korrekturen im Jahr braucht.

Mit vs. ohne KI, ein ehrlicher Vergleich

Ein Surrogatmodell ist eine Näherung, belastbar nur für Parameterkombinationen im Trainingsraum. 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, mittel (3/5) Die Rechenzeit sinkt von Stunden auf Sekunden, aber Rechenzeit ist nicht Arbeitszeit: Während die Simulation läuft, arbeitet der Konstrukteur an etwas anderem. Gewonnen wird Durchlaufzeit, also Antworten am selben Tag statt am nächsten Morgen, und die Zahl der Varianten, die vor der Werkzeugfreigabe geprüft werden. Die eigene Arbeitszeit sinkt kaum, eher steigt sie, weil mehr Varianten auszuwerten sind. Deshalb nur eine mittlere Wertung für die Zeitersparnis im Arbeitsalltag, auch wenn der Beschleunigungsfaktor spektakulär ist.

Kosteneinsparung, unterdurchschnittlich (2/5) Die Einführung eines externen Surrogatmodells (Szenario B) kostet 50.000–120.000 €, dazu 27.000–78.000 € im Jahr. Der Nutzen entsteht indirekt, über verhinderte Werkzeugkorrekturen, und nur über jene, die heute passieren, weil die richtige Variante aus Zeitgründen nie simuliert wurde. Im Beispiel unten trägt sich Szenario B selbst bei einem gut aufgestellten Zulieferer erst nach Jahren oder gar nicht. Szenario A (Varimos AI in Cadmould, knapp 13.000 € im Jahr je Nutzer) rechnet sich schon mit ein bis zwei verhinderten Korrekturen, setzt aber Cadmould voraus.

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 aufwändigeren Einstiegen in der Kunststoffverarbeitung, vergleichbar mit 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

Die klassische Füllsimulation, ob Autodesk Moldflow , Cadmould oder Moldex3D , löst bei jedem Simulationslauf ein komplexes System partieller Differentialgleichungen: Strömungsmechanik, Wärmeübertragung, Viskoelastizität. Das ist Physik, keine KI; Autodesk Moldflow hat laut unserer Toolseite keinen ML-Kern. 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). Eine Masterarbeit an der TU Delft (2024) zeigt für Graph Neural Networks auf Spritzguss-Simulationsdaten Vorhersagen in unter einer Sekunde statt Stunden, allerdings für eine zweidimensionale Formfüllung, und die Fehler summierten sich über die Zeitschritte auf. Schnell ist das Modell immer, genau nur in seinem Trainingsraum.

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: Wie viele Läufe nötig sind, hängt an der Zahl der Eingangsgrößen und an der Zielgröße. Als grobe Orientierung rechnen wir auf dieser Seite mit 50–100 konsistenten Simulationsläufen für einfache Fragen mit drei bis fünf Parametern und 200–500 Läufen für Verzugsvorhersagen an komplexen 3D-Geometrien. Transfer Learning senkt den Bedarf deutlich: In einer Studie der RWTH Aachen (Lockner und Hopmann, 2021) reichten nach Vortraining auf 59 anderen Spritzgießprozessen vier Stützpunkte für ein Bestimmtheitsmaß R² von mindestens 0,9, am besten mit ähnlichen Bauteilen als Quelle. Ohne diese Abkürzung ist der Datenaufbau eine erhebliche Vorinvestition (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 Schmelzetemperaturen 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 AI von SIMCON (Aachen) ist der direkteste Einstieg für mittelständische Betriebe. Varimos AI plant Parametervariationen statistisch, simuliert sie automatisch mit der Cadmould-Engine und baut daraus Surrogatmodelle; laut unserer Toolseite kommen so in einer Nacht 30 bis 60 Varianten zusammen. 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. Varimos AI ist seit 2025 im Plan Flex Advanced ab 1.075 € je Nutzer und Monat enthalten; deutschsprachiger Support aus Aachen, Datenhaltung in Deutschland.

Autodesk Moldflow selbst bietet eine automatische Variationsanalyse als numerisches Design of Experiments, aber laut unserer Toolseite keinen ML-Kern und kein Surrogatmodell: Jede Variante wird voll gerechnet. Wer Varianten in Sekunden vorsortieren 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 bringt viele Architekturen mit, von Fourier Neural Operators über MeshGraphNet bis Transolver, und wird für Strömung, Strukturmechanik und Crash genutzt; ein fertiges Spritzguss-Modell hat es nicht. Die Architekturen für unstrukturierte Netze lassen sich auf die 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

• Cadmould im Haus oder Wechsel denkbar + hohe Iterationslast → Varimos AI (Flex Advanced)
• Bestehende Moldflow-Umgebung + viele vermeidbare Korrekturen + ausreichende Simulationsdaten + externer ML-Dienstleister → Surrogatmodell auf Moldflow-Daten, erst nach der Rechnung unten
• OEM oder Tier-1 mit eigenem ML-Team → NVIDIA PhysicsNeMo oder kundenspezifisches GNN-Modell
• Faserorientierungs-kritische Bauteile (kurzglasfaserverstärkt) → Moldex3D mit der Datenplattform iSLM prüfen, die aus früheren Projekten Parameter vorschlägt

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.

Wann nachtrainiert werden muss Ein Surrogatmodell bildet die Simulation nach, nicht die Maschine. Es veraltet deshalb nicht mit einer neuen Materialcharge oder einer neuen Spritzgießmaschine, sondern wenn sich ändert, was in die Simulation eingeht. Nachtrainieren ist nötig bei:

• Neuen Materialien, also einer neuen Materialkarte in der Simulation
• Einer neuen Solver-Version oder geänderten Vernetzungs- und Solver-Einstellungen
• Erweiterung des Produktportfolios in neue Geometrieklassen
• Veränderungen im Werkzeugkonzept (neue Schieberlösungen, veränderte Angussgeometrie)

Nachtrainieren heißt nicht zwingend, bei null anzufangen: Transfer Learning von ähnlichen Bauteilen senkt den Datenbedarf erheblich (Lockner und Hopmann, 2021). Einen festen Kalender dafür gibt es nicht, der Auslöser ist das Ereignis.

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 AI in Cadmould

• Cadmould Flex Advanced mit Varimos AI: ab 1.075 € je Nutzer und Monat bei monatlicher Zahlung, bei Jahresbindung laut SIMCON etwa 15 % weniger
• Wer nur Füllsimulation ohne Varimos AI braucht: Flex Basic ab 355 € je Nutzer und Monat
• Schulung: Online-Kurse der SIMCON Academy sind im Abo enthalten
• Einrichtungsaufwand: 2–4 Wochen intern
• Laufende Kosten: rund 11.000–13.000 € im Jahr je Nutzer (12 mal 1.075 €, abzüglich Rabatt bei Jahresbindung)
• Dieser Ansatz ist der schnellste Weg für Betriebe, die Cadmould nutzen oder wechseln können

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 bei neuen Materialien, Solver-Versionen oder Geometrieklassen: 15.000–30.000 € je Anlass, angenommen einmal im Jahr
• Gesamteinführung: 50.000–120.000 €; laufend 27.000–78.000 €/Jahr

Was du dagegen rechnen kannst Eine verhinderte Werkzeugkorrektur: 10.000–50.000 € (Größenordnung, deine eigene Zahl steht in der Korrekturhistorie). Zählen darfst du nur Korrekturen, die ohne Surrogatmodell passiert wären, weil die richtige Variante aus Zeitgründen nie simuliert wurde. Szenario A trägt sich mit ein bis zwei solchen Korrekturen im Jahr. Szenario B braucht jedes Jahr verhinderte Korrekturen im Wert von 27.000–78.000 €, nur um den laufenden Betrieb zu decken, bei 22.000 € je Korrektur also zwei bis vier; erst was darüber liegt, verdient die Einführung von 50.000–120.000 € zurück. Das schaffen Betriebe mit vielen Neuwerkzeugen in wenigen Bauteilfamilien, für die meisten anderen ist Szenario A oder ein externes Simulationsbüro die bessere Rechnung.

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 denkbarer Verlauf: 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, die plausibel aussehen, aber weit vom echten FEM-Ergebnis abweichen können. 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 mit neuer Materialkarte, eine neue Solver-Version, ein neues Anschnittkonzept, und das Modell passt nicht mehr zu dem, was die Simulation heute rechnen würde. 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 50 konsistente, gut parametrierte Simulationsläufe je Bauteilklasse habt (für Verzugsvorhersagen weniger als 200), ist ein eigenes 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. Varimos AI von SIMCON funktioniert mit weniger historischen Daten, weil es die Varianten selbst rechnet und keine große 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 AI) fast immer wirtschaftlich, der Invest liegt im niedrigen fünfstelligen Bereich pro Jahr, und ein bis zwei verhinderte Korrekturen bezahlen 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 mindestens fünf 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 mehr und bringt weniger. Zuerst Simulation, 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

• Deep-Learning-Surrogatmodelle für den Spritzguss: Uglov, A. u. a. (2022), „Surrogate modeling for injection molding processes using deep learning”, Structural and Multidisciplinary Optimization 65 (11), DOI: 10.1007/s00158-022-03380-0. Prozessdaten von Fiat Chrysler, Code und Datensatz wegen Geheimhaltungsvereinbarung nicht öffentlich.
• Graph Neural Networks für Spritzguss: Masterarbeit TU Delft (2024): „Injection molding process: a surrogate based on Graph Neural Networks”. Vorhersage in unter einer Sekunde für eine zweidimensionale Formfüllung, Fehler summieren sich über die Zeitschritte.
• Transfer Learning im Spritzguss: Lockner, Y.; Hopmann, C. (2021), „Induced network-based transfer learning in injection molding for process modelling and optimization”, The International Journal of Advanced Manufacturing Technology 112, DOI: 10.1007/s00170-020-06511-3. Nach Vortraining auf 59 Spritzgießprozessen reichten vier Stützpunkte für R² ≥ 0,9, am besten mit ähnlichen Bauteilen als Quelle.
• Hybride Surrogatmodelle für Schwindung: „Comparison of Hybrid Machine Learning Approaches for Surrogate Modeling Part Shrinkage in Injection Molding”, Polymers (2024), DOI: 10.3390/polym16172465.
• Autodesk Moldflow, Cadmould + Varimos AI, Moldex3D, NVIDIA PhysicsNeMo: Funktionen und Preise laut unseren Toolseiten.
• Werkzeugkorrekturkosten und Datenmengen je Aufgabe: Größenordnungen und Annahmen dieser Seite, keine gemessenen Werte. Setze deine eigene Korrekturhistorie ein.

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.