Rumpfform-Optimierung: KI-gestützte CFD für weniger Widerstand

Das echte Ausmaß des Problems

Hydrodynamische Rumpfoptimierung ist rechenwirtschaftlich eine der teuersten Entwurfsaufgaben im Schiffbau. Eine einzelne RANS-CFD-Simulation für einen Vollrumpf (ca. 5–10 Millionen Netzzellen, freie Oberfläche, realistische Geschwindigkeit) läuft auf einem modernen HPC-Cluster typisch 24–72 Stunden. Eine systematische Designraumstudie mit 50–200 Parametervariationen — wie sie nötig wäre, um das echte Optimum zu finden — entspricht demnach 50 bis 600 Tagen Rechenzeit.

Werften reduzieren das Problem deshalb auf 5–15 bewusst ausgewählte Varianten, die sie vollständig simulieren. Das reicht, um grobe Fehler zu vermeiden und marginale Verbesserungen zu erzielen. Es reicht nicht, um den Parameterraum auch nur annähernd auszuschöpfen. Das eigentliche Optimum liegt statistisch fast immer in Bereichen, die nie simuliert wurden.

Das hat konkrete wirtschaftliche Konsequenzen:

• Ein großer Containerfrachter (14.000 TEU) verbraucht bei Reisegeschwindigkeit etwa 120–150 Tonnen Schwerölbrennstoffe täglich. Ein Prozent weniger Widerstand bedeutet rund 1–1,5 Tonnen weniger Bunker pro Tag — bei einem VLCC entspricht das laut einer CAESES-Fallstudie über eine Million US-Dollar Einsparung pro Jahr bei optimierter Effizienz.
• Die EEXI- und CII-Regulierung der IMO zwingt Reedereien ab 2023 dazu, den CO₂-Ausstoß je Transportleistung jährlich zu senken. Reedereien, die Neubauten in Auftrag geben, achten deshalb stärker als je zuvor auf CFD-belegte Effizienzversprechen.
• Werften, die keine belastbaren Hydrodynamik-Nachweise liefern können, verlieren Ausschreibungen zugunsten von Wettbewerbern mit größerem CFD-Budget oder besseren Methoden.

Die dänische Messtechnik- und Beratungsfirma FORCE Technology berichtet in einer veröffentlichten Fallstudie mit der Werft Karstensens Skibsværft, dass parametrisch-optimierte CFD-Rumpfformen eine Reduktion des Wellenwiderstands von bis zu 7 % erreichen — gegenüber einem konventionell ausgelegten Basisrumpf (FORCE Technology, 2024).

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen in der Vergleichszeile “Kosten pro Variante” bilden nicht die Gesamtprojektkosten ab — der Aufbau des Surrogatmodells ist teuer (HPC-Kampagne). Der Effekt zeigt sich erst im zweiten, dritten und vierten Entwurfsprojekt, wenn dasselbe Surrogate für neue Varianten wiederverwendet wird.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Das ist der stärkste Hebel des gesamten Ansatzes: Was ohne Surrogate drei bis sechs Wochen dauert (eine Optimierungsiteration über 20–30 CFD-Runs), dauert mit einem fertig trainierten Modell zwei bis vier Tage. Das ermöglicht überhaupt erst eine echte Designraumexploration statt einer sequentiellen Einzelvarianten-Auswahl. In der Praxis bedeutet es, dass Ausschreibungsfristen, die bisher nur ein bis zwei belegte Designs zuließen, jetzt mit vollständigem Suchprotokoll bedient werden können. Dieser Vorsprung gilt unter allen verglichenen Anwendungsfällen im Schiffbau als der größte Zeitgewinn je Optimierungszyklus.

Kosteneinsparung — sehr hoch (5/5) Die mögliche Einsparung ist enorm — aber nicht für die Werft, sondern für den Reeder. Drei Prozent weniger Widerstand bei einem VLCC bedeuten — bei rund 600 USD/t Bunkerpreis und 200 Betriebstagen — 240.000–360.000 USD weniger Bunkerkosten pro Jahr; bei einem 14.000-TEU-Containerschiff über eine Million USD laut CAESES-Referenz. Das ist das Argument, das Reedereien überzeugt, Mehrpreis für hydrodynamisch optimierte Neubauten zu zahlen. Für die Werft selbst liegt der Vorteil im Wettbewerbsvorsprung und in höheren Margen bei Ausschreibungen, die Effizienzbelege fordern. Einziger Dämpfer: Der Bunkerpreis ist volatil — bei 300 USD/t halbiert sich die Rechnung.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der härteste Realitätscheck dieser Methode. Das Surrogatmodell ist erst so gut wie die CFD-Datenbank, auf der es trainiert wurde. Diese aufzubauen bedeutet: 100–300 vollständige RANS-Simulationen, HPC-Infrastruktur oder externer Cloud-Zugang, CFD-Expertise im Haus oder bei einem Partner. Realistisch vergehen 12–24 Monate, bevor ein belastbares, produktiv nutzbares Surrogate steht. Dieser Wert ist im Branchenvergleich der niedrigste Einstiegswert aller bewerteten Anwendungsfälle — ehrlicher geht es nicht.

ROI-Sicherheit — mittel (3/5) Die technische Wirksamkeit ist gut belegt (mehrere begutachtete Studien, FORCE Technology). Aber die tatsächliche Wirtschaftlichkeit hängt an drei volatilen Größen: Bunkerpreis, Schiffsauslastung und künftigen Regulierungsanforderungen (EEXI, CII). Wer die Investition nur für ein Schiffstyp-Projekt macht, wird den Break-even kaum erreichen. Wer über drei bis fünf Entwurfsprojekte dasselbe Surrogate nutzt (oder es auf ähnliche Schiffstypen überträgt), kommt in eine deutlich bessere Kalkulation.

Skalierbarkeit — mittel (3/5) Ein trainiertes Surrogate ist hoch spezialisiert: Es gilt für den Schiffstyp, die Größenklasse und den Froude-Zahlenbereich, für den es trainiert wurde. Ein Modell für einen Panamax-Containerfrachter ist wertlos für die nächste Küstenmotorschiff-Ausschreibung. Das schränkt die Skalierung ein: Nicht ein Modell für alle Projekte, sondern eines je Typfamilie. Werften mit diversem Portfolio müssen entweder mehrere Surrogate aufbauen oder einen breiteren Parametrisierungsansatz wählen — was mehr Trainingsdaten erfordert.

Richtwerte — stark abhängig von Schiffstyp, operativem Profil und vorhandenem CFD-Know-how der Werft.

Was das System konkret macht

Der technische Ansatz folgt einer dreistufigen Pipeline:

Stufe 1 — Parametrische Rumpfmodellierung. Mit einem Werkzeug wie CAESES wird die Rumpfgeometrie nicht als starre 3D-Form, sondern als Funktion von Entwurfsparametern beschrieben: Bulblänge, Bugwinkel, Eintrittshalbwinkel, Mittschiffkoeffizient, Heckform. Typisch sind 5–15 Parameter für eine Bugoptimierung. Jede Parameterkombination entspricht einer anderen Rumpfform.

Stufe 2 — CFD-Trainingskampagne. Für 100–300 Parameterkombinationen (Design of Experiments, z.B. Latin Hypercube Sampling) wird je eine vollständige RANS-Simulation mit dem CFD-Solver (Simcenter STAR-CCM+ oder OpenFOAM) gerechnet. Jede Simulation liefert: Gesamtwiderstand (N), Aufteilung in Reibungs- und Druckwiderstand, Wellenbildmuster. Das ist die eigentliche Investition — in Rechenzeit und CFD-Expertise.

Stufe 3 — Surrogatmodell und Optimierung. Ein Machine Learning-Modell (häufig: Gaussian Process Regression, alternativ: neuronales Netz mit Regularisierung) wird auf dem Datensatz trainiert. Das Surrogate lernt die Abbildung von Entwurfsparametern auf Widerstandswerte — und kann neue, nie simulierte Parameterkombinationen in Millisekunden vorhersagen. Eine Bayes’sche Optimierungsschleife nutzt das Surrogate, um systematisch den Parameterraum abzusuchen, und wählt gezielt neue Designs für Nachvalidierung mit echten CFD-Simulationen aus.

Das Ergebnis: Statt 10 Varianten werden 5.000 Entwurfspunkte ausgewertet. Der vielversprechendste Kandidat wird am Ende mit einer Vollsimulation bestätigt. Die Gesamtrechenzeit für die Optimierung sinkt um einen Faktor 10–100.

Froude-Zahl und der parametrische Entwurfsraum

Ein Detail, das für die Praxis entscheidend ist und in Verkaufsgesprächen oft ausgeblendet wird: Das Surrogatmodell ist nur so gut wie der Parameterraum, für den es trainiert wurde. Das betrifft sowohl die Geometrievariation als auch den Betriebspunkt.

Die Froude-Zahl (Fn = v / √(g·L)) ist das wichtigste dimensionslose Kennzeichen für das Widerstandsverhalten eines Verdrängungsschiffs. Für typische Handelsschiffe gilt:

• Langsame Massengutfrachter (Bulk Carrier, VLCC): Fn ≈ 0,14–0,18
• Feeder-Containerschiffe und RoRo: Fn ≈ 0,20–0,26
• Küstenmotorschiffe und Fähren: Fn ≈ 0,25–0,32

Ein Surrogate, das für Fn = 0,18 trainiert wurde, liefert für Fn = 0,28 möglicherweise völlig falsche Vorhersagen — nicht weil das Modell schlecht ist, sondern weil es auf Physik außerhalb seines Trainingsbereichs trifft. Widerstandsphysik ändert sich qualitativ: Unterhalb von Fn ≈ 0,20 dominiert der Reibungswiderstand, bei Fn > 0,25 gewinnt die Wellenbildung stark an Bedeutung, bei Fn > 0,40 kommt Wellenschlepp hinzu.

Praktische Konsequenz: Das Surrogate muss für den operativen Betriebspunkt des Schiffs trainiert sein. Wer ein Surrogate für einen Panamax-Bulk-Carrier (Fn ≈ 0,17) trainiert, kann es nicht für eine Ro-Pax-Fähre (Fn ≈ 0,27) verwenden — auch wenn der Rumpf geometrisch ähnlich aussieht.

Zusätzlich zur Froude-Zahl begrenzt der parametrische Entwurfsraum die Gültigkeit: Ein Surrogate, das Bulblängen von 2–6 m trainiert hat, gibt für 8 m eine extrapolierte Vorhersage außerhalb der Trainingsdaten ab — mit zunehmend unsicherer Genauigkeit. Das ist der häufigste Fehlerfall in der Praxis (mehr dazu unter „Typische Einstiegsfehler”).

Das Surrogate ist ein Interpolationsmodell, kein Physikmodell. Es interpoliert zuverlässig, extrapoliert unzuverlässig.

Die CFD-Datenbank: Was wirklich nötig ist

Das Surrogatmodell ist das sichtbare Produkt. Die unsichtbare Grundlage, die monatelange Investition, ist die CFD-Datenbank.

Wie viele Simulationen braucht ein belastbares Surrogate? Die Forschungsliteratur empfiehlt für Gaussian-Process-Modelle mit 5–10 Entwurfsparametern mindestens 50–100 Trainingsläufe; für neuronale Netze mit 10–20 Parametern eher 200–500. Studien der SVA Potsdam (ShipNET-Projekt, 2024) und der Universität Southampton zeigen, dass Surrogate mit weniger als 30 Läufen für Widerstandsvorhersagen keine belastbare Genauigkeit erreichen — die Varianz zwischen Surrogate und Vollsimulation liegt dann regelmäßig über 5 %, was die gewünschten 3–5 % Verbesserung unsicher macht.

Was kostet diese Datenbank? Externe CFD-Dienstleister berechnen für eine vollständige Schiffskörper-RANS-Simulation (ca. 5 Mio. Netzpunkte, freie Oberfläche, stationärer Zustand) typisch 2.000–8.000 €. 100 Simulationen: 200.000–800.000 €. Das ist unrealistisch für eine einzelne Ausschreibung.

Realistischere Szenarien:

• Eigener HPC-Cluster: 100 RANS-Läufe für rund 5.000–15.000 € Betriebskosten (Strom, Amortisation) — wenn die Infrastruktur bereits existiert. Aufbau eines HPC-Clusters: 100.000–500.000 € einmalig.
• Cloud HPC (AWS, Azure): 10–35 USD pro CPU-Kernstunde. 100 Simulationen à 500 CPU-Stunden = 500.000 CPU-Stunden = 5.000–17.500 USD. Wirtschaftlich für Einmalkampagnen ohne eigene Hardware.
• Forschungspartnerschaft: SVA Potsdam, HSVA Hamburg oder FORCE Technology als Kooperationspartner — Förderprojekte decken oft 50–75 % der Rechenkosten ab.

Wer liefert die CFD-Expertise? Die Simulationen laufen nicht von selbst. Jemand muss Netzgenerierung, Grenzbedingungen, Turbulenzmodell und Konvergenzprüfung verantworten. Das erfordert CFD-Fachwissen auf Ingenieursebene — nicht die IT-Abteilung. Werften ohne eigene CFD-Abteilung brauchen entweder einen Kooperationspartner oder eine externe Dienstleistungskampagne.

Konkrete Werkzeuge — was wann passt

CAESES (Friendship Systems) — Der Branchenstandard für parametrische Rumpfmodellierung und CFD-Optimierungsworkflows im Schiffbau. Freie Studentenlizenz, kommerzielle Edition ab ca. 2.000 €/Jahr. Koppelt direkt mit OpenFOAM, STAR-CCM+, Fluent und SHIPFLOW. Das wichtigste Werkzeug für den Aufbau des parametrischen Entwurfsraums — ohne solides CAESES-Modell kein belastbares Surrogate. Wenn deine Werft noch kein parametrisches Modell hat, beginnt hier der Weg.

Simcenter STAR-CCM+ (Siemens) — Der Referenz-CFD-Solver für vollständige Schiffskörpersimulationen im Enterprise-Bereich. Robustes Mehrphasenmodell (freie Oberfläche), Java-Makro-Automatisierung für Kampagnen, direkte Integration mit der KI-Plattform NeuralShipper von Compute Maritime (Partnerschaft seit 2025). Jahreslizenzen im fünfstelligen Bereich — für Großwerften mit eigenem CFD-Team die erste Wahl, für mittelgroße Werften nur über Power-on-Demand wirtschaftlich.

OpenFOAM — Kostenloser Open-Source-CFD-Solver, der in Forschungs- und Hochschulprojekten die meistgenutzte Alternative zu STAR-CCM+ ist. Für Werften ohne eigene CFD-Lizenzierung der einzig wirtschaftliche Weg, eine eigene Trainingsdatenbank aufzubauen. Erfordert Linux-Kenntnisse und CFD-Expertise — kein grafisches Interface.

NAPA Design — Für Werften, die NAPA als Masterwerkzeug für Rumpfmodellierung und Stabilitätsberechnung verwenden: NAPA-Hullform-Exportate lassen sich direkt in CAESES einlesen und parametrisieren. Der Optimierungskandidat kann zurück nach NAPA für Klassifikations-Compliance-Prüfung exportiert werden.

Zusammenfassung:

• Parametrischer Entwurfsraum → CAESES
• CFD-Training mit Hochleistungs-Solver (Budget vorhanden) → STAR-CCM+
• CFD-Training ohne Lizenzkosten (HPC vorhanden) → OpenFOAM
• Integration in bestehenden NAPA-Workflow → NAPA Design

Für das Surrogatmodell selbst setzen Forschungsgruppen auf Python-Bibliotheken (scikit-learn für Gaussian Processes, PyTorch für neuronale Netze) oder auf akademische Tools wie OpenMDAO aus dem NASA-Ökosystem. Diese sind nicht als eigenständige Produkte kaufbar, sondern Teil des Engineering-Workflows.

Datenschutz und Datenhaltung

Die Rumpfgeometrie eines Neubau-Entwurfs ist das sensibelste IP einer Werft. Vor dem Einsatz jedes Cloud-basierten CFD-Tools oder KI-Plattform gilt:

Was ist schützenswert? CAD-Daten des Rumpfmodells, Simulationsergebnisse und der trainierte Surrogate selbst — all das enthält proprietäres Entwurfs-Know-how. Eine Weitergabe an Cloud-Anbieter oder externe Dienstleister ohne vertragliche Absicherung ist mit dem Geheimhaltungsinteressen der Reederei und der Werft nicht vereinbar.

DSGVO-Aspekte (DSGVO): Rumpfgeometriedaten sind keine personenbezogenen Daten im Sinne der DSGVO. Relevanter sind Vertragsrecht, Geheimhaltungsvereinbarungen (NDA) und IP-Klauseln — das ist Werkvertragsrecht, kein Datenschutzrecht.

Empfehlungen je Szenario:

• STAR-CCM+ lokal oder on-premise: Kein Datentransfer nach außen — technisch und vertraglich sauber.
• OpenFOAM auf eigenem HPC: Vollständige Kontrolle, kein Drittanbieter.
• Cloud HPC (AWS, Azure, Google): Daten auf Infrastruktur eines US-Konzerns — NDA und vertragliche Zusicherungen der Datenisolation vor Start der Kampagne klären. Für besonders sensitiven IP empfiehlt sich eine On-Premises-Lösung oder eine deutsche/EU-Hosting-Option (z.B. Hetzner Cloud, IONOS).
• Forschungspartnerschaft (SVA, HSVA): Kooperationsvereinbarungen regeln IP explizit — in der Praxis der sicherste Weg für IP-sensitive Projekte.

Der EU AI Act berührt CFD-Surrogate in der aktuellen Fassung nicht direkt, da diese nicht als Hochrisiko-KI im Sinne von Anhang III eingestuft werden. Ändert sich das regulatorische Umfeld, ist Klassifikations-Compliance-Dokumentation (welche KI-Methoden im Entwurfsprozess eingesetzt wurden) vorsorglich aufzubauen.

Was es kostet — realistisch gerechnet

Einmalige Investition: Aufbau der CFD-Datenbank

• Parametrische Modellierung in CAESES: 2–6 Wochen Ingenieurzeit (intern oder extern). Extern: 15.000–45.000 €.
• CFD-Trainingskampagne (100–200 RANS-Runs):
  • Mit eigenem HPC: 5.000–20.000 € Betriebskosten
  • Cloud HPC: 10.000–50.000 €
  • Externer CFD-Dienstleister: 200.000–800.000 € (selten sinnvoll für diesen Zweck allein)
• Surrogatmodell-Training und Validierung: 4–8 Wochen Ingenieurzeit. Extern: 20.000–60.000 €.

Realistische Gesamtinvestition für ein erstes belastbares Surrogate: Bei Eigenkapazität (HPC + CFD-Know-how vorhanden): 40.000–120.000 €. Ohne eigene Infrastruktur: 150.000–400.000 € als Forschungs- oder Entwicklungsprojekt.

CAESES-Lizenz: Ab ca. 2.000 €/Jahr (Einstiegsedition). STAR-CCM+ auf Anfrage, typisch 15.000–40.000 €/Jahr für kommerzielle Lizenzen; Power-on-Demand nach Verbrauch.

Laufende Kosten:

• Revalidierung des Surrogates bei neuen Schiffstypen: 20.000–60.000 € je Neubau-Typfamilie
• HPC-Betrieb (Cloud oder eigen): variabel

Was du gegenrechnen kannst: Ein VLCC mit 3 % weniger Widerstand verbraucht laut frontmatter-Angaben 240.000–360.000 USD weniger Bunker pro Jahr. Ein 14.000-TEU-Containerschiff mit 4–5 % Widerstandsverbesserung spart laut CAESES-Referenzrechnung über eine Million USD jährlich. Das ist der Nutzen auf Reederseite — der sich in höheren Neubaupreisen und Ausschreibungsvorteilen auf Werftseite niederschlägt.

Konservatives Szenario: Drei Ausschreibungen in zwei Jahren, die mit einem Surrogate gewonnen oder mit höherem Deckungsbeitrag abgeschlossen werden. Zusatzertrag von 200.000–800.000 € gegenüber dem konventionellen Entwurfsansatz. Bei diesem Szenario amortisiert sich die Investition. Ohne mindestens drei Anwendungsfälle auf denselben Surrogate ist die Rechnung eng.

Wie du den ROI tatsächlich misst: Vergleiche die CFD-belegten Effizienzwerte deiner Ausschreibungsdesigns vor und nach Surrogate-Einsatz. Führe Buch, welche Aufträge gewonnen wurden und ob die Effizienzargumente entscheidend waren. Ohne diese Dokumentation bleibt der Nutzen eine Schätzung.

Typische Einstiegsfehler

1. Das Surrogate außerhalb seiner Trainingsdomäne einsetzen. Das ist der gefährlichste Fehler — weil er leise passiert. Ein Gaussian-Process-Surrogate gibt für jeden beliebigen Eingabepunkt einen Widerstandswert zurück — auch wenn die Eingabe komplett außerhalb des Trainingsbereichs liegt. Die Unsicherheitsschätzung des Modells steigt theoretisch, aber wenn der Optimierungsalgorithmus das nicht korrekt abfragt, entsteht eine scheinbar plausible Vorhersage für eine Rumpfform, die das Modell nie gesehen hat. Im besten Fall merkt die nachfolgende Validierungs-CFD-Simulation den Fehler. Im schlechtesten Fall geht ein Design in die Ausschreibung, das sich im Schleppversuch als schlechter als der Basisentwurf erweist.

Lösung: Gültigkeitsbereiche der Trainingsparameter explizit dokumentieren und technisch durchsetzen. Jeder Parameterpunkt, der den Bereich verlässt, muss mit einer echten CFD-Simulation validiert werden — nicht mit dem Surrogate.

2. Die Trainingsdaten-Kampagne als Einmalprojekt behandeln. Viele Werften bauen ein erstes Surrogate mit Begeisterung auf — und revalidieren es nie. Neue Vorentwurfsanforderungen (andere Geschwindigkeit, Ladefall, Betriebsprofil) machen das Surrogate veraltet. Ein Modell, das für 18 Knoten Reisegeschwindigkeit trainiert wurde, ist für 16 Knoten Slow-Steaming-Betrieb unter CII-Regeln unzuverlässig.

Lösung: Surrogate sind ein Betrieb, kein Einmalinvestment. Nach jeder Reisegeschwindigkeits- oder Betriebsprofil-Änderung braucht das Modell eine Erweiterungskampagne.

3. Das operative Fahrtprofil ignorieren. Widerstandsoptimierung an einem einzigen Betriebspunkt (Designgeschwindigkeit, Vollast) ergibt eine Rumpfform, die bei Designbedingungen optimal ist — und unter allen anderen Bedingungen suboptimal. Ein Schiff fährt in der Praxis bei 60–80 % Last, bei wechselnden Tiefgängen und variierten Geschwindigkeiten. FORCE Technology und andere empfehlen explizit eine Optimierung über das reale Fahrtprofil (gewichtete Summe aus mehreren Betriebspunkten).

4. Die interne CFD-Kompetenz nicht entwickeln. Das Surrogate ist die sichtbare Ausgabe. Die unsichtbare Grundlage ist CFD-Know-how: Jemand muss Netzqualität prüfen, Konvergenz bewerten und Validierungsfälle durchführen — damit die Trainingsdaten belastbar sind. Werften, die die gesamte CFD-Kampagne outsourcen und das Surrogate als Black Box übernehmen, können bei Regressionen nicht beurteilen, ob der Fehler im Surrogate oder in den Trainingsdaten liegt.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Pipeline ist die einfachere Hälfte. Die schwierigere ist die organisatorische Eingliederung in den Werft-Entwurfsprozess.

Der erfahrene Hydrodynamiker als Gatekeeper. In vielen Werften liegt die Autorität über Rumpfform-Entscheidungen bei einer einzelnen Person mit 20+ Jahren Erfahrung. Diese Person hat begründetes Misstrauen gegenüber Methoden, die sie nicht vollständig durchleuchten kann. Ein Surrogate, das seine Vorhersagen ohne explizite Physikbegründung liefert, wird von ihr abgelehnt — auch wenn die Zahlen stimmen. Lösung: Uncertainty-Quantification-Outputs des Surrogate (Konfidenzintervalle) sichtbar machen und den Validierungsworkflow gemeinsam mit dem Hydrodynamiker definieren. Wer hat das letzte Wort bei der Auswahl des Validierungskandidaten? Kläre das vor dem ersten Optimierungslauf.

Die CFD-Abteilung als Datenlieferant, nicht als Nutzer. Der häufigste Fehler bei der Einführungsplanung: Das CFD-Team wird als Betreiber des Trainingsworkflows eingeplant, aber in der späteren Optimierungsschleife kaum eingebunden. Das erzeugt das Gefühl, dass KI ihre Arbeit übernimmt. Besser: das CFD-Team bleibt Methodenverantwortlicher — es entscheidet, welche Validierungs-Runs nötig sind, bevor ein Surrogate-Kandidat in die Ausschreibung geht.

Was nicht passiert: Das Surrogate ersetzt nicht die Schleppversuchsvalidierung. Reedereien und Klassifikationsgesellschaften akzeptieren CFD-Belege zunehmend, aber für finale Abnahme-Garantien (Speed Trial, Fuel Consumption Guarantee) sind Modellschleppversuche oder Sea Trial-Daten weiterhin Standard.

Realistischer Zeitplan mit Risikohinweisen

Gesamtdauer bis erstem produktivem Einsatz: 12–24 Monate. Das ist die ehrliche Zahl, die in Förderprojekt-Anträgen regelmäßig zu kurz angesetzt wird.

Häufige Einwände — und was dahintersteckt

„Wir haben weder HPC noch CFD-Experten.” Das ist der häufigste und berechtigtste Einwand. Er schließt den Aufbau eines eigenen Surrogate tatsächlich aus — aber nicht die Nutzung von Forschungspartnerschaften oder externen Dienstleistern. SVA Potsdam, HSVA Hamburg und FORCE Technology bieten genau diesen Service an: Trainingskampagne extern, Surrogate-Übergabe an die Werft. Der Nachteil: Weniger Kontrolle, höhere Kosten, IP-Fragen müssen vorab geklärt werden.

„CFD ist nicht neu, das machen wir schon.” Richtig — und deshalb ist das Argument oft, dass kein Mehrwert besteht. Der Unterschied liegt in der Quantität: Mit 10 CFD-Runs findet man lokale Verbesserungen. Mit einem Surrogate und 5.000 evaluierten Punkten findet man globale Optima, die mit 10 Runs nie erreichbar wären. Das ist kein gradueller Unterschied, sondern ein qualitativer.

„Was, wenn das Surrogate falsch liegt?” Das ist die richtige Frage — und die Antwort ist: Das Surrogate wird nie ohne abschließende CFD-Validierung in eine Ausschreibung überführt. Es ist ein Suchmodell, kein Garantiemodell. Die Methodik sieht explizit vor, dass der Top-Kandidat aus der Surrogate-Optimierung mit mindestens einer Vollsimulation bestätigt wird, bevor er kommuniziert wird. Wer das überspringt, macht den entscheidenden Fehler — nicht das Surrogate.

„Das ist zu teuer für unsere Werft.” Für eine Kleinstwerft mit drei Projekten pro Jahr und stark variierenden Rumpftypen: Ja. Für eine Werft, die zwei bis drei Schiffe desselben Typs pro Jahr oder alle fünf Jahre eine neue Typfamilie entwickelt: Nein. Die Kalkulation hängt an der Wiederverwendbarkeit des Surrogate — mehr Projekte auf denselben Surrogate machen die Investition zunehmend attraktiver.

Woran du merkst, dass das zu dir passt

Signale, dass dieser Ansatz Sinn ergibt:

• Deine Werft baut regelmäßig Schiffe desselben Typs (Container, Tanker, RoRo, Bulk) — mindestens 3–5 Projekte, für die dasselbe Surrogate wiederverwendet werden kann
• Du hast eine CFD-Abteilung oder eine etablierte Zusammenarbeit mit einem Schiffbauforschungsinstitut (SVA, HSVA, TU Hamburg, FORCE Technology)
• Reedereien fordern von dir zunehmend quantifizierte Effizienzbelege für Ausschreibungen — und der bisherige Ansatz (wenige CFD-Iterationen) reicht nicht mehr
• Du verlierst Ausschreibungen an Wettbewerber, die bessere oder mehr CFD-Validierungen liefern
• Das operative Fahrtprofil deiner Kunden ist bekannt und stabil genug, um eine gezielte Optimierung zu rechtfertigen

Wann du es besser lassen solltest — drei harte Ausschlusskriterien:

1. Du baust weniger als 3 Schiffe desselben Typs in einem Planungshorizont von fünf Jahren. Bei jedem neuen Schiffstyp muss das Surrogate neu trainiert werden. Wenn du nicht mindestens drei Projekte aus einer Typfamilie abwickelst, amortisiert sich die Trainingsinvestition (Monate, hohe fünfstellige bis sechsstellige Kosten) nie. Für One-off-Spezialschiffe (Eisbrecher, Forschungsschiffe, hochindividualisierte OSVs) bleibt der direkte CFD-Ansatz mit einer gezielten Optimierungsroutine die bessere Wahl.

2. Keine CFD-Kompetenz im Haus und kein belastbarer Forschungspartner. Das Surrogate ist nur so gut wie die Trainingsdaten. Wer die Qualitätskontrolle der CFD-Kampagne nicht selbst verantworten kann, nimmt eine Black Box — und hat keine Möglichkeit, Fehler zu erkennen, bevor sie in der Ausschreibung auftauchen. Ein externer Dienstleister für die Kampagne allein genügt nicht; du brauchst jemanden intern, der die Netzqualität bewertet und Validierungsläufe beurteilt.

3. Kein HPC-Zugang oder kein Budget für Cloud-HPC. Ohne Rechenkapazität für die Trainingskampagne (mindestens 10.000–50.000 CPU-Stunden) ist kein belastbares Surrogate aufzubauen. Wer diese Infrastruktur weder besitzt noch mieten kann (und keine Forschungsförderung erschließt), sollte zunächst in konventionelle CFD-Kapazität investieren — ein Surrogate ohne solide Trainingsdaten ist schlechter als keine KI.

Das kannst du heute noch tun

Starte nicht mit der Surrogate-Infrastruktur — die braucht Monate. Starte mit der Frage, ob du überhaupt die Voraussetzungen erfüllst.

Lade dir den öffentlich zugänglichen Benchmark-Datensatz KCS (KRISO Container Ship) herunter — ein standardisierter Validierungsfall mit experimentellen Schleppversuchsdaten, den die SIMMAN-Community seit Jahren pflegt. Prüfe, ob dein CFD-Setup (OpenFOAM oder STAR-CCM+) die Widerstandswerte innerhalb von 5 % reproduzieren kann. Wenn das nicht klappt, fehlt die Grundlage für eine belastbare Trainingskampagne.

Für ein erstes Gespräch mit dem Geschäftsführer oder dem Auftraggeber hilft dieser strukturierte Prompt, die Frage sauber aufzustellen:

Quellen & Methodik

• FORCE Technology / Karstensens Skibsværft: „Hull form optimisation leads to energy efficiency” — veröffentlichter Fallbericht, Resistance reduction bis zu 7 % durch parametrische RANS-CFD-Optimierung. forcetechnology.com/en/cases/hull-optimisation
• CAESES-Referenzrechnung (14.000 TEU Container Vessel): CAESES-Website, Applikationsbeschreibung Marine, 4–5 % Effizienzgewinn → >1 Mio. USD/Jahr. caeses.com/industries/marine/
• Siemens + Compute Maritime NeuralShipper (2025): Siemens News, Zusammenarbeit zwischen NeuralShipper (trainiert auf 100.000+ Schiffsdesigns) und Simcenter STAR-CCM+. news.siemens.com/de-de/siemens-compute-maritime/
• SVA Potsdam ShipNET-Projekt (2024–2028): KI-getriebener, modularer Workflow für mehrdimensionalen Schiffsentwurf. sva-potsdam.de/en/shipnet-ai-ship-modelling-approach-for-multidimensional-designbr11-2024-04-2028-br/
• MDPI Applied Sciences (2025): „Hybrid Ship Design Optimization Framework Integrating a Dual-Mode CFD–Surrogate Mechanism” — KCS: 3,40 %, KVLCC1: 3,95 %, JBC: 2,74 % Widerstandsreduktion. mdpi.com/2076-3417/15/19/10318
• Froude-Zahl-Bereiche: Technische Seeliteratur, standard naval architecture reference values, bestätigt durch FORCE Technology Applikationsartikel.
• CFD-Dienstleistungspreise: Resolved Analytics (resolvedanalytics.com/ebook/cfd-costs), CFD-Online Foren (cfd-online.com), Cad Crowd (cadcrowd.com) — Stand Mai 2026, Orientierungswerte.
• CAESES-Pricing: Capterra, GetApp, caeses.com/products/caeses-free/ — Stand Mai 2026.
• IMO EEXI/CII-Regulierung: IMO MARPOL Annex VI, in Kraft seit Januar 2023. Quelle: imo.org

Willst du wissen, ob eine CFD-Surrogate-Initiative in deinem konkreten Entwurfsprojekt wirtschaftlich tragfähig ist — und welche Förderoptionen realistisch sind? Meld dich — das klären wir in einem kurzen Gespräch.