KI und Machine Learning für Ingenieuranwendungen

Materialprognosen, schnellere FEM-Berechnungen und automatisierte Routineschritte, entwickelt von Ingenieuren, die Finite-Elemente-Methoden und Machine Learning aus der Forschung kennen.

Künstliche Intelligenz im Bauwesen ist dann nützlich, wenn sie eine konkrete Ingenieurfrage schneller oder besser beantwortet als der bisherige Weg. Wir entwickeln Machine-Learning-Modelle für genau solche Fragen: Wie verhält sich ein Material unter Belastung, welches Ergebnis liefert eine aufwendige Simulation voraussichtlich, welche Variante lohnt sich überhaupt zu rechnen. Und wir sagen Ihnen ehrlich, wo KI nichts bringt.

Wo Machine Learning im Ingenieurwesen heute funktioniert

Materialmodelle und Materialprognosen

Das Verhalten von Dämmstoffen, Verbundwerkstoffen, Beton oder Holz unter Last, Temperatur und Zeit lässt sich aus Versuchsdaten lernen. Ein trainiertes Modell liefert Kennwerte für neue Rezepturen oder Randbedingungen, bevor ein Versuch gefahren wird. Das spart Prüfkosten und verkürzt die Produktentwicklung.

Surrogate-Modelle für FEM-Berechnungen

Nichtlineare Finite-Elemente-Simulationen dauern Stunden. Ein Surrogate-Modell, trainiert auf einer Reihe solcher Simulationen, liefert das Ergebnis in Millisekunden. Das macht Variantenstudien, Optimierungen und Echtzeit-Rückmeldung in Konfiguratoren möglich. Die Genauigkeit wird gegen die Originalsimulation nachgewiesen.

Automatisierte Bemessungsschritte

Vorauswahl von Querschnitten, Bewehrungsgraden oder Bauteildicken, damit der normgerechte Nachweis mit einem sinnvollen Startwert beginnt statt mit mehreren Iterationen. Der Nachweis selbst bleibt eine nachvollziehbare Berechnung nach SIA, Eurocode, ÖNORM oder DIN.

Auswertung technischer Dokumente

Extraktion von Kennwerten aus Prüfberichten, Datenblättern oder Altstatiken, Klassifikation von Bauteilen oder Schadensbildern, Vorsortierung von Projektunterlagen. Hier geht es weniger um neue Erkenntnis als um Zeit, die Ingenieure nicht mit Abtippen verbringen sollten.

Optimierung von Produktionsabläufen

Bei Bauteilproduzenten lassen sich Ausschuss, Durchlaufzeiten und Materialeinsatz aus Produktionsdaten vorhersagen und optimieren. Die Anbindung an die bestehende Produktionssoftware ist Teil unserer Arbeit, siehe Software für Ingenieurbüros und Produzenten.

Was wir bewusst nicht versprechen

KI ersetzt keine Normenprüfung, keine Tragwerksverantwortung und keine Erfahrung. Ein Modell ist nur so gut wie die Daten, mit denen es trainiert wurde, und es gilt nur im Bereich dieser Daten. Deshalb dokumentieren wir bei jedem Modell den Gültigkeitsbereich und bauen Prüfungen ein, die ausserhalb davon warnen. Wenn ein klassischer Algorithmus die Aufgabe genauso gut löst, empfehlen wir den klassischen Algorithmus.

Unser Hintergrund in FEM und Machine Learning

Michael Schwaighofer verbindet in seinem Doktorat Finite-Elemente-Methoden und anspruchsvolle Materialmodelle mit Machine Learning. Dennis Amstutz entwickelt seit über zehn Jahren Software für Ingenieure und bringt als Mitglied im Austrian Standards Komitee für Schnee- und Windlasten die Normenseite ein. Diese Kombination ist der Grund, warum unsere Modelle physikalisch sinnvoll bleiben und nicht nur statistisch gut aussehen.

Vorgehen bei einem KI-Projekt

  • Datenlage klären: Welche Versuchs-, Simulations- oder Produktionsdaten gibt es, in welcher Qualität, und reichen sie für die Fragestellung.
  • Baseline festlegen: Wie gut ist der heutige Weg, damit der Nutzen eines Modells messbar wird.
  • Modell entwickeln: Vom einfachen Regressionsmodell bis zum neuronalen Netz, je nach Aufgabe. Trainingsdaten werden bei Bedarf mit FEM-Simulationen erzeugt.
  • Validieren: Gegen zurückgehaltene Daten, Referenzrechnungen und Grenzfälle, mit dokumentiertem Gültigkeitsbereich.
  • Integrieren und betreiben: Als Modul in Ihrer Software, als Webdienst oder als Teil eines Konfigurators, auf Servern in Europa.

Häufige Fragen zu KI im Ingenieurwesen

Wie viele Daten brauchen wir für ein Machine-Learning-Modell?

Weniger, als oft angenommen wird, wenn die Daten gut sind. Bei physikalischen Fragestellungen lassen sich Trainingsdaten häufig mit FEM-Simulationen erzeugen. Wir klären in einem ersten Schritt, welche Daten vorhanden sind und ob sie für die Fragestellung ausreichen, bevor Aufwand entsteht.

Kann KI eine statische Berechnung ersetzen?

Nein. Ein Modell kann Ergebnisse vorhersagen, Varianten vorsortieren oder Routineschritte übernehmen. Der normgerechte Nachweis bleibt eine nachvollziehbare Berechnung, die der Ingenieur verantwortet. Wir setzen KI dort ein, wo sie Zeit spart, nicht dort, wo sie Verantwortung verschleiert.

Bleiben unsere Daten bei uns?

Ja. Modelle werden auf Ihrer Infrastruktur oder auf von uns betriebenen Servern in Europa trainiert und betrieben. Es werden keine Daten an externe KI-Dienste übermittelt, sofern Sie das nicht ausdrücklich wünschen.

Wie wird ein Modell validiert?

Gegen zurückgehaltene Messdaten, gegen FEM-Referenzrechnungen und gegen Handrechnungen an Grenzfällen. Wir dokumentieren den Gültigkeitsbereich des Modells, damit klar ist, wo es verwendet werden darf und wo nicht.

Welche Frage soll ein Modell für Sie beantworten?

Schildern Sie uns die Fragestellung und welche Daten es gibt. Sie erhalten eine ehrliche Einschätzung, ob Machine Learning hier sinnvoll ist oder ein klassischer Ansatz reicht.

Projekt anfragen Referenzen ansehen

Weitere Leistungen: Software für Ingenieurbüros · BIM-Schnittstellen & Automatisierung · Berechnungstools SIA & Eurocode