[{"data":1,"prerenderedAt":89},["ShallowReactive",2],{"$fi478jkg11hpp":3},{"slug":4,"publishedAt":5,"category":6,"title":7,"summary":8,"image":9,"imageAlt":14,"readingMinutes":15,"serviceId":16,"keywords":17,"imageCaption":23,"sections":24,"sources":82},"will-ai-replace-cfd","2026-10-12","guides","Wird KI die CFD ersetzen? Was Surrogatmodelle können","KI-Surrogate liefern ein Strömungsfeld in Sekunden, werden aber mit CFD trainiert und versagen leise außerhalb ihrer Daten. Was sie gut können und was Ingenieure lernen sollten.",{"src":10,"thumbnail":11,"width":12,"height":13},"\u002Fassets\u002Fcfd-cases\u002Fventilation\u002Fimages\u002F03.webp","\u002Fbrand\u002Fstudies\u002Fventilation.svg",1672,941,"DEEB-FLOW-Illustration einer Volumendarstellung der Geschwindigkeit in einem Lüftungsfall",5,"review",[18,19,20,21,22],"wird KI CFD ersetzen","KI in der CFD","CFD-Surrogatmodell","physikinformierte neuronale Netze","maschinelles Lernen CFD","Konzeptillustration aus der DEEB-FLOW-Fallbibliothek. Sie ist kein Ergebnis dieses Artikels.",[25,31,42,48,59,65,75],{"id":26,"title":27,"paragraphs":28},"the-question","Die Frage hinter den Schlagzeilen",[29,30],"Studierende und junge Ingenieure fragen inzwischen, ob es sich noch lohnt, CFD zu lernen, wenn KI das bald übernimmt. Die Frage ist berechtigt, und die Schlagzeilen legen sie nahe. Trainierte Modelle liefern ein Strömungsfeld in Sekunden, wo ein Solver Stunden braucht.","Hier steht, wo KI in der CFD aus meiner Sicht steht, geschrieben von jemandem, der Simulationen rechnet und kein KI-Produkt zu verkaufen hat. Kurz gesagt sind Surrogatmodelle für eine Art von Aufgabe bereits nützlich, sie werden mit CFD trainiert und sind nur so gut wie diese, und am stärksten gefährdet sind die Ingenieure, die nie gelernt haben, ein Ergebnis zu prüfen.",{"id":32,"title":33,"paragraphs":34},"what-a-surrogate-is","Was ein KI-Surrogat ist",[35,36,41],"Drei verschiedene Dinge werden in einen Topf geworfen.",{"list":37},[38,39,40],"**Datengetriebene Surrogate.** Sie rechnen viele CFD-Simulationen über einen Bereich von Entwürfen oder Betriebsbedingungen und trainieren dann ein neuronales Netz, das Eingaben auf Ausgaben abbildet. Danach sagt das Netz einen neuen Fall nahezu sofort vorher. Es hat gelernt, Ihre Simulationen zu interpolieren.","**Physikinformierte neuronale Netze.** Die Grundgleichungen sind in das Training eingebaut, sodass das Netz bestraft wird, wenn seine Ausgabe sie verletzt. Raissi und Koautoren haben sie 2019 in ihrer modernen Form eingeführt.","**Maschinelles Lernen im Solver.** Beispiele sind gelernte Turbulenzschließungen, gelernte Korrekturen für grobe Netze und gelernte Startlösungen, die die Konvergenz beschleunigen. Hier leistet weiterhin der konventionelle Solver die Arbeit, und das Modell unterstützt ihn.","Die Beschleunigungen aus den Schlagzeilen stammen aus der ersten Kategorie, und sie ist gemeint, wenn vom Ersetzen der CFD die Rede ist.",{"id":43,"title":44,"paragraphs":45},"where-it-works","Wo es heute funktioniert",[46,47],"Aerospace America berichtete 2026 über eine Podiumsrunde mit Sprechern von NVIDIA, Neural Concept und Leonardo Helicopters. Zu den Beispielen gehörten eine 540-fach schnellere Vorhersage von Bodenlärm und ein KI-Modell, das 24-stündige CFD-Rechnungen für den Aluminiumguss ersetzte. Das sind Zahlen der Sprecher, und die zugrunde liegenden Daten habe ich nicht gesehen.","Das Muster hinter solchen Ergebnissen ist einleuchtend. Ein Entwicklungsteam, das eine feste Familie von Formen bei Bedingungen innerhalb eines bekannten Bereichs untersucht, kann es sich leisten, einen Satz von Fällen einmal zu rechnen und das Surrogat danach beliebig oft abzufragen. Frühe Entwurfsphasen, Optimierungsschleifen und Echtzeitüberwachung passen alle zu dieser Beschreibung.",{"id":49,"title":50,"paragraphs":51},"where-it-fails","Wo es versagt",[52,53,54],"Es versagt außerhalb dessen, womit es trainiert wurde. Ein Surrogat kennt seinen Trainingsdatensatz und sonst nichts von der Physik. Fragen Sie es nach einer Geometrie, einem Strömungsregime oder einer Randbedingung, die in den Trainingsdaten nicht vorkam, und es liefert trotzdem ein glattes, plausibles Feld. Es hat keine Möglichkeit, Ihnen zu sagen, dass die Antwort falsch ist.","Ein konventioneller Solver versagt laut. Er divergiert, oder die Residuen stagnieren, oder die Massenbilanz schließt nicht. Ein neuronales Netz versagt leise, und leises Versagen ist im Ingenieurwesen die gefährliche Art.",{"list":55},[56,57,58],"**Es braucht CFD, um zu existieren.** Jeder Trainingsfall ist eine Simulation, die jemand rechnen und prüfen musste. Derselbe Bericht merkt an, dass firmeneigene Trainingsdatensätze manchmal nur 20 Simulationen umfassen. Ein Surrogat, das mit ungeprüfter CFD trainiert wurde, reproduziert deren Fehler mit hoher Geschwindigkeit.","**Physikalische Konsistenz ist nicht garantiert.** Ein datengetriebenes Modell kann ein Feld liefern, das die Masse nicht erhält. Physikinformierte Ansätze verringern dieses Risiko, ohne es zu beseitigen.","**Die Zertifizierung wird noch erarbeitet.** Bei allem Sicherheitsrelevanten wollen Behörden wissen, warum einem Ergebnis zu trauen ist. Demselben Bericht zufolge werden europäische Leitlinien zur Zertifizierung solcher Modelle für 2027 erwartet.",{"id":4,"title":60,"paragraphs":61},"Wird KI die CFD also ersetzen?",[62,63,64],"Aus meiner Sicht verschiebt KI die CFD an eine andere Stelle im Arbeitsablauf. Der Solver wird zur Referenz, die das schnelle Modell trainiert und prüft. Dadurch wird die Qualität der zugrunde liegenden Simulationen wichtiger, denn ihre Fehler werden nun tausendfach kopiert. Verifikation und Validierung, der unscheinbare Teil der Arbeit, wird zum wertvollen Teil.","Kleiner wird die Routinewiederholung, etwa die vierzigste Variante einer Geometrie, die eine Organisation seit zehn Jahren simuliert. Wenn ein Ingenieur nur das tut, erledigt ein Surrogat es schneller.","Bestehen bleibt das Urteilsvermögen rund um die Rechnung. Dazu gehört zu entscheiden, was modelliert wird, zu wissen, welche Physik zählt, zu bemerken, dass eine Antwort unplausibel ist, und zu wissen, wo die Trainingsdaten enden. Diese Fähigkeiten brauchen am längsten, und kein Surrogat besitzt sie.",{"id":66,"title":67,"paragraphs":68},"as-an-engineer","Was ich als Ingenieur tun würde",[69],{"list":70},[71,72,73,74],"**Die Grundlagen gründlich lernen.** Sie erlauben es, eine richtige Antwort von einer selbstsicheren zu unterscheiden, gleich mit welchem Werkzeug sie entstanden ist.","**Genug maschinelles Lernen lernen, um gute Fragen zu stellen.** Fragen Sie, wie der Trainingsbereich aussah, wie das Modell außerhalb davon getestet wurde und was es erhält.","**Jede Surrogatvorhersage als Hypothese behandeln,** bis sie an einigen Punkten gegen eine vollständige Simulation geprüft wurde, auch an den Rändern des Entwurfsraums.","**Die eigenen Simulationsdaten geordnet halten.** Saubere, dokumentierte und geprüfte Fälle sind heute ein Vermögenswert, wie sie es vor fünf Jahren noch nicht waren.",{"id":76,"title":77,"paragraphs":78},"as-a-manager","Was ich als Führungskraft tun würde",[79,80,81],"Stellen Sie jedem, der Simulation durch ein trainiertes Modell ersetzen will, eine einzige Frage. Was passiert, wenn wir es etwas fragen, das es nicht gesehen hat?","Besteht die Antwort aus einer klaren Beschreibung des Trainingsbereichs und einer Prüfung, die Anfragen außerhalb davon markiert, sprechen Sie mit jemandem, der es ernst meint. Besteht die Antwort aus einem Beschleunigungsfaktor, behalten Sie die Solverlizenz.","Dem Studenten, der fragt, ob er CFD lernen soll, antworte ich mit Ja. Gut einsetzen werden KI in diesem Feld diejenigen, die auch ohne sie gewusst hätten, dass die Antwort falsch war.",[83,86],{"href":84,"label":85},"https:\u002F\u002Faerospaceamerica.aiaa.org\u002Finstitute\u002Ffrom-simulation-to-surrogate-ai-transforms-aerospace-workflows\u002F","Aerospace America (AIAA, 2026): from simulation to surrogate, AI transforms aerospace workflows",{"href":87,"label":88},"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.jcp.2018.10.045","Raissi, Perdikaris and Karniadakis (2019), Journal of Computational Physics: physics-informed neural networks",1791759708399]