Die KI-basierte Prozessoptimierung muss FEM-Simulationen einbinden können. Andernfalls müsste jede Möglichkeit in der Realität über Schmiedungen ausprobiert werden, um an Daten für das KI-System zu kommen. Die meisten KI-Optimierungsalgorithmen basieren auf einem geschickten Ausprobieren von Stellgrößen, was sehr viele Simulationsdurchläufe bedingt. Mit den herkömmlichen Methoden wäre eine KI-basierte Optimierung, aufgrund der Rechenzeit, daher nicht möglich. Hybride Modelle, die datengetriebene und FEM Simulationsmodelle vereinen, stellen eine Möglichkeit dar, diese Rechenzeit zu verkürzen.

In BrAIN werden wir hybride Simulationen für Schmiedeprozesse entwickeln. Unser Ansatz wird auf datengetriebenen Modellen basieren, die ständig aus Daten von FEM-Simulationen lernen. Historische Daten (z. B. Prozessdaten) können bei ausreichender Qualität zusätzlich für den Lernprozess des hybriden Modells verwendet werden. Der Schnelligkeits-/Genauigkeits-Trade-Off der hybriden Simulation wird somit kontinuierlich verbessert und dem selbstlernenden Optimierungssystem steht eine Simulation mit ausreichend Geschwindigkeit zur Verfügung.