The development of more complex products has increased dependency on virtual/digital models and emphasized the role of simulations as a means of validation before production. This level of dependency on digital models and simulation togetherwith the customization level and continuous requirement change leads to a large number of iterations in each stage of the product development process. This research, studies such group of products that have multidisciplinary, highly iterative, and simulation-driven design processes. It is shown that these high-level technical products, which are commonly outsourced to suppliers, commonly suffer from a long development lead time. The literature points to several research tracks including design automation and data-driven design with possible support. After studying the advantages and disadvantages of each track, a data-driven approachis chosen and studied through two case studies leading to two supporting tools that are expected to improve the development lead time in associated design processes. Feature extraction in CAD as a way to facilitate metamodeling is proposed as the first solution. This support uses the concept of the medial axis to find highly correlated features that can be used in regression models. As for the second supporting tool, an automated CAD script is used to produce a library of images associated with design variants. Dynamic relaxation is used to label each variant with its finite element solution output. Finally, the library is used to train a convolutions neural network that maps screenshots of CAD as input to finite element field answers as output. Both supporting tools can be used to create real-time prediction models in the early conceptual phases of the product development process to explore design space faster and reduce lead time and cost.

Utvecklingen av mer komplexa produkter har ökat beroendet av virtuella/digitala modeller och ökat betydelsen av simuleringar för att validera en produkt inför produktion. Ett stort beroende av digitala modeller och simulering tillsammans med den individuella anpassningen och kontinuerliga kravförändringar leder till ett stort antal iterationer i varje steg i produktutvecklingsprocessen. Forskningen som presenteras i denna avhandling studerar denna typ av produkter som har multidisciplinära, mycket iterativa och simuleringsdrivna designprocesser. Det har visat sig att dessa tekniska produkter på hög nivå, som vanligtvis tillhandahålls av underleverantörer, vanligtvis har en lång ledtid för utveckling. Litteraturstudien pekar på flera forskningsspår, exempelvis designautomation och datadriven design, eventuellt med stöd. Efter att ha studerat fördelarna och nackdelarna med varje spår, väljs det datadrivna tillvägagångssättet och studeras genom två fallstudier som leder till att två stödjande verktyg tas fram. De förväntas förbättra utvecklingsledtiden i tillhörande designprocesser. Feature extraktion i CAD som ett sätt att underlätta metamodellering föreslås som det första verktyget. Detta stöd använder medial axis för att hitta korrelerade features som kan användas i regressionsmodeller. När det gäller det andra stödjande verktyget används ett automatiserat CAD-skript för att producera ett stort bibliotek med bilder som är associerade olika designvarianter. Dynamisk relaxation används för att märka varje variant med dess finita elementlösning. Slutligen används detta bibliotek för att träna ett konvolutionerande neuralt nätverk som kartlägger skärmdumpar av CAD som indata till finita elementfältsvar som utdata. Båda stödverktygen kan användas för att skapa modeller för förutsägelser i realtid i de tidiga konceptuella faserna av produktutvecklingsprocessen för att utforska designrymden snabbare och minska ledtid och kostnader.