Masterarbeit - Physics-informed Machine Learning zur Simulation turbulenter Strömungen

Fraunhofer-Gesellschaft; Stuttgart; Vor Ort; EUR 60.000 - 80.000; Vollzeit

Zusammenfassung

Ein führendes Forschungsinstitut in Stuttgart sucht eine/n Masteranden/in für eine innovative Arbeit im Bereich Physics-informed Machine Learning. Die Aufgabe umfasst die Literaturrecherche, die Analyse der Einsatzmöglichkeiten von PIML in der Strömungsmechanik sowie die Dokumentation der Ergebnisse. Idealkandidat/Idealkandidatin hat ein Bachelorstudium in einem MINT-Fach abgeschlossen und bringt Kenntnisse in Python, Numpy und Maschinellem Lernen mit. Das Institut bietet ein engagiertes Team und die Möglichkeit zur Kombination der Arbeit mit einer Anstellung als studentische Hilfskraft.

Leistungen

Gestaltungsfreiheit

Freundliches Team

Kompetente Betreuung

Zugang zu aktueller Forschung

Qualifikationen

• Gültige Immatrikulation an einer deutschen Hochschule/Universität.
• Abgeschlossenes Bachelorstudium in einem MINT-Fach.
• Gute Erfahrungen in Python, Numpy oder Pytorch (optional).
• Erfahrungen im Bereich des Maschinellen Lernens oder Physics-informed Machine Learning (optional).
• Erste Erfahrungen mit Strömungsmechanik / Partiellen Differentialgleichungen wünschenswert.
• Selbstständige und systematische Arbeitsweise.

Aufgaben

• Literaturrecherche und Einarbeitung in das Thema.
• Identifikation vielversprechender Ansätze.
• Vergleich mehrerer PIML-Ansätze oder Weiterentwicklung eines Ansatzes.
• Dokumentation der Ergebnisse im Rahmen der Masterarbeit.

Kenntnisse

Python

Numpy

Pytorch

Maschinelles Lernen

Strömungsmechanik

Ausbildung

Bachelorstudium in MINT-Fach

Jobbeschreibung

Ausschreibung für die Fachrichtungen wie z. B.: Automatisierungstechnik, Elektrotechnik, Informatik, Kybernetik, Logistik, Luft- und Raumfahrttechnik, Maschinenbau, Mathematik, Mechatronik, Physik, Regelungstechnik, Softwareengineering, technische Informatik, Technologiemanagement, Wirtschaftsingenieurwesen oder vergleichbare.

Der Forschungsbereich "Künstliche Intelligenz und Maschinelles Sehen" erforscht schwerpunktmäßig die Bereiche Daten- und Prozessanalyse durch intelligente KI-Algorithmen sowie die Entwicklung von KI-Modellen zur Prozesssteuerung und -optimierung. Mit diesen Kompetenzen unterstützt der Bereich größere Unternehmen und KMUs regelmäßig bei der Umsetzung von Projekten. Hierbei liegt der Fokus des Forschungsteam "Effiziente Lern- und Optimierungsverfahren" insbesondere auf der Entwicklung Effizienter Lern- und Optimierungsverfahren mittels klassischer Optimierungsverfahren und KI.

Turbulente strömungsmechanische Simulationen sind mit konventionellen CFD-Verfahren sehr rechenintensiv. Beispielsweise müssen bei der Simulation von Strömungen in Turbulenzbereichen in der Regel feine Gitterauflösungen gewählt werden, was zu langen Simulationszeiten und hohem Ressourcenverbrauch führt. Ein innovativer Ansatz zur Reduzierung des Rechenaufwands bei gleichzeitig hoher physikalischer Genauigkeit bietet der Einsatz von Physics-informed Machine Learning (PIML). PIML-Methoden nutzen Daten und physikalische Modelle, um die physikalisch konsistente Lösung eines Problems zu approximieren und dabei Vorwissen aus partiellen Differentialgleichungen explizit einzubinden.

In der Abschlussarbeit soll daher überprüft werden, inwiefern PIML geeignet ist, klassische CFD-Verfahren zumindest teilweise zu ersetzen oder zu ergänzen. Hierzu werden die Grenzen von PIML anhand des Benchmarking-Szenarios einer turbulenten 2D-Zylinderströmung untersucht.

Was Sie bei uns tun

Diese Stelle bietet die spannende Gelegenheit, sich in den Themenbereich Physics-informed Machine Learning einzuarbeiten. Als akademisches Benchmarking-Szenario dient dabei ein Beispiel aus der Fluiddynamik, die turbulente 2D-Zylinderströmung. Ziel ist es, Möglichkeiten und Grenzen von PIML-Ansätzen in der Fluiddynamik anhand dieses Benchmarking-Szenarios zu untersuchen. Eine grundlegende Übersicht über mögliche Ansätze ist dabei bereits im Forschungsteam vorhanden. Abhängig von eigenen Vorerfahrungen und Wünschen kann der Fokus der Masterarbeit beispielsweise auf dem Vergleich mehrerer Methoden oder aber auf der Weiterentwicklung eines vielversprechenden Ansatzes liegen.

Hier nochmal das Wichtigste in Stichpunkten:

• Literaturrecherche bzw. Einarbeitung in das Thema PIML für Strömungssimulationen
• Identifikation vielversprechender Ansätze aufbauend auf Vorarbeiten im Team
• Abhängig von Vorerfahrung und Interesse: Vergleich mehrerer PIML-Ansätze oder Weiterentwicklung und Verfeinerung eines ausgewählten, vielversprechenden Ansatzes
• Dokumentation der Ergebnisse und wissenschaftliche Aufbereitung im Rahmen der Masterarbeit

Was Sie mitbringen

• Gültige Immatrikulation an einer deutschen Hochschule/Universität
• Abgeschlossenes Bachelorstudium in einem MINT-Fach
• Gute Erfahrungen in Python, Numpy oder Pytorch (optional)
• Erfahrungen im Bereich des Maschinellen Lernens oder Physics-informed Machine Learning (optional)
• Erste Erfahrungen mit Strömungsmechanik / Partiellen Differentialgleichungen und deren numerischer Behandlung wünschenswert
• Selbstständige und systematische Arbeitsweise

Was Sie erwarten können

• Ein hohes Maß an Gestaltungsfreiheit
• Ein freundliches und engagiertes Team mit angenehmer Arbeitsatmosphäre
• Kompetente und regelmäßige Betreuung
• Zugang zu aktueller Forschung und industrierelevanten Fragestellungen an der Schnittstelle von KI, Simulation und Optimierung
• Möglichkeit zur Kombination der Masterarbeit mit einer Anstellung als studentischen Hilfskraft

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Haben wir Ihr Interesse geweckt? Dann bewerben Sie sich jetzt online mit Ihren aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Sie kennenzulernen!

Frau Jennifer Leppich
Recruiting
[e-mail]

Tel. [phone]

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

www.ipa.fraunhofer.de

Kennziffer: 82648