Akademischer Mitarbeiter; w​/m​/d) Forschungsschwerpunkt: KI im Kontext einer holistischen Turbinenauslegung

Akademischer Mitarbeiter (w/m/d) Forschungsschwerpunkt: KI im Kontext einer holistischen Turbinenauslegung

Modern // regional // wirtschaftsnah:
Die Technische Hochschule Brandenburg (THB) ist eine junge und dynamische Hochschule mit ca. 3.200 Studierenden in 26 Studiengängen in den Fachbereichen Informatik und Medien, Technik sowie Wirtschaft in der Stadt Brandenburg an der Havel direkt vor den Toren von Potsdam und Berlin. Als familienfreundliche Hochschule auf einem grünen Campus bieten wir attraktive Arbeitsbedingungen.

Im Fachbereich Technik ist im Rahmen des Forschungsprojekts DaHKIZ (Datenbasierte Holistische KI-gestützte Zivile Triebwerksentwicklung) zum nächstmöglichen Zeitpunkt zunächst befristet bis 30.04.2029 folgende Stelle mit der Möglichkeit zur Promotion (in Kooperation mit Rolls-Royce Deutschland) zu besetzen:

Entgeltgruppe: 13 TV-L

40 h/Woche

Kennziffer: HAP2

Ihr Hauptarbeitsschwerpunkt liegt in der industriellen Forschung zum Thema KI im Kontext einer holisticischen Turbinenauslegung. Sie erforschen originäre Methoden des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) für die multidisziplinäre, robustheitsbasierte Optimierung (MDO) von hochdruckturbinen-Komponenten. Da bisherige Ansätze aufgrund der geometrischen Komplexität der Turbinen­schaufeln (Gaspfad und innere Kühlluftkanäle) noch nicht robust genug für den industriellen Einsatz sind, sollen datengetriebene Verfahren einen Paradigmenwechsel im holistischen Turbinenentwurf ermöglichen.

Weiterhin wenden Sie diese Methoden auf industriell relevante Problemstellungen an.

• Erforschung von ML- & KI-Strategien für die MDO einer Turbinenschaufel:
  Down-Select und Bewertung originärer Methoden (z.
  
  B. Kolmogorow-Arnold-Netzwerke, Bootstrapping-Ensembles, erklärbare KI, reduced order modeling ROM) bei spärlichen Datensätzen.
• Erforschung von ML- & KI-Strategien zur Dimensionsreduktion heterogener Entwurfsräume:
  Untersuchung von Verfahren (z.
  
  B. Kernel-SVD, Autoencoder) für hochdimensionale, gemischt-kontinuierlich-diskrete Entwurfsparameterräume inkl. Topologievariationen.
• Erforschung von ML- & KI-Strategien zur Robustheits- und Zuverlässigkeitsanalyse:
  Direkte Überführung von Unsicherheiten in deterministische Entwurfsparameter und datengetriebene ROM-Ansätze für robustheitsbasierte Optimierungen.
• Anwendung & Validierung: Übertragung der erforschten Strategien auf industriell relevante Anwendungsfälle und Integration in automatisierte multidisziplinäre Simulationsprozesse (Geometrie, CFD, Temperatur, Spannung, Lebensdauer).
• Publikation:
  Sie verfassen wissenschaftliche Publikationen und präsentieren die Ergebnisse auf internationalen Konferenzen.

• erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master oder Universitätsdiplom) in einer relevanten Fachrichtung (Maschinenbau, Luft- und Raumfahrttechnik, Physik, Informatik o. ä.)
• fundierte Kenntnisse in den Grundlagen des Maschinellen Lernens sowie der Auslegung thermisch hoch belasteter Komponenten (Turbinen, Wärmeübertragung) oder der numerischen Strömungs-/Strukturmechanik (CFD/FEM)
• sicherer Umgang mit Python oder vergleichbar
• sehr gute Englischkenntnisse in Wort und Schrift (Niveau C1) zur Erstellung internationaler Publikationen

• praktische Erfahrung mit Deep-Learning-Frameworks (z.
  
  B. PyTorch, Tensor Flow) sowie Kenntnisse in modernen Architekturen wie Variational Autoencoder, Kolmogorow-Arnold-Netzwerken oder erklärbarer KI
• Kenntnisse in CAD-Systemen, präferiert Siemens NX
• Erfahrung in der multidisziplinären…