Informatiker/in, Mathematiker/in, Ingenieur/in Theoretischer Maschinenbau o. ä. (w/m/d) - Statistische Modelle mithilfe KI-Methoden des Maschinellen Lernens

Während in der Vergangenheit erhebliche Fortschritte bei der Erzeugung von Strom aus erneuerbaren Energien erzielt wurden und innovative Technologien für die Elektromobilität entwickelt wurden, verlagert sich der Schwerpunkt nun auf die Dekarbonisierung energieintensiver industrieller Prozesse, wie die Stahl- oder Aluminiumproduktion. Dazu gehört auch die Umwandlung von Kohlekraftwerken in kohlenstoffarme Energiewandlungssysteme, wie bspw. H2‑Speicherkraftwerken. Eine wirtschaftlich tragfähige Transformation industrieller Prozesse in kohlenstoffarme Technologien ist die Motivation für den Aufbau des DLR Instituts für CO2-arme Industrieprozesse an den beiden Standorten Cottbus und Zittau.

Ein besonderer Schwerpunkt des neuen Instituts liegt auf dem Technologietransfer und der Zusammenarbeit mit regionalen Industriepartnern und Forschungseinrichtungen, da dies für den Strukturwandel in der Region Lausitz von besonderer Bedeutung ist.

Sie sind in der Abteilung “Simulation und Virtuelles Design“ (SVD) am Standort Cottbus als wissenschaftliche/r Mitarbeiter/in mitverantwortlich für die Verarbeitung und Analyse großer Datenmengen (z. B. Messdaten großer Industrieanlagen). Mit den Methoden des Maschinellen Lernens erzeugen Sie statistische Modelle und untersuchen diese. Es gilt, den Industrieprozess und die Zusammenhänge innerhalb der Anlagen zu verstehen, zu steuern sowie Vorhersagen zu treffen. Sie untersuchen wissenschaftlich, wie die erarbeiteten Modelle und Algorithmen genutzt werden können, um Prozesssimulationen zu validieren und im Sinne eines möglichst realitätsnahen virtuellen Abbilds zu verbessern. Mit den daraus gewonnenen Erkenntnissen sind konkrete Vorschläge für den energetischen Umbau der Industrieprozesse zu erarbeiten.

Zu Ihren Aufgabenbereichen zählen:

• Analyse großer Datenmengen (Messwerte und Simulationsergebnisse unterschiedlicher Detail- und Modelltiefe) und Identifizierung von Zusammenhängen zwischen den Messgrößen
• Erzeugung statistischer Modelle aus umfangreichen Messdatensammlungen mit den Methoden des Maschinellen Lernens, die die Zusammenhänge und Abhängigkeiten der wichtigen Parameter innerhalb des betrachteten Industrieprozesses beschreiben und Vorhersagen erlauben
• Validierung der Modelle und Algorithmen sowie Implementierung in die Prozesssimulation (u. a. durch Flow-Chart-Software) für eine verbesserte Prozesssteuerung und zum Zweck der Optimierung der industriellen Anlagen