Ingenieur/in für die Entwicklung von Machine-Learning Verfahren

Das Institut für Test und Simulation von Gasturbinen erforscht neue Triebwerkstechnologien durch die Kopplung numerischer und experimenteller Verfahren zur Validierung innovativer Lösungsansätze. Die technischen Herausforderungen sind dabei hohe Drehzahlen, hohe Temperaturen, hohe Druckverhältnisse und damit verbundene komplexe Lastkollektive der Triebwerkskomponenten in Verbindung mit erhöhten Lebensdaueranforderungen.

Die digitalen Modelle neuer Lösungen für Bauteile und Komponenten werden in triebwerksrelevanten Leistungs- und Maßstabsbereich experimentell validiert. In einzigartigen Prüfständen, welche erstmalig erlauben, mechanische, thermische und chemische Lasten (Abgas) für Turbinenkomponenten zu überlagern, wird getestet, ob neue Werkstoffe oder Herstellungsverfahren (z.B. additive Verfahren) den erhöhten Lebensdaueranforderungen gerecht werden. Damit sollen neue skalenauflösende, numerische Methoden experimentell validiert werden, mit denen die Lebensdauer und Zuverlässigkeit anspruchsvoller, hochbelasteter Bauteile und Werkstoffe (z.B. faserverstärkte Keramiken) berechnet und optimiert werden.

In der Arbeitsgruppe Computational Multiphysics werden numerische Verfahren entwickelt, um auf allen Skalenebenen die physikalischen Versagensphänomene in hochbelasteten Bauteilen, Werkstoffen und Beschichtungen bei hohen Temperaturen in korrosiver Umgebung genauer und effizienter berechnen zu können. Ein enger Abgleich zwischen den Versuchs- und Simulationsergebnissen ist von herausragender Bedeutung, weshalb Simulationsmethoden auch angewendet werden sollen, um das Verhalten der Prüflinge im Versuch abzubilden.

Die Gruppe befasst sich dabei mit verschiedenen modernsten Ansätzen, um die Realität der verschiedenen physikalischen Formulierungen der verschiedenen Ebenen in eine Simulationsumgebung zu überführen. Damit die Rechenzeit gegenüber der Rechengenauigkeit vertretbar bleibt, werden Machine-Learning-Algorithmen mit FEM-Simulationen kombiniert.

Im Rahmen der wissenschaftlichen Tätigkeit Entwicklung von Machine-Learning Verfahren werden abteilungsübergreifend Deep-Learning-Methoden zur Berechnung des nichtlinearen und komplex wechselwirkenden Materialverhaltens anspruchsvoller Werkstoffe auf der Basis von Finite-Elemente-Simulationen entwickelt. Damit soll das komplexe Verhalten moderner Triebwerksmaterialien insbesondere auch unter korrosiven Einflüssen möglichst genau und numerisch effizient für sehr große und anspruchsvolle Finite-Elemente-Modelle unter Berücksichtigung des Einflusses der spezifischen Mikrostruktur dieser Werkstoffe berechnet werden können. Die Forschungsaktivitäten sind eingebunden in ein querschnittliches Team für das eine integrale Zusammenarbeit zwischen Simulation und Versuch selbstverständlich ist.