Deutsches Zentrum für Luft- und Raumfahrt (DLR)

Masterand/in Informatik, Ingenieurswesen, Naturwissenschaften (w/m/d)

Stuttgart

Datenanalyse

Machine Learning

Python

Top

Jetzt bewerben

Steigen Sie ein in die faszinierende Welt des Deutschen Zentrums für Luft- und Raumfahrt (DLR), um mit Forschung und Innovation die Zukunft mitzugestalten! Mit dem Know-how und der Neugier unserer 11.000 Mitarbeitenden aus 100 Nationen sowie unserer einzigartigen Infrastruktur, bieten wir ein spannendes und inspirierendes Arbeitsumfeld. Gemeinsam entwickeln wir nachhaltige Technologien und tragen so zur Lösung globaler Herausforderungen bei. Möchten Sie diese große Zukunftsaufgabe mit uns zusammen angehen? Dann ist Ihr Platz bei uns!

Für unser Institut für Bauweisen und Strukturtechnologie in Stuttgart suchen wir eine/n Masterand/in Informatik, Ingenieurswesen, Naturwissenschaften (w/m/d), Entwicklung und Training eines ML-Modells zur Vorhersage von Materialeigenschaften tapegelegter Strukturen

Das erwartet Sie:

Die Fertigung von Faserverbundbauteilen mit dem Tapelegeverfahren wird stets mit fertigungsbedingten Defekten (wie Spalten oder Überlappungen zwischen parallelen Tapes) konfrontiert, welche auf die Materialeigenschaften beeinflussen können. Die Lokalisierung und Größe dieser Defekte hängt von zahlreichen Fertigungsparameter und können zurzeit erst am Ende der Fertigung quantifiziert werden. Bisher werden die Einflüsse dieser Defekte auf die Materialeigenschaften (z.B. auf die Druckfestigkeit) mit Hilfe von aufwändigen mechanischen Laborversuchen untersucht und anhand der Ergebnisse werden Zusammenhänge gezogen. Zur Reduzierung des experimentellen Aufwandes und zur Verbesserung der Aussagegüte hat diese Masterarbeit für Ziel, ein Modell für maschinelles Lernen (ML) zu entwickeln und zu trainieren, welches aus in-situ Messungen nach der Fertigung Informationen über die resultierenden mechanischen Eigenschaften des Materials geben kann. Zum Training des Modells werden detaillierte Finite-Element Modelle zur Verfügung gestellt, welche physikalisch die Defekte abbilden.

In der Arbeit sollen erstmal verschiedene ML Methoden für die vorgegebene Problematik gesichtet werden. Zum Training der ausgewählten Modelle werden synthetische Daten mit Hilfe von der Finite Element Methode generiert. Hierfür sollen die notwendige Menge und den notwendigen Inhalt der Daten definiert werden. Nach Training der ML Modelle soll eine Bewertung im Hinblick auf die Genauigkeit der Vorhersage stattfinden. Die Validierung des besten Modells erfolgt mit experimentellen oder numerischen Datensätzen.

Die Arbeit umfasst folgende Teilaufgaben:

Sichtung und Auswahl von möglichen Modellen zum maschinellen Lernen (ML) für die Vorhersage von Materialeigenschaften
Definition, Planung und Generierung von synthetischen Trainingsdaten mithilfe von Finite-Element Simulationen und Aufbereitung der Ergebnisse. Auf dieser Ebene werden unterschiedliche Fertigungsdefekte simuliert und ihren Einfluss auf die Materialeigenschaften als Ersatz zu experimentellen Versuchen numerisch bestimmt
Training und Bewertung der ausgewählten ML Modelle mit den synthetischen Daten
Validierung des besten Modells mit experimentellen Daten

Das erwarten wir von Ihnen:

Studium angewandter Informatik, Ingenieurswesen, naturwissenschaftlichen Bereich oder vergleichbarer Studiengänge
sehr gute Kenntnisse in Programmierung mit Python
Erfahrung mit Algorithmen zum maschinellen Lernen und mit Methode zur Datenanalyse
Eigenverantwortung, strukturierte Arbeitsweise und Engagement
gute Deutschkenntnisse (in Wort und Schrift) wünschenswert

Unser Angebot:

Das DLR steht für Vielfalt, Wertschätzung und Gleichstellung aller Menschen. Wir fördern eigenverantwortliches Arbeiten und die individuelle Weiterentwicklung unserer Mitarbeitenden im persönlichen und beruflichen Umfeld. Dafür stehen Ihnen unsere zahlreichen Fort- und Weiterbildungsmöglichkeiten zur Verfügung. Chancengerechtigkeit ist uns ein besonderes Anliegen, wir möchten daher insbesondere den Anteil von Frauen in der Wissenschaft und Führung erhöhen. Bewerbungen schwerbehinderter Menschen bevorzugen wir bei fachlicher Eignung.