Ingenieur/in Luft- und Raumfahrttechnik, Mathematiker/in, Informatiker/in o. ä. (w/m/d)

Das Institut für Aerodynamik und Strömungstechnik ist die zentrale Einrichtung des Deutschen Zentrums für Luft- und Raumfahrt (DLR) für die Strömungsmechanik. Wir sind ein führendes Forschungsinstitut auf den Gebieten Flugzeug- und Fahrzeug-Aerodynamik, Flugzeug-Aeroakustik, Raumfahrt-Aerothermodynamik und Windenergieforschung. In der Abteilung C²A²S²E (Center for Computer Applications in AeroSpace Science and Engineering) entwickeln wir numerische Verfahren und Prozesse zur multidisziplinären Simulation und Optimierung und stellen diese für Anwendungen in der Aerodynamik von Luftfahrzeugen bereit - vom flugphysikalischen Entwurf bis zur virtuellen Zertifizierung.

Die Forschungsaktivitäten der Abteilung umfassen neben der physikalischen Modellierung komplexer Strömungen und der Entwicklung fortschrittlicher Lösungsalgorithmen für die numerische Strömungssimulation auch die Einbindung aller relevanten Disziplinen. Wir entwickeln effiziente Optimierungsstrategien und Methoden für die datengetriebene Modellierung und Simulation und quantifizieren Unsicherheiten auf Basis höherwertiger Verfahren. Dabei kommt der optimalen Anpassung der Verfahren an parallele Höchstleistungsrechner eine besondere Rolle zu. Die von uns entwickelten Strömungslöser werden für einen breiten Anwendungsbereich in Forschung und Industrie in Deutschland und Europa routinemäßig eingesetzt. Darüber hinaus stellen wir Simulationsfähigkeiten und Softwarelösungen für die multidisziplinäre Analyse und Optimierung und die datengetriebene Modellierung bereit.

Beschreibung:

Sie erforschen, entwickeln und untersuchen Methoden der künstlichen Intelligenz zur Modellierung der Strömung um Flugzeuge. Dazu setzen Sie Methoden aus dem Bereich des maschinellen Lernens ein, um die partiellen Differentialgleichungen der Strömungsmechanik näherungsweise zu lösen. Aufbauend auf existierenden Fähigkeiten und Vorarbeiten im Bereich des Deep Learnings beschäftigen Sie sich damit, wie physikalisch informierte neuronale Netze (PINNs) erweitert werden können, um anstelle von Multi Layer Perceptrons (MLP), bei denen die Genauigkeit der Vorhersage des vorab trainierten Modells abnimmt, sobald Ergebnisse außerhalb des Trainingsbereichs vorhergesagt werden sollen, auch Neural Operators verwendet werden können.

Außerdem erweitern Sie das vorhandene Deep Learning Framework, um Unsicherheiten in Gleichungen, Daten und Modellen beim Training von Physik-basierten Modellen abbilden zu können. Neben dem veränderten Trainingsprozess ist ein weiteres Ziel, dass resultierende Modelle in der Lage sind, einen Fehlerschätzer zu ihren Vorhersagen zu liefern, um das Vertrauen in die Ergebnisse zu steigern.

Diese Fähigkeiten demonstrieren und evaluieren Sie anhand von aerodynamisch relevanten Anwendungsfällen steigender Komplexität. Dazu haben Sie Zugriff auf modernste Simulationssoftware und Hardware des DLR. Die Ergebnisse vergleichen sie mit etablierten Verfahren der Strömungsmechanik und integrieren die entwickelten Verfahren in bestehende Software.

Wir bieten Ihnen die Möglichkeit, Ihre Forschungsergebnisse auf Konferenzen zu präsentieren und in Fachzeitschriften zu veröffentlichen.