Der Bewerbungszeitraum für diesen Job ist jetzt vorbei
In Kürze beendet
Das DLR-Institut für Bauweisen und Strukturtechnologie in Stuttgart entwickelt und erprobt innovative Leichtbaustrukturen für die Luftfahrt und Raumfahrt. In der Abteilung Bauteilgestaltung und Fertigungstechnologien werden entsprechende Auslegungs- und Optimierungsprozesse für zukünftige Triebwerke konzipiert, erprobt und in multidisziplinärer Zusammenarbeit mit anderen DLR-Instituten angewandt. Gemeinsam werden schnelle, kollaborative und zuverlässige Workflows erarbeitet, um für das ganze Antriebssystem oder auch nur für einzelne Komponenten die Forschungsfragen von morgen beantworten zu können!
Deine Aufgaben
- Du entwickelst und implementierst automatisierbare Auslegungs- und Bewertungsroutinen in DLR-eigene Software Frameworks zur Auslegung von Luftfahrtantrieben (GTlab) und Optimierungs- bzw. Auslegungsprozessketten (z.B. AutoOpti).
- Unsere strukturmechanischen Anteile innerhalb des Strukturmechanischen GTlab Moduls (SMM) entwickelst Du mit Deinen Kolleginnen und Kollegen zusammen weiter.
- Du wählst maschinelle Lernverfahren zum Zwecke des Designs und der Bewertung von Triebwerksstrukturen aus und wendest sie an.
- Die erarbeiteten Workflows werden von Dir an aktuellen Forschungsfragen getestest und validiert.
- Du bearbeitest Forschungsaufgaben mit dem Ziel der Entwicklung von innovativen Leichtbaustrukturen für Luftfahrtantriebe.
- Du erstellst Finite-Element-Modelle und führst Strukturberechnungen unter wirkenden Betriebslasten durch, schwerpunktmäßig für Bauteile im Bereich der Luftfahrtantriebe.
- Deine Arbeitsergebnisse dokumentierst Du in internen Berichten und vertrittst die gewonnenen Erkenntnisse in Vorträge und Veröffentlichungen im nationalen und internationalen Rahmen.
- Du definierst und betreust studentische Arbeiten (Bachelor- und Masteranden).
Das bringst du mit
- Abgeschlossenes wissenschaftliches Hochschulstudium in den Ingenieurswissenschaften (Master / Diplom Uni), Fachrichtung Luft- und Raumfahrttechnik, Maschinenbau, Simulation Technology, Computational Engineering, Computational Mechanics oder ähnliche für die Tätigkeit relevante Fachrichtung.
- Grundlegendes Verständnis von neuronalen Netzen und Vertrautheit mit Deep Learning Frameworks wie PyTorch, TensorFlow bzw. Keras.
- Grundlegendes Verständnis von LLM-Architekturen, Prompt-Engineering und Herausforderungen bei deren Anwendung.
- Kenntnisse in der Anwendung von FE-Methoden im Bereich der Struktursimulation.
- Uneingeschränkte Kommunikationsfähigkeit in Deutsch und Englisch in Wort und Schrift.
- Teamfähigkeit und auch Eigeninitiative.
