Banner

Wissenschaftliche/r Mitarbeiter/in (m/w/d)

"Mathematische Modellierung und optimale Steuerung von Granulationsprozessen auf der Basis klassischer Methoden oder/und Reinforcement Learning"

Umfang:
Vollzeit        
Vergütung:
Entgeltgruppe 13 TV-L
Befristung:
befristete Stelle
Beginn:
zum nächstmöglichen Zeitpunkt

Die Technische Universität Kaiserslautern und der Campus Landau der Universität Koblenz-Landau wachsen zu einer neuen Technischen Universität zusammen. Wir suchen Sie, um den Start unserer neuen Universität im Jahr 2023 am Standort in Kaiserslautern schon heute mitzugestalten.

Die Technische Universität Kaiserslautern (TUK) steht für Forschungsstärke, gute Lehre und ein weltoffenes und familiäres Miteinander. Mit flachen Hierarchien, moderner Infrastruktur und familienfreundlichen Leistungen ist die einzige Technische Universität in Rheinland-Pfalz eine attraktive Arbeitgeberin, die ihren Beschäftigten zukunftssichere Perspektiven bietet. Hier forscht und lehrt man vor allem in den Bereichen der Natur- und Ingenieurswissenschaften, außerdem in den Sozial-, Wirtschafts- und Planungswissenschaften sowie der Architektur. Über 100 Studiengänge werden an 12 Fachbereichen sowie dem Fernstudienzentrum DISC angeboten und rund 14.500 Studierende und 2.500 Mitarbeiter*innen beleben tagtäglich den naturnahen, grünen Campus. Das Betriebliche Gesundheitsmanagement, der Unisport sowie CampusKultur sorgen für vielfältige Angebote rund um Sport, Gesundheit und Freizeit.

Die TUK steht für die Vielfalt aller Beschäftigten. Wir begrüßen Bewerbungen von allen Interessierten, unabhängig von deren ethnischer und sozialer Herkunft, Alter, Religion, Geschlecht, Behinderung und sexueller Orientierung oder Identität. Personen mit Schwerbehinderung werden bei gleicher Eignung bevorzugt eingestellt (bitte Nachweis hinzufügen). Die TUK strebt in Bereichen, in denen Frauen unterrepräsentiert sind, eine Erhöhung des Frauenanteils an. Bewerbungen von Wissenschaftlerinnen und Wissenschaftlern aus dem Ausland sind ausdrücklich erwünscht. Die Stelle ist grds. auch in Teilzeit besetzbar.

Der Lehrstuhl von Prof. Bajcinca forscht schwerpunktmäßig an modernen Methoden und anspruchsvollen Anwendungen der Regelungs- und Systemtheorie und ist in den drei Hauptsäulen Hybride Systeme und Cyberphysik, Komplexe Dynamische Systeme und Maschinelles Lernen und Steuerung organisiert. Durch die Vernetzung mit einer Vielzahl von nationalen und internationalen Forschungs-, universitären und Industriepartner können regelmäßig Förderprojekte mit hochinteressanten Aufgabenstellungen der modell- und datenbasierten Regelung, Inferenz und Entscheidungsfindung in komplexen technischen und biologischen dynamischen Systeme gewonnen werden. Darüber hinaus verfügt der Lehrstuhl über eine ausgezeichnete Laborausstattung in den Bereichen autonomes Fahren, Robotik und Energiesysteme, welche kontinuierlich weiterentwickelt wird. Für mehr Informationen: (https://www.mv.uni-kl.de/mec/home)

Wir bieten:

Forschungsbereich und Stellenbeschreibung:

Die Feuchtgranulation ist ein Verfahren der Partikelvergröberung, durch welches man die Haufwerkseigenschaften gezielt beeinflussen kann. Im Rahmen dieses Projektes wird zunächst ein effizientes Modell entwickelt, mit dem Granulateigenschaften (z. B. Partikelgrößenverteilung, Porosität) vorhergesagt werden können. Damit wird es möglich sein, verschiedene Anlagenkonfigurationen zu simulieren und ein neues optimierungsbasiertes Regelungsverfahren auf Grundlage einer sog. approximativen Momentenmethode zu erforschen. Die zu entwickelnden Regelkonzepte sollen insbesondere die Kompensation von Prozessstörungen und eine gewünschte Produktqualität sicherstellen. Darüber hinaus erfährt aktuell die datengesteuerte Regelung, einschließlich das Reinforcement Learning, eine Renaissance, da die Datenverfügbarkeit und tiefe neuronale Netze (DNN) durch die in mehreren Bereichen auftretenden Schübe rasch voranschreiten. In der Verfahrenstechnik ergeben sich jedoch an der Stelle Herausforderungen durch die relativ begrenzte Datenverfügbarkeit und große Prozessunsicherheiten. Daher scheint die Verwendung von datengesteuerten oder kombinierten Methoden mit modellbasierten Ansätzen (Grey-Box-Modelle) angemessen um die komplexen Beziehungen zwischen Partikel- und Produkteigenschaften akkurat zu behandeln.

Das Forschungsvorhaben zielt darauf ab, ein grundlegendes wissenschaftliches Verständnis dafür zu entwickeln, wie diese Herausforderungen im Granulationsprozess überwunden werden können, indem mathematische Werkzeuge zur Modellierung, dynamischen Analyse und Steuerung sowie experimentelle Daten zur Parameteridentifizierung eingesetzt werden. Dabei besteht die Hauptaufgabe darin, ein Vorhersageinstrument auf der Grundlage der Populationsbilanzmodellierung (PBM) und der approximativen Momentenmethode (AMOM) für die Auslegung der kontinuierlichen Nassgranulation auf einer Doppelschneckenmaschine zu entwickeln. Die Steuerungsaufgabe besteht darin, den Prozess im Hinblick auf eine gewünschte Partikelgrößenverteilung des Granulatprodukts zu optimieren, die ein kritisches Qualitätsmerkmal für nachfolgende Arbeitsgänge, wie z. B. die Tablettierung, darstellt. Dabei sind die Schneckenkonfiguration und verschiedene Prozessparameter die Haupteinflussfaktoren innerhalb dieses Optimierungsproblems, die es primär zu berücksichtigen gilt. Zu diesem Zweck können klassische Regelungsansätze der optimalen Regelungstheorie oder neue lernbasierte Verfahren, wie z.B. das Reinforcement Learning, sowie eine geeignete Kombination davon, herangezogen werden. Diese Forschungsarbeit soll in enger Zusammenarbeit mit akademischen Forschern durchgeführt werden, die auf Granulation und experimentelle Forschung spezialisiert sind.    


Die Forschung setzt sich aus den folgenden Aufgaben zusammen:

  • Entwicklung von endlichdimensionalen mathematischen Modellen mit AMOM in Form von kontinuierlichen ODEs für verschiedene Klassen von PBMs
  • Analytische Approximationen verschiedener Funktionen, die im PBM auftreten, in Form von orthogonalen Polynomen
  • Optimale Steuerung des Granulationsprozesses zur Erzielung der gewünschten Partikelgrößenverteilung unter Verwendung des Pontryagin-Maximum-Prinzips und dynamischer Programmierung
  • Entwicklung eines lernenden Steuerungsalgorithmus auf der Grundlage von Reinforcement Learning (RL) und Deep Neural Networks (DNN)
  • Numerische Lösung von PDE- und ODE-Modellen mit klassischen Methoden oder DNN

Unser Anforderungsprofil:

  • Überdurchschnittlicher Hochschulabschluss in angewandter Mathematik,  Regelungstechnik 
  • Erfahrungen mit mindestens einer Programmiersprache: Matlab, Python, C++ werden erwartet
  • Kenntnisse in Verfahrenstechnik sind vorteilhaft
  • Organisationstalent und Teamfähigkeit im Umgang mit wissenschaftlichen Mitarbeitern aus verschiedenen Disziplinen
  • Sprachkenntnisse in Englisch oder / und Deutsch sind unerlässlich
Zurück zur Übersicht Online-Bewerbung