Masterthesis: ML-basierte Ersatzmodellbildung für thermohydraulische Netze

• Ein Studium in den Bereichen Data Science, Informatik, Mathematik, Physik oder einem vergleichbaren Fachgebiet
• Gute Studienleistungen, analytisches und lösungsorientiertes Denken sowie eine hohe Motivation, dein Wissen in der Praxis anzuwenden
• Erfahrung im Umgang mit Daten sowie fundierte Kenntnisse im Bereich Machine Learning
• Verfügbarkeit für mindestens 5-6 Monate, um deine Masterarbeit erfolgreich abzuschließen

Bei uns fühlt sich Arbeit nicht wie Arbeit an. Wir leben New Work mit mobilem und flexiblem Arbeiten, flachen Hierarchien, einem familiären Miteinander und viel Gestaltungsfreiraum. Über uns

AVAT Automation GmbH Tübingen, Baden-Württemberg, 72072 Vollzeit Das erwartet Sie bei AVAT

Gemeinsam bringen wir die Energiewende voran. AVAT entwickelt intelligente Produkte für die dezentrale Energieversorgung, damit machen wir unsere Städte sauberer und nachhaltiger und fördern den Ausbau der Erneuerbaren Energien.

Thermohydraulische Simulationen helfen dabei, Wärmeversorgungsnetze zu verstehen und zu optimieren. Im Zuge der Wärmewende werden hydraulische Netze und Versorgungsstrategien komplexer. Unser Ziel ist es, mithilfe von Machine Learning schneller Einblicke in die Temperatur- und Druckverhältnisse im Netz zu gewinnen. Werde Teil unseres Teams und unterstütze und dabei, innovative Lösungen für die Energieversorgung der Zukunft zu entwickeln!

Was erwartet dich bei AVAT? Detaillierte thermohydraulische Simulationen können bei wiederkehrenden Berechnungen viel Zeit in Anspruch nehmen. In deiner Masterarbeit untersuchst du, wie sich das Verhalten eines Wärmenetzes durch ein datenbasiertes Ersatzmodell schnell und mit ausreichender Genauigkeit abbilden lässt. Das Modell soll außerdem Aussagen darüber ermöglichen, wie empfindlich prognostizierte Netzzustände auf Änderungen ausgewählter Eingangsgrößen reagieren. Dabei erwarten dich folgende Aufgaben:

• Einarbeitung in bestehende thermohydraulische Netzmodelle und Simulationstools sowie verfügbare Betriebs- und Simulationsdaten
• Entwicklung und Training von ML-Modellen, die nicht nur physikalische Größen wie Drücke und Temperaturen an ausgewählten Stellen im Netz prognostizieren können, sondern auch Reaktionen auf veränderte Eingangsgrößen abbilden können
• Vergleich und Bewertung verschiedener Ansätze hinsichtlich Genauigkeit, Rechenzeit und Verhalten bei bislang ungesehenen Betriebsbedingungen
• Untersuchung der Übertragbarkeit verschiedener Ansätze auf andere thermohydraulische Netze

Während deiner Arbeit wirst du von unseren erfahrenen Kolleg:innen unterstützt. Damit überzeugen Sie uns