Das erwartet dich
Strömungsablösung an Flugzeugflügeln ist ein zentrales aerodynamisches Phänomen und beeinflusst maßgeblich Auftrieb, Widerstand und strukturelle Lasten unter verschiedenen Betriebsbedingungen. In laufenden Windkanalexperimenten am DLR werden hochaufgelöste Druckmessdaten erfasst, um die zugrunde liegenden Strömungsprozesse zu analysieren. In einem kürzlich entwickelten Machine Learning (ML) Ansatz nutzen wir die spektralen Eigenschaften dieser Messdaten, um Strömungsablösung automatisiert zu erkennen. Die Leistungsfähigkeit dieser Methode hängt jedoch entscheidend von der Wahl geeigneter Modelle und deren Hyperparameter ab.
Ziel deiner Tätigkeit ist es, bestehende ML-Workflows strukturiert zu variieren, sodass dieser Einfluss untersucht und quantifiziert werden kann. Die Ergebnisse sollen so aufbereitet werden, dass sie eine Grundlage für die Bewertung geeigneter Modellkonfigurationen im Hinblick auf zukünftige Anwendungen bieten.
Deine Aufgaben
* Einarbeitung in Datensatz und Methoden: Du machst dich mit der Struktur der Messdaten und deren spektralen Eigenschaften vertraut
* Implementierung von ML Workflows: Du setzt ausgewählte Modelle zur Analyse der Messdaten um und entwickelst wiederverwendbare Auswerteroutinen
* Systematische Experimente: Du führst Trainingsläufe und Hyperparameterstudien durch und dokumentierst die Ergebnisse
* Ergebnisaufbereitung: Du unterstützt bei der Auswertung, Strukturierung und Visualisierung der Ergebnisse großer Experimentserien
Das bringst du mit
* laufendes Studium der Informatik / Data Science, Elektrotechnik, Maschinenbau, Luft- und Raumfahrttechnik, Physik oder andere für die Tätigkeit relevanten Studiengänge
* gute Programmierkenntnisse in Python (insbesondere NumPy, pandas, scikit-learn)
* Grundkenntnisse in Machine Learning
* Erfahrung im Umgang mit strukturierten Daten oder Interesse an strukturierter Datenaufbereitung und reproduzierbaren Analyse-Workflows
* hohe Motivation, Eigeninitiative, selbstständige und strukturierte Arbeitsweise