Promotion im experimentellen Bereich

Du suchst Herausforderungen im Bereich der experimentellen Analyse von Verbrennungsprozessen? Wir suchen Verstärkung für unser Team und bieten:

• Entwicklung neuartiger Verbrennungskonzepte zur Effizienzsteigerung und Emissionsreduktion
• Projekte zum Design und zur Optimierung von Energieträgern der Zukunft
• Aufbau, Entwicklung und Anwendung hoch-komplexer und einzigartiger Messtechnik
• Modernste Forschungsanlagen zur Beantwortung von top-aktuellen Fragestellungen im Bereich zukünftiger Energiewandlungssysteme

Thermodynamik Dieselmotoren (TV-L 13 Vollzeit)

• Thermodynamische Analyse von motorischen VerbrennungsprozessenGrundlagenforschung an innovativen VerbrennungskonzeptenFreikolben-Lineargenerator)
• Planung, Durchfuhrung sowie Auswertung der Experimente
• Weiterfuhrende Analysen zur Prozessoptimierung und Effizienzsteigerung
• Applikation von Sondermesstechniken zur Online-Analyse der Verbrennungsvorgänge
• Interdisziplinäre Zusammenarbeit im Bereich der Motorreglung

Computational Simulations of Turbulent Reacting Flows (TV-L 13 Vollzeit)

• Development of in-house codes (CIAO, FlameMaster) for high-fidelity predictive simulations;
• DNS of turbulent fields and consequent theoretical investigation for the development of closure models of turbulence;
• DNS of combustion instabilities and theoretical characterization;
• DNS and LES of multiphase flows for the investigation, characterization and modeling of the mechanisms driving the breakup and evaporation phenomena;
• Soot modeling;
• Machine learning: development of physics guided neural networks;
• Machine learning: use of artificial neural network as model into predictive simulations;
• Simulation of combustion systems (e.g. internal combustion engines, nano-particle synthesis burner, heating devices)

Numerical Model Development and Uncertainty Quantification for Fuel Combustion Kinetics

• Numerical modeling of the fundamental chemical processes of fuel combustion
• Development of chemical kinetic models for conventional and alternative fuels
• Development of advanced methods and simulation frameworks for kinetic model
  generation, optimization, and uncertainty quantification
• Interdisciplinary research on reduced kinetic models for CFD simulations
• Machine learning: Use of artificial neural networks for predictive modeling of
  combustion kinetics

Use of machine learning to optimise turbulence modelling