Kennziffer 6926WV3 Einrichtung WertigkeitEG 13 Arbeitsbeginn schnellstmöglich Bewerbungsschluss 16.03.2026 Arbeitsumfang Vollzeit, bis zum 31.03.2029 befristet

In dem Gesamtvorhaben soll ein standortweiter Digitaler Zwilling für einen energieintensiven industriellen Verbundstandort entwickelt werden. Ziel ist die modellbasierte Abbildung verfahrenstechnischer Prozesseinheiten, Energie- und Stoffströme sowie deren dynamischer Wechselwirkungen, um Energieeffizienzpotenziale zu identifizieren und eine flexible, datenbasierte Prozessführung zu ermöglichen.

In diesem am Institut für Feststoffverfahrenstechnik und Partikeltechnologie angesiedelten Teilprojekt liegt der Schwerpunkt auf der Entwicklung, experimentellen Validierung und dateneffizienten Weiterentwicklung von Modellen des Maschinellen Lernens (ML) für die dynamische Regelung von Wirbelschichtsprühgranulationsprozessen. Hierzu werden geeignete ML-Methoden – insbesondere Reinforcement Learning sowie sequenzbasierte Modelle (z. B. RNN, Transformer) – evaluiert, trainiert und anhand umfangreicher Granulationsversuche im Labormaßstab validiert. Ziel ist es, den experimentellen Datenbedarf durch die intelligente Verknüpfung von experimentellen Daten und Daten aus parallel im Projekt durchgeführten Fließschemasimulationen zu reduzieren und robuste, echtzeitfähige Regelungsansätze zu entwickeln.

IHRE AUFGABEN

Evaluation und Implementierung geeigneter ML-Methoden für die dynamische Prozessregelung
Planung, Durchführung und Auswertung von Wirbelschichtsprühgranulationsversuchen im Labormaßstab
Kalibrierung und Validierung der ML-Modelle anhand experimenteller Messdaten
Entwicklung datengetriebener Übertragungsmodelle zur Kopplung simulativer und realer Prozessdaten
Analyse des Ressourcen- und Datenbedarfs sowie Entwicklung dateneffizienter Trainingsstrategien

IHR PROFIL

Erforderlich

Hochschulstudium (Master oder vergleichbar) insbesondere der Fachrichtungen Verfahrenstechnik, Maschinenbau oder Data Science oder eines nah verwandten Studiengangs

Vorteilhaft

sehr gute Deutschkenntnisse (C1), gute Englischkenntnisse (B2)
Kenntnisse im Bereich Feststoffverfahrenstechnik
Erfahrungen im Bereich Machine Learning / Data Science, idealerweise mit Erfahrung in Reinforcement Learning oder neuronalen Netzen
Kenntnisse in der experimentellen Arbeit von verfahrenstechnischen Prozessen
Teamfähigkeit und Bereitschaft zur interdisziplinären Zusammenarbeit in einem Verbundprojekt

UNSER ANGEBOT

Außerhalb der Dienstaufgaben besteht die Gelegenheit zur wissenschaftlichen Weiterbildung, die Ergebnisse können für eine Promotion verwendet werden
Mitarbeit in einem interdisziplinären, hoch motivierten und engagierten Team
Forschung in einem innovativen, zukunftsorientierten und industriell hoch relevanten Themenfeld
Teilnahme an nationalen und internationalen Konferenzen

Im Mittelpunkt der Forschung, der Lehre und des Technologietransfers der TU Hamburg steht das Leitmotiv, Technik für die Menschen zu entwickeln. Hierbei versteht sich die TU Hamburg als familiengerechte und nachhaltig handelnde Universität mit hohem Leistungs- und Qualitätsanspruch, die in allen ihren Forschungsfeldern Exzellenz anstrebt. Interdisziplinarität, Innovation, Regionalität sowie Internationalität sind verpflichtende Grundlagen für unser Handeln. Mit derzeit rund 8.000 Studierenden, 110 Professorinnen und Professoren sowie 1.650 Mitarbeitenden zeichnet sich die TU Hamburg durch kurze Entscheidungswege und eine enge Zusammenarbeit zwischen dem Präsidium, den Instituten, Studiendekanaten, Forschungsschwerpunkten und der Verwaltung aus. Wir identifizieren uns mit einer modernen Führungskultur und pflegen ein wertschätzendes Miteinander.

Haben Sie noch Fragen? Dann wenden Sie sich gerne an Frau Dr.-Ing. Swantje Pietsch-Braune, Tel.-Nr. +49 40 30601 3139, E-Mail: .

Die TU Hamburg steht für sowie ein .

Wir schätzen Vielfalt und begrüßen deshalb Bewerbungen aller Menschen, unabhängig von Geschlecht und geschlechtlicher Identität, ethnischer Herkunft und Nationalität, Alter, Religion und Weltanschauung, Behinderung, sexueller Orientierung und Identität oder sozialer Herkunft.

Bitte übersenden Sie Ihre vollständigen Bewerbungsunterlagen (Anschreiben, tabellarischer Lebenslauf, Nachweis der abgeschlossenen Ausbildung oder Hochschulabschluss sowie relevante Arbeitgeberzeugnisse) ausschliesslich über unser Bewerbungssystem.