In Zusammenarbeit mit der C1 Green Chemicals AG wird eine alternative, umweltfreundliche Synthese von Methanol untersucht. Dieses grüne Methanol soll zukünftig im Schiffsverkehr fossile Energieträger ersetzen. Die Synthese gliedert sich in zwei Schritte: Zunächst wird beispielsweise durch die Reverse–Water–Gas-Shift-Reaktion CO2 zu CO reduziert, welches anschließend in einem zweiten Schritt homogen katalysiert zu Methanol hydriert werden kann.

Zurzeit wird am Fachgebiet dbta eine entsprechende Anlage im Miniplant-Maßstab realisiert, welche die Synthese prozesstechnisch untersuchen soll. Parallel dazu wird ein dynamisches Modell für die Methanolsynthese entwickelt, welches für ein späteres Scale-Up und insbesondere für die Optimierung des Prozesses benötigt wird. Neben dem First-Principles Modeling wird hierbei auch die Datengetriebene Modellierung eingesetzt. Zur Unterstützung der Modellentwicklung ist ab dem 01.05.2024 eine Stelle als studentische Hilfskraft zu vergeben. Die SHK-Tätigkeit kann im Anschluss ggf. durch eine Abschlussarbeit oder ein Forschungspraktikum ergänzt werden.

Die folgenden spezifischen Aufgaben sind zu bearbeiten (Gewichtung in %):

• Dynamische Modellierung der Methanolsynthese, der Reverse–Water–Gas-Shift-Reaktion sowie des anschließenden Downstream-Prozesses (60%)
• Parameterschätzung (Reaktionskinetik) anhand experimenteller Daten (15%)
• Erstellung von Auswertetools in Python, z.B. für die Visualisierung von Ergebnissen (15%)
• Gegebenenfalls: Unterstützung bei Miniplant-Anlagenfahrten (10%)

MUSS-Kriterien

• Gute Kenntnisse zu den Grundlagen in einer geeigneten Fachrichtung: Informationstechnik im Maschinenwesen, Verfahrenstechnik, Chemieingenieurwesen o.ä.
• Grundlegende Kenntnisse in der Programmierung
• Grundlegende Kenntnisse der chemischen Verfahrenstechnik und Reaktionstechnik (beispielsweise aus Lehrveranstaltungen wie Verfahrenstechnik und Reaktionstechnik)
• Gute Deutsch- und/oder Englischkenntnisse erforderlich; Bereitschaft die jeweils fehlenden Sprachkenntnisse zu erwerben

KANN-Kriterien

• Selbstständige, gut organisierte Arbeitsweise
• Grundwissen der Prozessmodellierung oder des maschinellen Lernens (beispielsweise aus Lehrveranstaltungen wie Prozess- und Anlagendynamik oder Machine Learning I)
• praktischen Erfahrungen in der Programmierung (vorzugsweise Python)

Fachlich verantwortlich / Ansprechpartner:in für die Ausschreibung: Dario Staubach, M.Sc., Bewerbungen an sekr@dbta.tu-berlin.de
Besetzungszeitraum: vom 01.05.2024 bis 31.07.2026

Ihre schriftliche Bewerbung mit Anschreiben, Lebenslauf, Immatrikulationsbescheinigung und ggf. aktueller Notenübersicht richten Sie bitte an die o.g. Beschäftigungsstelle.
Zur Wahrung der Chancengleichheit zwischen Männern und Frauen sind Bewerbungen von Frauen mit der jeweiligen Qualifikation ausdrücklich erwünscht. Schwerbehinderte werden bei gleicher Eignung bevorzugt.