Θέσειςερευνητικήςαπασχόλησης

Machine Learning for Computational Combustion Applications
The simulation of turbulent combustion is essential for the effective design of combustion equipment such as IC engines and gas turbines, to attain improved energy efficiency and reduction in emissions of pollutants. However, the coupling of Computational Fluid Dynamics (CFD) and combustion modelling is very computationally demanding, due to the need for coupling the non-linear equations of chemical kinetics with fluid dynamics and transport phenomena. The bottleneck of the whole approach is the computation of chemical kinetics, which requires the numerical integration of a stiff system of ordinary differential equations (ODEs). Reaction mechanisms for commercial fuels, such as kerosene, involve hundreds of chemical species and thousands of reactions, which must be integrated over a time period at every spatial point of a grid comprising millions of cells.

The research group at Imperial College London (Dr S. Rigopoulos) has been working on an approach for circumventing this bottleneck via machine learning. The essence of the approach is the training of a machine learning tool, such as an Artificial Neural Network (ANN), so as to function as a regression model to replace the computationally expensive numerical integration of ODEs. The approach consists of the following steps:
1. The generation of a database of results of ODE integrations for training the machine learning tool. This is accomplished through the simulation of an abstract set of model combustion problems that anticipate the parts of the composition space expected to be encountered in real combusiton problems. Setting up these problems requires considerable insight into combustion science.
2. The clustering of the resulting data set. Combustion kinetics are multi-dimensional dynamical systems exhibiting complex non-linear behaviour. As a result, it can hardly be expected that a single machine learning tool could obtain satisfactory regression across the entire composition space. We employ clustering algorithms such as the Self-Organising Map (SOM) to generate sub-sets so that a grid of regression models can be ultimately obtained. This is a crucial step, and any improvement in the clustering is likely to have significant impact on the whole approach; new algorithms are currently under investigation.
3. The training of the machine learning tool. We currently employ Multi-Layer Perceptrons (MLPs), a form of ANN, for the regression at each cluster. Training the MLP is a difficult non-linear optimisation problem, and we have so far employed the steepest descent and conjugate gradient methods, but many other possibilities exist. Devising an optimal strategy for utilising the big data sets generated so far is another important problem.
4. The testing and application of the machine learning tool. This involves developing methods for evaluating its performance and estimating errors, and the real-time application to turbulent flames. The turbulent flame simulation is carried out with Large-Eddy Simulation (LES) and the method of Stochastic Fields, which is a stochastic solution method for the transported probability density function (PDF) approach for modelling turbulence-chemistry interaction.
Projects are available in all of the above areas, as there are many open problems. So far, we have demonstrated proof of concept by simulating a series of turbulent flames with a data set developed through an abstract combustion problem. The objective of our current reseasrch is to further develop and expand the methodology in terms of range of applicability, accuracy and efficiency.

Για περισσότερες πληροφορίες καθηγητής Αντώνης Κοκόσης akokossis@mail.ntua.gr

Η Δημόσια Επιχείρηση Αερίου Α.Ε. (ΔΕΠΑ) θα προχωρήσει στην υλοποίηση προγράμματος επιμόρφωσης προσφέροντας την δυνατότητα σε μεταπτυχιακούς και/ ή επί πτυχίω φοιτητές να εκπαιδευτούν σε θέματα εταιρικής κοινωνικής ευθύνης και αειφορίας στις εγκαταστάσεις της ΔΕΠΑ.
Το εκπαιδευτικό πρόγραμμα της ΔΕΠΑ  που σχεδιάστηκε  για μεταπτυχιακούς και/ ή επί πτυχίω φοιτητές έχει ως στόχο να συμβάλει ενεργά  στην κατανόηση και την εξοικείωση των συμμετεχόντων στις αρχές αειφόρου ανάπτυξης και εταιρικής υπευθυνότητας, τόσο σε θεωρητικό, όσο  και σε πρακτικό επίπεδο.
Ειδικότερα, το πρόγραμμα "Ενεργώ για τους Νέους" που αποτελεί μέρος της στρατηγικής εταιρικής υπευθυνότητας της ΔΕΠΑ, φιλοδοξεί όχι μόνο να βοηθήσει στην κατανόηση του θεωρητικού πλαισίου αλλά και να καλλιεργήσει νέες δεξιότητες για το στρατηγικό σχεδιασμό και την πρακτική εφαρμογή των προγραμμάτων Εταιρικής Υπευθυνότητας.

Το πρόγραμμα θα περιλαμβάνει δύο επίπεδα:
1. τη διοργάνωση μονοήμερης εκπαίδευσης (στις εγκαταστάσεις της ΔΕΠΑ) σχετικά με την Εταιρική Κοινωνική Ευθύνη και την ΔΕΠΑ
2. την υλοποίηση μίας εργασίας σχετική με το θέμα της εκπαίδευσης
Δύο (2) φοιτητές των οποίων οι εργασίες θα πληρούν τα κριτήρια και θα ξεχωρίσουν για την καινοτομία τους θα βραβευτούν και θα τους δοθεί η δυνατότητα υλοποίησης πρακτικής εργασίας στις εγκαταστάσεις της ΔΕΠΑ. Η πρακτική θα έχει διάρκεια για 2 μήνες και η απασχόληση θα είναι full-time.

Όσοι ενδιαφέρονται παρακαλούνται να δηλώσουν συμμετοχή στην κα Βασάκη Γιόλα στο y.vassaki@depa.gr μέχρι τη Δευτέρα 05/12/2016.
Το πρόγραμμα θα υλοποιηθεί μέσα Δεκεμβρίου 2016.

  Προκήρυξη (GR)
Όνομα: Niarchos positions_VK_YK_MA_ASD_GR.pdf, Ανέβηκε: 14/11/2016 13:55, Μέγεθος: 127kb
  Προκήρυξη (ENG)
Όνομα: Niarchos positions_VK_YK_MA_ASD.pdf, Ανέβηκε: 14/11/2016 13:56, Μέγεθος: 76kb
Παρασκευή, 11 Νοεμβρίου 2016

Η Moνάδα Σχεδιασμού Χημικών Διεργασιών (Industrial Process Systems  Engineering Unit - ipsen.ntua.gr) της Σχολής Χημικών Μηχανικών του  Εθνικού Μετσόβιου Πολυτεχνείου προτίθεται να απασχολήσει έναν Senior Web  Developer ως επιστημονικό συνεργάτη με σύμβαση μίσθωσης έργου /  παροχής  υπηρεσιών στο πλαίσιο υλοποίησης ερευνητικών έργων.

Απαραίτητα προσόντα:
• 2+ χρόνια σχετικής εργασιακής εμπειρίας 

• Εμπειρία σε PHP/MySQL (ή αντίστοιχες backend τεχνολογίες). Επιθυμητή  η γνώση σε κάποιο MVC framework (πχ. Laravel, Symfony, Yii) 

• Εμπειρία σε HTML/CSS/JavaScript/jQuery 

• Βασική γνώση Git ή SVN

 

Παρακαλείσθε να στείλετε το βιογραφικό σας σημείωμα στην κα Δεληγιάννη  Θεοδώρα στο doradeliyiannii@mail.ntua.gr

Για περισσότερες πληροφορίες επικοινωνήστε με την κα Δεληγιάννη  Θεοδώρα.

Τηλ 210 772 3227, doradeliyiannii@mail.ntua.gr. Μονάδα  Βιομηχανικού Σχεδιασμού και Συστημάτων Μηχανικής

PhD position in Embedded model predictive control of mechatronic systems στο Πανεπιστήμιο KU Leuven.

Για περισσότερες πληροφορίες, επισκεφθείτε τον παρακάτω σύνδεσμο ή κατεβάστε το σχετικό αρχείο.

http://icts.kuleuven.be/apps/jobsite/vacatures/53919110

  PhD position in Embedded model predictive control of mechatronic systems
Όνομα: MPC_PhDcall.pdf, Ανέβηκε: 7/11/2016 11:20, Μέγεθος: 31kb
Τετάρτη, 21 Σεπτεμβρίου 2016

Κατεβάστε το σχετικό αρχείο.

  Post-doctoral position available in Texas A&M at Qatar
Όνομα: Position announcement Texas A&M at Qatar - September 2016.pdf, Ανέβηκε: 21/9/2016 09:21, Μέγεθος: 229kb

Στα πλαίσια ενός ερευνητικού Ευρωπαϊκού έργου στην περιοχή της μοντελοποίησης και σχεδιασμού διεργασιών δέσμευσης CO2 το ΕΚΕΤΑ αναζητεί υποψήφιους για 2 θέσεις, 1 για μεταδιδακτορικό επιστήμονα (postdoc) και 1 για υποψήφιο διδάκτορα.

Για τη θέση του υποψήφιου διδάκτορα απαιτούνται αναλυτικές ικανότητες και σχετική αυτοδυναμία στην εκπόνηση ερευνητικής εργασίας (θεωρητική ή εργαστηριακή).

Η περιγραφή των καθηκόντων και προσόντων για τη θέση του post doc δίνεται παρακάτω:

Description

A position for a post-doctoral scientist is available to carry out research in the field of modeling and design of solvent-based absorption/desorption COcapture processes. The position is part of a HORIZON 2020 research program funded by the European Commission with multiple academic and industrial partners.

Responsibilities

A successful candidate will be required to: 

  • Develop and use advanced, mathematical process modeling methods for separation and reactive separation systems. 
  • Use optimization methods for the design of chemical process systems.
  • Participate in experimental runs in pilot plant unit.
  • Validate the developed models using experimental results obtained from the pilot plant unit.
  • Work independently but also collaborate with other scientists and engineers both internally and externally
  • Contribute to scientific community through publications.
  • Keep abreast of relevant scientific literature/new technologies/capabilities
  • Prepare clear and thorough reports in English.

Basic Qualifications        

Ph.D. in Chemical or related field with research emphasis in advanced process modeling and design.

Additional Skills/Preferences    

  • Strong knowledge of mathematical programming of chemical processes in basic programming languages (e.g. C, Fortran etc.) or software like gPROMS and ASPEN. 
  • Good understanding of thermodynamics for process engineering.
  • Experience with experimental study of process systems will be considered a plus. 
  • Excellent oral and written communication skills.
  • Must be able to work productively in an interdisciplinary team environment
  • Demonstration of scientific and people leadership skills.

Και για τις δυο θέσεις προβλέπεται ανταγωνιστική αμοιβή (σύμβαση έργου με ΕΚΕΤΑ).

Οι ενδιαφερόμενοι μπορούν να επικοινωνήσουν με τον Αναπληρωτή Καθηγητή του τμήματος Μηχανολόγων Μηχανικών του ΑΠΘ, κ. Πάνο Σεφερλή: seferlis@auth.gr

Πέμπτη, 01 Σεπτεμβρίου 2016

Στο πλαίσιο του προγράμματος Marie Curie- Research and Innovation Staff Exchange (RISE) με τίτλο Nanogentools, ζητείται από την εταιρία NovaMechanics ερευνητής που θα εργαστεί σε θέματα νανοπληροφορικής (nanoinformatics) για διάστημα 2 ετών.

Ο υποψήφιος θα πρέπει να είναι πτυχιούχος Χημικός ή Χημικός Μηχανικός ή Ηλεκτρολόγος Μηχανικός.

Είναι επιθυμητή η εμπειρία σε διαχείριση και μοντελοποίηση δεδομένων με μεθοδολογίες μηχανικής μάθησης και σε προγραμματισμό σε περιβάλλον JAVA. Η θέση απαιτεί τη φυσική παρουσία σε Πανεπιστήμια και ερευνητικά κέντρα του εξωτερικού (Ισπανία, Ιταλία, Αυστρία, Ηνωμένο Βασίλειο) για 12 από τους συνολικά 24 μήνες και μπορεί να συνδυαστεί με την εκπόνηση διδακτορικής διατριβής.

Για αποστολή βιογραφικών σημειωμάτων και περισσότερες πληροφορίες οι υποψήφιοι μπορούν να επικοινωνήσουν στο hr@novamechanics.com

Δευτέρα, 29 Αυγούστου 2016
  Περιγραφή θέσης
Όνομα: Laboratory Analyst Advert.pdf, Ανέβηκε: 2/9/2016 15:21, Μέγεθος: 107kb

Για περισσότερες πληροφορίες οι ενδιαφερόμενοι μπορούν να απευθυνθούν στον Καθηγητή Κοκόση Αντώνιο.

Τηλ.: 210772 4275

email: akokossis@mail.ntua.gr

  Fellowship at EBRI 2016
Όνομα: Marie S Curie Individual Fellowship at EBRI 2016.pdf, Ανέβηκε: 24/6/2016 14:52, Μέγεθος: 656kb
‹ Νεότερες1234...12Παλαιότερες ›