Die passive Sicherheit von Fahrzeugen wird in modernen Entwicklungsprozessen zunehmend mithilfe simulativer Methoden ausgelegt. Die Funktion der Karosseriestruktur, des Interieurs, der Rückhaltesysteme sowie deren Zusammenspiel im Gesamtfahrzeug wird digital bewertet, ausgelegt und optimiert, um die Insassen in Crashs physischer Fahrzeuge sicher und robust zu schützen. Aufgrund steigender Anforderungen an die passive Sicherheit, die zunehmende Produktkomplexität, Variantenvielfalt und anspruchsvolle neuartige Fahrzeugarchitekturen, müssen bestehende digitale Entwicklungsprozesse und -methoden stetig verbessert und erweitert werden. Eine wichtige Eigenschaft von Fahrzeugen ist die Robustheit des Insassenschutzsystems, welche simulativ untersucht und bewertet werden kann. In Robustheitsbetrachtungen ergeben sich neue Fragestellungen: Welche streuenden Eingangsgrößen sind relevant für streuende Ergebnisgrößen? Wie propagieren die Unsicherheiten im Eingang auf die Belastungsgrößen der Insassen? Hierfür können datengetriebene Modelle eingesetzt werden, welche das Verhalten von Insassenschutzsystemen gut abbilden. Im Rahmen der Masterarbeit soll untersucht werden, welche Daten aus Simulationen und Versuchen effektiv und relevant sind und wie diese dargestellt werden müssen für eine gute Prognosegüte von Insassen Belastungen.

• Einarbeitung in das Themenschnittfeld Machine Learning, Data Science und CAE/passive Fahrzeugsicherheit/Insassenschutz
• Literaturrecherche im Bereich von Data Preprocessing von ML Modellen und Zeitseriendaten, Explainable AI Methoden und Sensitivitätsanalysen zur Identifikation von relevanten Eingangsgrößen für datengetriebene Modelle
• Bearbeitung von Use-Cases aus dem Insassenschutz zum Entwickeln und Testen geeigneter Methoden
• Identifikation und geeignete Darstellung von relevanten Eingangsdaten und Systemzuständen aus Simulationen und Versuchen für eine gute Prognosegüte datengetriebener Modelle
• Überprüfung der Kohärenz zwischen Wichtigkeit der Eingangsgrößen des datengetriebenen Modells zu physikalischem Verständnis
• Bewertung unterschiedlicher Machine-Learning Modelle
• Plausibilisierung, Einordnung, Dokumentation und Präsentation der Ergebnisse

• Studium der Informatik, Mechatronik, Fahrzeugtechnik, Maschinenbau, Simulation Technology oder eines vergleichbaren Studiengangs
• Kenntnisse im Bereich von Machine-Learning Modellen oder der passiven Fahrzeugsicherheit
• Gute Programmierkenntnisse in Python sowie erste Erfahrung mit relevanten Data Science Bibliotheken (pandas, numpy, scikit-learn, etc.) und Linux
• Gute Deutsch- und Englischkenntnisse
• Idealerweise erste Vorerfahrung durch Praktika oder Werkstudententätigkeit
• Gute analytische Fähigkeiten, selbstständige und strukturierte Arbeitsweise sowie hohe Eigenmotivation

"Am Anfang schaute ich mich um, konnte aber den Wagen, von dem ich träumte, nicht finden. Also beschloss ich, ihn mir selbst zu bauen."

Dieser Satz von Ferry Porsche bringt alles auf den Punkt, was Porsche ausmacht. Als Marke, als Unternehmen, als Automobilhersteller, als Arbeitgeber. Die "Idee Porsche" hat so einzigartige Sportwagen wie den Porsche 356 oder den 911 hervorgebracht. Durch die Kombination von Tradition und Innovation mit den Porsche typischen, manchmal etwas unkonventionellen Denkweisen unserer Mitarbeiter, lassen wir automobile Träume wahr werden und haben so immer das "Etwas-mehr" im Blick. Porsche ist allerdings viel mehr als "nur" ein exklusiver Sportwagenhersteller. Denn auch als Arbeitgeber hat Porsche viel zu bieten: vielfältige Einstiegs- und Karrieremöglichkeiten, Maßnahmen zur Vereinbarkeit von Beruf und Familie sowie flexible Arbeitszeitmodelle.

Unabhängig von dem, was andere tun, sind wir stets bestrebt, unsere Grenzen ständig neu zu definieren und Maßstäbe zu setzen. Das können wir heute und in Zukunft aber nur mit Mitarbeitern und Führungskräften erreichen, die immer das "Etwas-mehr" im Blick haben.

Exklusive Einblicke in die Porsche Arbeitswelt erhalten Sie auch auf unseren Karriereprofilen in den sozialen Netzwerken: