Инженер-аналитик по оптимизации термодинамических тестов (CFD + Python)

Мы ищем квалифицированного инженера-аналитика с глубокими знаниями в области вычислительной гидродинамики (CFD) и программирования на Python для оптимизации процесса проведения термодинамических испытаний. В рамках проекта вы будете заниматься автоматизацией, анализом и улучшением эффективности экспериментов, используя численное моделирование и инструменты машинного обучения.

Чем предстоит заниматься:

• Автоматизация циклов проведения тестирования с использованием Python: сбор данных, запуск симуляций, обработка результатов, визуализация.
• Оптимизация параметров тестов (геометрия, граничные условия, материалы, режимы нагрева/охлаждения) с целью минимизации времени, ресурсов и повышения достоверности результатов.
• Разработка стендов для характеризации параметров компонентов системы охлаждения: вентиляторов, радиаторов и термоинтерфейсов.
• Разработка скриптов для массового запуска CFD-расчётов (через OpenFOAM, ANSYS Fluent, Simcenter STAR-CCM+ или аналоги) с использованием параллельных вычислений.
• Анализ результатов CFD-моделей с целью выявления ключевых факторов, влияющих на термодинамическую эффективность.
• Создание отчётов и рекомендаций для инженерных команд на основе данных моделирования и испытаний.

Мы ожидаем от будущего члена команды:

• Высшее техническое образование (механика, энергетика, теплофизика, прикладная математика, инженерия).
• Знание python на уровне middle+.
• Опыт работы с CFD-пакетами (OpenFOAM + SALOME, ANSYS Fluent, FloTHERM, Simcenter FloEFD, и др.).
• Отличное знание Python (NumPy, SciPy, Pandas, Matplotlib, Scikit-learn, asyncio, multiprocessing).
• Опыт работы с автоматизацией расчётов, скриптами для запуска и обработки CFD-задач.
• Понимание основ термодинамики, теплообмена и гидродинамики.
• Навыки работы с системами контроля версий (Git), опыт в написании документации.
• Умение работать с большими объёмами данных и строить визуализации.
• Навыки аналитического мышления, способность к самостоятельной постановке задач и решению сложных инженерных проблем.

Дополнительно приветствуем:

• Знание инструментов для оптимизации эксперимента (DOE, генетические алгоритмы).
• Опыт внедрения методов машинного обучения для ускорения CFD-моделирования (surrogate modeling, reduced-order models).
• Опыт использования PINN (Physics-informed neural networks).
• Публикации в научных журналах или участие в R&D-проектах.
• Знание архитектуры серверов и СХД - как минимум на уровне понимания назначения и типичного тепловыделения компонентов.