Abschlussarbeit (w/m/d) - Skalierbare, gradientengestützte Zielpunktoptimierung für kommerzielle Sol

Das erwartet dich

Ein kommerzielles Solarturmkraftwerk hat 10.000 bis 50.000+ bewegliche Spiegel – und jeder einzelne braucht einen Zielpunkt am Receiver. Das ist eines der größten physikalisch gekoppelten Optimierungsprobleme der Energietechnik: Jede Zielpunktänderung verschiebt die Flussverteilung und damit die thermische Belastung des gesamten Systems.

Am DLR haben wir mit ARTIST den ersten differenzierbaren Raytracer für Solarkraftwerke entwickelt (Pargmann et al., 2024, Nature Communications): eine vollständig physikalische Simulation, die sich wie ein neuronales Netz per Gradienten optimieren lässt – validiert am Solar Turm Jülich, publiziert und international beachtet. Am Forschungsturm mit ~2.000 Heliostaten funktioniert das hervorragend. Aber der Sprung auf kommerzielle Anlagen ist keine triviale Erweiterung: Bei 10.000+ Heliostaten explodieren die Laufzeiten einzelner Simulationsschritte so stark, dass eine dynamische, betriebsnahe Optimierung mit naiven Ansätzen schlicht nicht mehr realisierbar ist. Genau hier setzt diese Arbeit an.

Wissenschaftliche Fragestellung

Klassische Ansätze umgehen das Skalierungsproblem, indem sie entweder die Physik stark vereinfachen oder auf gradientenfreie Heuristiken ausweichen – und verschenken damit genau den Vorteil, den ein differenzierbarer Simulator bietet. Die spannende Frage ist: Wie skaliert man gradientengestützte Optimierung auf Felder dieser Größe, ohne die physikalische Korrektheit zu opfern?

Diese Arbeit untersucht:

Wie lässt sich die Zielpunktoptimierung für Felder mit 10.000+ Heliostaten so gestalten, dass sie physikalisch korrekt, gradientengestützt und in betriebsnahen Laufzeiten durchführbar bleibt?

Konkret heißt das:

• Welche Clustering- oder Gruppenstrategien erlauben es, Heliostaten zu Batches zusammenzufassen, ohne die Qualität der Zielpunktlösung wesentlich zu verschlechtern – und wie lässt sich dieser Trade-off quantifizieren?

• Inwieweit lassen sich Shading- und Blocking-Effekte direkt in die Zielpunktstrategie integrieren und aktiv ausgleichen?

Kontext: Eine einzigartige Gelegenheit

Diese Masterarbeit ist keine Schubladenarbeit, sondern Teil eines koordinierten Forschungsvorhabens: Zwei Masterarbeiten laufen parallel, jeweils zur Übertragung von ARTIST auf ein anderes kommerzielles Solarturmkraftwerk – mit jeweils eigenständiger, klar abgegrenzter Fragestellung. Ihr arbeitet in einem gemeinsamen Repository, stimmt Schnittstellen ab, macht gegenseitige Code-Reviews und präsentiert Zwischenergebnisse direkt dem ARTIST-Entwicklungsteam. Was du baust, fließt in ein Werkzeug ein, dessen Entwicklung international verfolgt wird – Skalierbarkeit ist dabei der Schlüssel, der ARTIST vom Forschungstool zum Industriewerkzeug macht.

Zum Ablauf: Bevor die wissenschaftliche Kernfrage bearbeitet werden kann, muss ARTIST auf die Zielanlage umgerüstet werden (Turm-, Receiver- und Feldgeometrie). Dieser klar abgegrenzte erste Block eignet sich ideal als vorgelagertes Pflichtpraktikum am DLR – die Masterarbeit selbst gehört dann vollständig der Wissenschaft. Mit ausreichenden Vorkenntnissen in differenzierbarer Simulation und solarthermischer Modellierung sind beide Phasen auch komplett innerhalb der Masterarbeit machbar.

Deine Aufgaben

Effiziente Zielpunktoptimierung bei großen Feldern

• Analyse des Laufzeitverhaltens der ARTIST-basierten Zielpunktoptimierung mit wachsender Heliostatanzahl

• Entwicklung und Evaluation von Strategien zur Laufzeitreduktion: Heliostat-Clustering, batchweise Gradientenberechnung, hierarchische Optimierungsverfahren

• Ziel: Optimierungsläufe, die für vollständige kommerzielle Felder in betriebsnahen Rechenzeiten durchführbar sind

Was du lernst

• PyTorch auf Forschungsniveau: Autograd, GPU-Optimierung, Skalierung wissenschaftlicher Simulationen auf reale Problemgrößen

• Wie man hochdimensionale, physikalisch gekoppelte Optimierungsprobleme angeht – eine Kernkompetenz, die weit über die Solartechnik hinaus trägt

• Kollaborative wissenschaftliche Softwareentwicklung: Code-Reviews, gemeinsame Schnittstellen, strukturierte Versionskontrolle – wie in einem echten Entwicklungsteam

Das bringst du mit

Erforderlich:

• Sehr gute Python-Kenntnisse, insbesondere Erfahrung mit PyTorch

• Starkes Interesse an physikalischer Modellierung und numerischer Optimierung

• Freude an kollaborativer, strukturierter Softwareentwicklung

Von Vorteil:

• Vorgelagertes Pflichtpraktikum am DLR (oder Bereitschaft dazu)

• Erfahrung mit hochdimensionalen Optimierungsproblemen oder Raytracing