Zusammenfassung
Ich bin Machine-Learning-Engineer und F&E-Ingenieur mit fundierter Erfahrung in der Automobilindustrie, Batterietechnologien und datengetriebener Entwicklung. Meine Arbeit konzentriert sich auf die Entwicklung intelligenter Systeme, die technisches Fachwissen mit maschinellem Lernen verbinden, um komplexe Herausforderungen der modernen Fahrzeugtechnik zu lösen.
Derzeit erweitere ich meine Expertise in ML-Pipelines, Deep-Learning-Modellen und skalierbaren MLOps-Systemen. Besonders interessiert mich der Einsatz von KI in Energiesystemen, Automobiltechnik, Robotik und Industrie 4.0.
Kernkompetenzen
- Machine Learning & Deep Learning (Python)
- Batterieanalytik: SOC, SOH, RUL
- Technische Workflow-Automatisierung
- Generative AI & LLMs
- MBSE – Model-based Systems Engineering
- AI-Integration in Simulationsumgebungen
Frühere Stationen & Praktika
Bectochem Consultants & Engineers
Design Engineer · Jan 2017 – Feb 2018
DesignTech CAD Academy
Trainee · Aug 2016 – Feb 2017 · Pune, Indien
Zertifizierung in Siemens NX & Dassault CATIA mit Schwerpunkt auf Teilmodellierung. Fundierte Erfahrung mit Hypermesh und AutoCAD.
Magna Rico Powertrain
Summer Intern · Mai 2015 – Jul 2015 · Gurgaon, Indien
Einsatz in der Abteilung Maintenance, Engineering & Development (MED).
Masterarbeit & Forschung
Batteriezellen in einem Pack altern nicht mit der gleichen Geschwindigkeit – besonders wenn sie ungleichmäßigen Temperaturverteilungen ausgesetzt sind. Meine Masterarbeit an der Technischen Universität Berlin befasste sich genau mit dieser Herausforderung: Wie entwirft man einen intelligenten Zellausgleichskreis, der dynamisch auf thermische Gradienten über ein Batteriepack reagiert und sowohl die Lebensdauer als auch die Sicherheit verbessert. Die Forschung kombinierte Schaltungsdesign, Thermalsimulation, Strukturanalyse und datengesteuerte Lebensdauermodellierung in einem integrierten Framework.
Das Problem
In Multi-Zell-Batteriesystemen können Temperaturunterschiede von nur 5–10°C über Zellen hinweg die Degradation in wärmeren Regionen beschleunigen, was zu Kapazitätsverlust, Unausgeglichenheit und vorzeitigem Ausfall führt. Standard-Ausgleichskreise ignorieren den thermischen Zustand – diese Arbeit schlug einen thermisch-bewussten Ansatz vor.
Simulation & Analyse
Thermalsimulation (Altair HyperWorks)
Ich baute das Kernsimulationsmodell mit Altair HyperWorks auf – HyperMesh für Mesh-Generierung und Geometrievorbereitung der Batteriezellengeometrie, und HyperView für Post-Processing und Visualisierung der Wärmeverbreitungsergebnisse. Das Modell erfasste Wärmeerzeugung, Leitungspfade und Kühlstrategien unter variierenden Lastbedingungen.
Ich baute das Kernsimulationsmodell mit Altair HyperWorks auf – HyperMesh für Mesh-Generierung und Geometrievorbereitung der Batteriezellengeometrie, und HyperView für Post-Processing und Visualisierung der Wärmeverbreitungsergebnisse. Das Modell erfasste Wärmeerzeugung, Leitungspfade und Kühlstrategien unter variierenden Lastbedingungen.
Struktur- & Schwingungsanalyse (ANSYS)
Mit ANSYS führte ich durch:
Mit ANSYS führte ich durch:
- Thermische Runaway-Analyse – Simulation der Ausbreitung unter Fehlerbedingungen
- Fluidströmungsanalyse – Bewertung des Kühlmittelverhaltens und thermischen Managements
- Vibrations-/Strukturanalyse – Bewertung der mechanischen Stabilität des Ausgleichskreises unter dynamischen Lastbedingungen
Lebensdauer- & Alterungsmodellierung (MATLAB/Simulink)
MATLAB/Simulink wurde zur Modellierung von SOC (State of Charge) und SOH (State of Health) Trajektorien unter thermischen Gradienten verwendet. Numerische Methoden wurden angewendet, um Kapazitätsverlust und verbleibende Nutzungsdauer über verschiedene Temperaturprofile zu schätzen. Python wurde für Datenverarbeitung, Ergebnisautomatisierung und Visualisierung von Simulationsergebnissen verwendet.
MATLAB/Simulink wurde zur Modellierung von SOC (State of Charge) und SOH (State of Health) Trajektorien unter thermischen Gradienten verwendet. Numerische Methoden wurden angewendet, um Kapazitätsverlust und verbleibende Nutzungsdauer über verschiedene Temperaturprofile zu schätzen. Python wurde für Datenverarbeitung, Ergebnisautomatisierung und Visualisierung von Simulationsergebnissen verwendet.
Tools & Methoden
ANSYS
Altair HyperWorks
HyperMesh
HyperView
MATLAB/Simulink
Python
Numerische Methoden
FEM
Thermalsimulation
CFD
Schwingungsanalyse
SOC/SOH-Modellierung
Batteriealterung
Wichtigste Ergebnisse
Entwicklung eines thermisch-bewussten Ausgleichsalgorithmus, der die Energieumverteilung basierend auf Echtzeit-Temperaturgradienten über Zellen anpasst
Nachweis, dass thermisch-gradient-informierter Ausgleich die effektive Zelllebensdauer im Vergleich zu konventionellem spannungsbasiertem Ausgleich verlängern kann
Aufbau eines wiederverwendbaren Simulationsframeworks, das FEM-Thermalsimulation (HyperWorks) und dynamische Systemmodellierung (MATLAB/Simulink) kombiniert – anwendbar auf breitere Batteriesystementwicklungs-Workflows
Bereitstellung von Vibrations- und Strukturanalysen, die die mechanische Robustheit des Schaltungsdesigns unter dynamischen Lastbedingungen bestätigen
Diese Forschung unterstützt direkt meine Expertise in: → Batterie-Energiespeichersystem (BESS) Entwicklung → Thermisches Management und Kühlsystemdesign → Simulationsgestützte Ingenieurwissenschaft (FEM, CFD, System-Level-Modellierung) → EV- und Industrie-Batterieanwendungen → Datengesteuerte Lebensdauer- und Degradationsanalyse
Engineering eines Kreises, der nicht nur Ladung ausgleicht – sondern Wärme versteht – erforderte die Kombination von Simulation, Daten und physikalischer Intuition. Diese Schnittmenge ist dort, wo ich meine beste Arbeit leiste.