PhD Position (w/m/d) im Bereich Angewandte Geowissenschaften: Mustererkennung in DAS-Daten

Ihre Aufgaben

Distributed Acoustic Sensing (DAS) ist eine faseroptische Technologie, mit der Glasfaserkabel als dichte seismische Messnetze genutzt werden können. Bei der Anwendung auf ungenutzten Telekommunikationsfasern („Dark Fiber“) ermöglicht DAS seismische Messungen in regelmäßigen Abständen über Distanzen von mehreren zehn Kilometern und bietet damit das Potenzial für eine großräumige seismische Überwachung. Diese Forschungsarbeiten werden im Rahmen des RUBADO-Projekts (BMWE, FKZ 03EE4076A) durchgeführt, in dem DAS entlang mehrerer weitreichender Glasfaserstrecken im Oberrheingraben eingesetzt wird. Ziel ist es, das Potenzial bestehender Glasfaserinfrastrukturen für die Überwachung geothermischer Reservoire und induzierter Seismizität auf regionaler Skala zu untersuchen.

Ein effizientes DAS-Monitoring erfordert eine automatisierte Verarbeitung der großen anfallenden Datenmengen sowie eine zuverlässige Identifizierung transienter seismischer Signale, wie beispielsweise mikroseismischer Ereignisse, in einem überwiegend durch anthropogene Störsignale geprägten Umfeld. Darüber hinaus ist die Identifizierung von Zeiträumen mit geringer anthropogener Störaktivität für Anwendungen wie die Interferometrie des seismischen Umgebungsrauschens relevant. Maschinelles Lernen (ML) bietet einen vielversprechenden Ansatz für die automatisierte Detektion und Klassifizierung seismischer Signale in DAS-Daten. Ziel dieser Forschungsarbeiten ist daher die Entwicklung, Implementierung und Validierung ML-basierter Methoden zur Verbesserung der Signaldetektion und -klassifizierung in DAS-Aufzeichnungen. Damit soll zur Entwicklung effizienter Monitoring-Ansätze für geothermische Reservoire und induzierte Seismizität sowie für weitere seismologische Anwendungen beigetragen werden.

Im Rahmen der Forschungsarbeit sind insbesondere folgende Aufgaben vorgesehen:

Datenerfassung, Signalvorverarbeitung und Klassifikation

• Erfassung und Aufbereitung der im Rahmen des RUBADO-Projekts erhobenen Datensätze
• Durchführung einer Analyse der DAS-Wellenformen in verschiedenen Domänen, insbesondere im Zeit-, Frequenz- sowie Raum-Wellenzahl-Bereich, und gegebenenfalls in weiteren für Messnetze relevanten Darstellungsformen
• Entwicklung robuster Verfahren zur Signalvorverarbeitung, beispielsweise zur Rauschunterdrückung und Segmentierung, die auf die spezifischen Eigenschaften von DAS-Daten zugeschnitten sind
• Identifikation und Extraktion physikalisch relevanter Signalmerkmale sowie wiederkehrender Wellenformmuster, die die Variabilität seismischer und anthropogener Quellen erfassen und als Grundlage für Merkmalsräume des maschinellen Lernens dienen

Entwicklung von Trainingsdatensätzen und Verfahren zur Mustererkennung

• Aufbau und Pflege eines annotierten Datensatzes durch manuelle Auswertung und fachkundige Annotation transienter Signale in DAS-Aufzeichnungen
• Entwicklung einheitlicher Klassifikations- und Kennzeichnungsstrategien für verschiedene Signalklassen, beispielsweise seismische Ereignisse, verkehrsbedingtes Rauschen und instrumentelle Artefakte
• Untersuchung und Implementierung von Verfahren zur Mustererkennung, um wiederkehrende Wellenformstrukturen sowie räumlich-zeitliche Signaturen in DAS-Aufzeichnungen zu identifizieren
• Entwicklung von Workflows auf Basis von Machine Learning und Deep Learning zur automatisierten Signalklassifikation, einschließlich überwachter, unüberwachter und/oder semi-überwachter (hybrider) Ansätze zur Nutzung sowohl annotierter als auch nicht annotierter Daten

Modellvalidierung, Benchmarking und Übertragbarkeit

• Anwendung der entwickelten ML-Modelle auf DAS-Datensätze aus dem RUBADO-Projekt
• Vergleich der Leistungsfähigkeit der Modelle mit unabhängigen Geophondaten und bestehenden Ereigniskatalogen
• Untersuchung der Generalisierbarkeit der Modelle auf unterschiedliche DAS-Installationen, Messgeometrien und Umweltbedingungen
• Durchführung einer systematischen Analyse von Unsicherheiten und Verzerrungen, um Einschränkungen zu identifizieren und die Übertragbarkeit der Modelle zu verbessern

Integration in Workflows zur seismischen Überwachung und Untergrundabbildung

• Integration der entwickelten Verfahren zur Datenverarbeitung und des Machine-Learning-Workflows in das Analyseframework von RUBADO für die seismische Überwachung in nahezu Echtzeit oder im Batch-Betrieb
• Weiterentwicklung von Verfahren zur Ereignisdetektion, -klassifikation und -charakterisierung, um die Interpretierbarkeit von Signalen in DAS-Daten zu verbessern
• Unterstützung einer verbesserten Abbildung des Untergrunds durch die Bereitstellung qualitativ hochwertigerer und besser charakterisierter Eingangssignale für die weitere seismische Verarbeitung, beispielsweise für die Analyse des seismischen Umgebungsrauschens, Interferometrie oder Geschwindigkeitsinversion

Ihr Profil

• Abgeschlossenes Masterstudium in Geophysik, Physik, Computational Earth Sciences, Mathematik oder einem verwandten Fachgebiet.
• Fundierte Kenntnisse in Seismologie und Signalverarbeitung.
• Sehr gute Programmierkenntnisse (z. B. Python, MATLAB, C/C++).
• Nachweisbare Erfahrung in der Analyse großer Datenmengen (Big Data) und/oder im maschinellen Lernen (Machine Learning).
• Interesse an geothermischen Anwendungen.
• Freude an Feldarbeit neben der Tätigkeit im Büro sowie an interdisziplinärer Zusammenarbeit.

Wir bieten

• Forschung mit Wirkung:

  Arbeiten Sie an Themen von gesellschaftlicher Relevanz – in einem exzellenten wissenschaftlichen Umfeld, das Veränderungen möglich macht.

• Karriere und Entwicklung:

  Wir unterstützen Sie mit einer strukturierten Einarbeitung, vielfältigen Weiterbildungsmöglichkeiten und individueller Förderung. So stärken wir Ihr persönliches Wachstum.

• Flexible Arbeitszeitgestaltung:

  Nutzen Sie Gleitzeit, mobiles Arbeiten und 30 Tage Urlaub für eine optimale Work-Life-Balance.

• Familienfreundlichkeit:

  Das Programm „KIT-Family +“ unterstützt Sie bei der Vereinbarkeit von Familie und Beruf – durch Kinderbetreuung, Ferienangebote, ein Eltern-Kind-Büro und Hilfe bei der Angehörigenpflege.

• Gesundheit:

  Unter dem Motto „Fit im KIT – mit Körper, Geist und Seele“ fördern wir Ihre Gesundheit mit Sportkursen und Angeboten zur psychischen Gesundheit.

• Individuelle Zusatzleistungen:

  Profitieren Sie von einer betrieblichen Altersvorsorge (VBL), einem monatlichen Zuschuss von 25 Euro zum Jobticket BW sowie vielfältigen Angeboten rund um Kultur und Freizeit.

Arbeitsort
Karlsruhe (und Eggenstein-Leopoldshafen)

Eingruppierung
EG 13 TV-L; die Eingruppierung erfolgt entsprechend den persönlichen und fachlichen Voraussetzungen.

Vertragsdauer
3 Jahre

Fachliche Auskünfte erteilt Ihnen gerne Dr. Emmanuel Gaucher emmanuel.gaucher@kit.edu

Dr. Jérôme Azzola jerome.azzola@kit.edu

Bei allgemeinen Fragen zur Bewerbung wenden Sie sich bitte an
Raquel Carrasco Sanchez
Personalservice (PSE)
raquel.carrasco@kit.edu
+49 721 608-42016

Bitte senden Sie Ihre Bewerbung als eine zusammenhängende PDF-Datei, bestehend aus:

• einem Motivationsschreiben (max. 2 Seiten),
• einem Lebenslauf inklusive Publikationsverzeichnis (falls vorhanden),
• Nachweisen über Studien- und Prüfungsleistungen,
• den Kontaktdaten von zwei Referenzpersonen.

Am KIT schätzen wir die Vielfalt unserer Mitarbeitenden – unterschiedliche Perspektiven und Hintergründe sind eine Bereicherung für unsere Arbeit. Wir freuen uns daher über alle Bewerbenden. Frauen sind besonders zur Bewerbung eingeladen. Bewerbungen von anerkannt schwerbehinderten Menschen werden bei gleicher Eignung bevorzugt berücksichtigt.

Bewerbungsfrist: 13.10.2026
Ausschreibungsnummer: 1234/2026