SWERIM AB jobb

Project Description  Background  Laser Ultrasonics (LUS) is a powerful non-contact technique for in-situ characterization of metallic materials at elevated temperatures. In hot strip mill environments, LUS enables real-time monitoring of grain size evolution through analysis of ultrasonic wave attenuation and velocity, providing critical insight into recrystallization, grain growth, and phase transformations. This information is highly valuable for advanced process control strategies aimed at improving product quality, consistency, and resource efficiency.  The NAICE project (Non-destructive AI enhanced online grain size evaluation) addresses a key challenge in fossil free steel production: today’s steel mills lack real time information about the microstructure that governs material quality, leading to unnecessary energy use, scrap, and slow process adjustments. By upgrading the world’s only industrial laser ultrasonic grain size gauge and collecting a unique large dataset, the project will train models to enable AI enhanced measurement of the grain size and microstructure in real-time. This enables smarter process control, higher yield, and reduced emissions.  This thesis is the first of two planned master thesis works. The first will evaluate the best options using historical data sets, whereas the second will focus on using the full dataset and optimizing the model for industrial implementation.  If you want to know more about the LUS technology and the installation of the world’s only grain size gauge there is a recorded webinar here: https://www.youtube.com/watch?v=ZOpXUAPhEv0&t=665s   Thesis Scope  The thesis will focus on the application of machine learning and AI techniques to Laser Ultrasonic (LUS) data acquired in a hot strip mill environment. The available dataset consists of:  Raw LUS A-scan signals with multiple backwall echoes (20 µs duration, 1 ns resolution)  Grain size values calculated using an established conventional algorithm (serving as reference values)  The primary objective is to develop and evaluate AI-based approaches for:  - Grain size prediction directly from raw laser ultrasonic signals  - Microstructure state classification (e.g., recrystallized fraction, pancaking/aspect ratio)  A key part of the work will be to survey suitable AI architectures, such as time-series models, deep learning approaches, and alternative signal-processing-informed models, and assess their applicability to the LUS data.  Tasks  Survey and critically assess relevant AI/ML architectures for ultrasonic time-series data  Pre-process and structure high-resolution LUS A-scan datasets for model training  Develop and implement selected AI models  Perform benchmark comparisons between different approaches with respect to:   Prediction accuracy  Robustness to signal variability  Computational efficiency and suitability for real-time deployment  Analyze model interpretability in relation to known physical phenomena  Expected Outcomes  The thesis should deliver:  A structured comparison of candidate AI approaches for LUS-based grain size prediction  Prototype models demonstrating feasibility on the historical dataset  Recommendations for model selection in future industrial implementation  Desired Qualifications  We are looking for a motivated student with:  A background in computer engineering, engineering physics, materials science, applied mathematics, or similar  Strong interest in machine learning and signal processing  Experience with Python/Matlab and ML frameworks  Basic understanding of wave physics, ultrasonics, or materials science (meriting but not required)  Analytical mindset and ability to work with complex datasets  Additional Information  The work will be carried out in close collaboration with experts in Laser Ultrasonics and industrial process monitoring, providing a unique opportunity to contribute to cutting-edge development of AI-driven process control in steel manufacturing.  Project time  The project is intended for a master thesis (30hp), starting in spring 2027 or can be mutually decided through negotiations.  Further information  This project is intended to be performed at Swerim in Stockholm. Swerim rewards the student with 50 000 SEK for an approved master thesis (30hp).  Contacts  For further information please contact:   Mikael Malmström, [email protected]  Hampus Wikmark Kreuger, [email protected]  Application  Apply by using the application function below. The application can be written in Swedish (or English). You will receive a confirmation that Swerim has received your application. Please note that we fill the position as soon as we find a suitable applicant, which means there is no explicit deadline.

På Swerim får du arbeta med hela bredden av fogningstekniker och vara med och utveckla en hållbar och konkurrenskraftig industri - tillsammans med erfarna kollegor, industripartners och akademi. Om rollen Hos oss bedriver vi tillämpad forskning i nära samverkan med svensk industri, bland annat inom infrastruktur, materialteknik, process-, energi- och fordonsindustri. Som forskare får du:arbeta i forsknings- och utvecklingsprojekt som löser verkliga industriproblem successivt ta mer ansvar - från delmoment i projekt till egen projektledning stöd och handledning från seniora forskare och specialister utvecklas både tekniskt och professionellt i en trygg och lärande miljö   En viktig del av vår verksamhet är också utbildning av framtidens svetsingenjörer, i samarbete med KTH och Svetskommissionen. Här får du möjlighet att bidra med din kunskap och på vägen lära dig om nya områden.   Vem är du? Som person är du nyfiken, engagerad och vill lära dig. Du trivs med samarbete, gillar att ta ansvar och delar gärna idéer och kunskap med andra. Vi välkomnar särskilt dig som har:Svetsingenjörskompetens, IWE och/eller flerårig erfarenhet inom fogning/svetsning Civilingenjörsexamen eller doktorsexamen (PhD) inom materialteknik, produktionsteknik eller liknande område. God kommunikativ förmåga på både svenska och engelska Meriterande (men inget krav):Pedagogiskt intresse och/eller erfarenhet av handledning/undervisning Tidigare erfarenhet av projektledning Erfarenhet av ansökningsarbete för offentlig finansiering   Vad erbjuder vi dig?Moderna labb och tillgång till avancerad teknisk utrustning Möjlighet att arbeta nära både industri och akademi Starka nätverk nationellt och internationellt En inkluderande kultur med kunniga och engagerade kollegor Placeringsort är Kista. Resor ingår i tjänsten. Körkort är meriterande men inget krav.   Intresserad? Vill du veta mer eller är nyfiken på hur det är att arbeta som forskare hos oss? Skicka in din ansökan senast den 30 september 2026 - vi ser fram emot att höra mer om dig och dina intressen. Intervjuer sker löpande. Läs mer om oss på www.swerim.se KontaktpersonerJoakim Wahlsten, senior forskare och koordinator inom fogning, 076-1028409, [email protected] Anna Söderbäck, HR, 073-537 03 51, [email protected] Adam Ståhlkrantz, Sveriges Ingenjörer, 076-145 14 41, [email protected]