Physics and Innovation Scientist Junior
Pubblicato il 04-10-2026 - Altro in Italia
In ottica di potenziamento del team, siamo alla ricerca di un/a Physics and Innovation Scientist Junior presso la sede di Arcugnano (VI) .
La risorsa sarà inserita nella nostra Divisione R&D; Energy Grid Technologies che opera sia nell'ambito di mercati tradizionali (oil&gas;) sia nel settore delle energie rinnovabili (es. acqua, idrogeno), contribuirà allo sviluppo di sistemi di misura avanzati, integrando modellazione fisico-matematica, analisi dei dati e tecniche di machine learning e lavorerà a stretto contatto con professionisti di diverse aree tecniche, contribuendo a progetti di ricerca e sviluppo ad elevato contenuto tecnologico.
Attività Principali
Sviluppare modelli fisico-matematici e algoritmi avanzati per l'analisi di sistemi complessi e dati provenienti da strumentazione industriale;
Progettare e implementare soluzioni di analisi dati, modellazione predittiva e sensor fusion utilizzando strumenti quali Python, LabVIEW e software di simulazione;
Validare modelli e tecnologie attraverso simulazioni numeriche, analisi di sensibilità e studi di affidabilità delle misure;
Collaborare con team multidisciplinari per lo sviluppo, l'integrazione e l'ottimizzazione di sistemi di misura, digital twin e applicazioni di monitoraggio real-time;
Gestire progetti di Ricerca & Sviluppo, dalla fase di concept alla validazione del prodotto, coordinando quando necessario partner esterni, università e fornitori specializzati;
Redigere documentazione tecnica, piani di test e presentare risultati e avanzamenti progettuali agli stakeholder interni;
Requisiti
Dottorato in Fisica, Matematica, Ingegneria, Data Science o affini.
Solida preparazione in fisica applicata, con particolare focus su termodinamica, fluidodinamica e modellazione di sistemi complessi
Esperienza nello sviluppo di modelli matematici, fisico-matematici o numerici applicati a sistemi complessi;
Conoscenza di Python per analisi dati, modellazione e sviluppo di algoritmi;
Familiarità con tecniche di machine learn