Die Übung zur Lehrveranstaltung Verkehrssysteme und Umschlagtechnik wird als geleitete Gruppenübung durchgeführt. In denÜbungsterminen erhalten die Studierenden Aufgabenblätter zu den Teilthemen derLehrveranstaltung und bearbeiten diese selbstständig. Die Übungsblätterbestehen im Wesentlichen aus Rechenaufgaben und Verständnisfragen, aber auch Recherche,Diskussion und kritischer Auseinandersetzung mit den Themen sind Bestandteil. DieStudierenden werden als Kleingruppen zu Experten auf einem Gebiet und stellenihren Kommilitonen in den Übungsterminen ihre Erkenntnisse, Rechenwege undErgebnisse zu den Lerninhalten vor. Sie führen somit selbstständig denÜbungstermin durch und begleiten auch die Diskussionen. Die Lehrenden stehenden Studierenden vorab in Sprechstunden und während der Übung moderierend zurVerfügung, sodass eine optimale Qualität der Übungstermine sichergestellt wird.Bei dem Format der „Expertengruppen“ und dem Präsentieren der Ergebnisse fürdie Kommilitonen handelt es sich um eine freiwillige Zusatzleistung, bei dersich die Studierenden bis zu 10% Bonuspunkte auf ihre bestandene Klausur verdienenkönnen.
Leistungsnachweis:
305 - Transport- und Umschlagtechnik<ul><li>305 - Transport- und Umschlagtechnik: Klausur schriftlich</li></ul><br>m1013-2021 - Verkehrssysteme und Umschlagtechnik<ul><li>p589-2021 - Verkehrssysteme und Umschlagtechnik: Klausur schriftlich</li><li>vl379-2021 - Freiwillige Studienleistung Gruppenarbeiten inkl. Präsentationen zur Maritimen Transportkette: schriftliche Ausarbeitung</li></ul>
ECTS-Kreditpunkte:
3
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Maritime Logistik (W-12)
In Stud.IP angemeldete Teilnehmer: 38
Anzahl der Postings im Stud.IP-Forum: 3
Anzahl der Dokumente im Stud.IP-Downloadbereich: 8
Supervised Theses
ongoing
completed
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.