Zu dengenerellen Aufgaben der maritimen Logistik zählen die Planung, Gestaltung,Durchführung und Steuerung von Material- und Informationsflüssen in derLogistikkette Schiff - Hafen - Hinterland. Ziel der Lehrveranstaltung ist es, denStudierenden Kenntnisse des maritimen Transports und der an der maritimenTransportkette beteiligten Akteure zu vermitteln. Hierbei wird, unter Beachtungder wirtschaftlichen Entwicklung, auf typische Problemfelder und Aufgaben eingegangen.Somit sind sowohl klassische Probleme als auch aktuelle Entwicklungen undTrends im Bereich der Maritimen Logistik berücksichtigt.
In der Vorlesungwerden die Bestandteile der maritimen Logistikkette und die beteiligten Akteurebeleuchtet sowie Risikoabschätzungen von menschlichen Störungen auf die SupplyChain erarbeitet. Darüber hinaus lernen Studierenden die Potentiale derDigitalisierung in der Seeschifffahrt, Insbesondere im Hinblick auf dasMonitoring von Schiffen, abzuschätzen. Zudem sind Studierende in der Lage, für Flotten von Container- oder Trampschiffen eine Einsatzplanung zu entwerfen. Ein weiterer Inhalt der Vorlesung sinddie verschiedenen Verkehrsträger im Hinterland, welche Studierenden nachAbschluss der Lehrveranstaltung hinsichtlich ihrer Vor- und Nachteile bewertenkönnen.
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Maritime Logistik (W-12)
In Stud.IP angemeldete Teilnehmer: 35
Anzahl der Postings im Stud.IP-Forum: 2
Anzahl der Dokumente im Stud.IP-Downloadbereich: 16
Betreute Abschlussarbeiten
laufende
beendete
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.