Einführung in integrative und hybride Prozesse in der Verfahrenstechnik; Vor- und Nachteile, Prozessfenster, Unterscheidungskriterien; Prozessbeispiele aus den Bereichen Industrie und Forschung: Trennwandkolonnen, Reaktive Trennwandkolonnen, Reaktivadsorption und reaktionsunterstütze Adsorption, ISPR-Chromatographie und ISPR-Extraktion; Biotechnologische Hybride Verfahren.
Leistungsnachweis:
640 - Hybride Prozesse in der Verfahrenstechnik<ul><li>640 - Hybride Prozesse in der Verfahrenstechnik: schriftliche Ausarbeitung</li><li>840 - Verpflichtende Studienleistung Hybride Prozesse in der Verfahrenstechnik - Midterm: Midterm</li></ul><br>m1396 - Hybride Prozesse in der Verfahrenstechnik<ul><li>p1308 - Hybride Prozesse in der Verfahrenstechnik: schriftliche Ausarbeitung</li><li>vl198 - Verpflichtende Studienleistung Hybride Prozesse in der Verfahrenstechnik - Midterm: Midterm</li></ul><br>m1396-2022 - Hybride Prozesse in der Verfahrenstechnik<ul><li>p1308-2022 - Hybride Prozesse in der Verfahrenstechnik: Fachtheoretisch-fachpraktische Arbeit</li></ul><br>m1955-2023 - Prozessintensivierung in der Verfahrenstechnik<ul><li>p1953-2023 - Prozessintensivierung in der Verfahrenstechnik: Fachtheoretisch-fachpraktische Arbeit</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
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.