Begleitende Gruppenübung zur Vorlesung. Dieser Kurs setzt sich aus 4 Themenbereichen zusammen, i) Beschreibung von Molekülen entlang der Orbitaltheorie für s-,p-,d-Blockelementen (Oktaedrisches Feld), Beschreibung von Interaktionen in der Gasphase, in Flüssigkeiten und Festkörpern, (Halb)Leitung ii) chemische Reaktionen im Sinne von Massen und Energiebilanzierung, Enthalpie und Entropiekonzepte, Massewirkungsgesetz, Konzept von Aktivierungsbarrieren in Kombination mit Kinetik, iii) Konzept von Säuren und Basen, Beschreibung von Säure-Base-Reaktionen in Wasser, pH-Wertberechnungen, Quantitative Analyse mittels Titration, iv) Redoxprozessen in Wasser, Redoxpotentialen, Beschreibung der Konzentrationsabhängigkeiten entlang dem Gesetz von Nernst von Redoxpotentialen (Batterie, Accu, Brennstoffzellen), Überspannung als Aktivierungsenergie, Korrosion als Lokalelement.
Link Digitale Übungsgruppe: https://uni-hamburg.zoom.us/j/63018963694?pwd=MTZwVWhEU0NkNUVPSThId2FyUDlTUT09
TeilnehmerInnen:
Teilnehmende an der Vorlesung Allgemeine und anorganische Chemie
Voraussetzungen:
Vorheriges Auseinandersetzen mit den Übungsaufgaben
Lernorganisation:
Gruppenübung
Leistungsnachweis:
305 - Allgemeine und Anorganische Chemie<ul><li>305 - Allgemeine und Anorganische Chemie: Klausur schriftlich</li><li>805 - Verpflichtende Studienleistung Laborpraktikum: Allgemeine und Anorganische Chemie: Fachtheoretisch-fachpraktische Studienleistung</li></ul>
ECTS-Kreditpunkte:
1
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Universität Hamburg (UniHH)
In Stud.IP angemeldete Teilnehmer: 237
Anzahl der Dokumente im Stud.IP-Downloadbereich: 13
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.