MétaCan
Menu
Retour à la cohorte
Enregistrement W1919330201 · doi:10.24908/pceea.v0i0.5836

INTEGRATING A SHORT SIMULATION PROJECT INTO AN INTRODUCTORY TRANSPORT PHENOMENA COURSE

2015· article· en· W1919330201 sur OpenAlexafffundvenueabout
Jan B. Haelssig, Devin O’Malley

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensDalhousie University
Organismes subventionnairesDalhousie UniversityMcMaster University
Mots-clésMultiphysicsComputer scienceProcess (computing)SoftwareCurriculumCourse (navigation)Transport phenomenaSoftware engineeringEngineering managementEngineeringFinite element methodProgramming language

Résumé

récupéré en direct d'OpenAlex

Transport phenomena is an integral part of many engineering curricula. Some programs, particularly in chemical engineering, teach transport phenomena in an integrated manner, but most teach heat, mass and momentum transfer in separate courses. Since powerful computers and software packages are now available to solve transport problems numerically, many current transport phenomena courses incorporate these tools for demonstration purposes. Many institutions also offer advanced level courses focusing on the use of this type of software, but the intuitive nature of modern software packages also permits the integration of these tools directly into introductory courses.This paper summarizes efforts made in the Department of Process Engineering and Applied Science at Dalhousie University to integrate one such tool, COMSOL Multiphysics, directly into the introductory transport phenomena course. In an introductory course, the time available to study software tools is inherently limited, and therefore it is necessary to introduce these topics as efficiently as possible. In our course, several hands-on tutorials are used to introduce students to COMSOL. We avoid focusing too much on numerical methods, error estimation techniques, or even detailed model validation techniques. Instead, these tutorials focus on using commercial software to solve transport problems and demonstrating good modeling practices. Near the end of the course, students are asked to complete a short modeling project. In the latest iteration, students were asked to reproduce a simulation in a recent journal publication, to expand on the results, and comment on the significance of their findings. The main challenges related to implementing such a project include selecting problems that do not have unreasonably high computational requirements, the increased workload for teaching assistants, the required level of expertise among teaching assistants, and the increased workload for students.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0440,020

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,010
Tête enseignante GPT0,244
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2015
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetExperimental Learning in EngineeringTravaux en français237 207