Bridging theory and practice: CFD simulation and interactive VR for conduction heat transfer learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Software simulation programs and virtual reality (VR) have become powerful tools for several educational purposes, and recently, they were used in a wide range of applications. In cases of inaccessibility to labs, workshops, or industries, as happened before in the coronavirus disease 2019 pandemic, these tools could be effectively integrated with practical lab experiments. In this study, a computational fluid dynamics (CFD) simulation and a VR module were utilized to simulate heat transfer by conduction through various experimental cases. The CFD simulation results were obtained using ANSYS/FLUENT software. Meantime, the experimental data were obtained by carrying out three experiments of heat conduction with different heat transfer rates through simple, composite, and different cross‐sectional area bars. At last, the experimental procedure and devices used were virtually constructed using SolidWorks software as three‐dimensional models, which were then extruded into VR and augmented reality models. It was found that the simulation results closely align with the experimental ones, and the temperature profile in both cases has the same behavior with small differences, which indicates the validity of the developed module to be used as a simulation of the actual experiments. In addition to improving knowledge of heat transfer principles, this combination of simulation and VR technology advances many Sustainable Development Goals (SDGs), including advancing quality education (SDG 4) and innovation in higher education (SDG 9). Additionally, this method assists in achieving the course learning objectives by mimicking real‐world lab experiments, guaranteeing that students graduate from the course with the required information and abilities.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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