Optimizing Engineering Education with Simulation: Teaching Core Concepts through Integrated Case Studies and Ansys Analysis
Notice bibliographique
Résumé
Engineering education traditionally relies on analytical methods and theoretical instruction, often lacking practical, hands-on learning experiences due to logistical and financial constraints. This study explores a novel approach that integrates Finite Element Analysis (FEA) and Computational Fluid Dynamics (CFD) simulations with experimental and analytical methods through structured case studies. By leveraging Ansys software, this initiative aims to bridge the gap between theory and application, enhancing students’ understanding of fundamental engineering principles. The study involved a series of multi-day workshops at the University of Waterloo, engaging approximately 500 students from diverse engineering disciplines. These workshops incorporated analytical problem-solving, hands-on experimentation, and simulation-based validation. Case studies in structural mechanics, thermodynamics, and electromagnetics reinforced key engineering concepts across multiple disciplines. This study presents affective feedback from over 100 students across multiple disciplines who engaged in simulation-integrated workshops, evaluating their engagement, perceived relevance, and confidence in applying engineering concepts. Preliminary results indicate that integrating simulation-driven case studies enhances student comprehension and problem-solving skills. Workshop participants reported increased confidence in applying theoretical knowledge to real-world scenarios, recognizing the importance of correlating analytical and experimental data with simulation outputs. Combining case studies with industry-standard software, students develop a more intuitive grasp of complex engineering systems, better preparing them for both academic and professional challenges. Future work will focus on expanding this methodology across additional engineering curricula, refining assessment techniques, and further embedding simulation-based learning into undergraduate education.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».