Design and Assessment of a Team-Based Mini-Lab Integrated into Chemical Process Engineering Curriculum
Notice bibliographique
Résumé
With a growing emphasis on sustainable development, chemical process engineering education must equip students with skills in industrial system optimization. Drying, a common but energy-intensive operation, highlights the importance of efficiency in process design. Foundational courses such as mass and heat transfer introduce these concepts, while the “mini-lab” provides senior undergraduates with a practical, flexible alternative to traditional experiments. By addressing the time and stress constraints of final-year students, the mini-lab enhances engagement and learning effectiveness in process optimization. The goal is to enhance their interest and learning enthusiasm through hands-on activities and competition-based learning, enabling them to more efficiently learn about the drying process and fit within their demanding schedules while still achieving key learning outcomes. After students had mastered the fundamental principles of drying operations and understood the influencing factors of drying efficiency, such as temperature, air velocity, and contact area, they then used Aspen Plus as a design tool. A completed industrial-scale drying process model will be provided to the students, and based on this scaled drying equipment model, they will design a high-efficiency and high-productivity process by modifying different operating conditions. More importantly, through evaluations and student feedback, the teaching model introduced in this paper can be widely applied to various engineering courses, especially those with significant theoretical content. The combination of theory and practice not only increases student engagement but also brings students closer to real-world industrial applications, positively impacting their future development.
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 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 | 0,000 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».