将深度学习框架融入化学工程教育:反应器选择与设计的案例研究

《Education for Chemical Engineers》:Integrating Deep learning Framework into Chemical Engineering Education: A Case Study on Reactor Selection and Design

【字体: 大 中 小 】 时间:2026年08月28日 来源:Education for Chemical Engineers 4.7

编辑推荐:

   摘要将人工智能(AI)嵌入化工课程体系往往受到软件部署壁垒的限制,且关于学生如何参与AI赋能工作流的实证证据也较为有限。本初步实施与可行性研究将一个基于神经网络处理单元(NPU)的云端AI笔记本整合到两门化工课程中,以固定床反应器设计作为核心案例。教师提供了一个功能完整的多层

  

摘要

将人工智能(AI)嵌入化工课程体系往往受到软件部署壁垒的限制,且关于学生如何参与AI赋能工作流的实证证据也较为有限。本初步实施与可行性研究将一个基于神经网络处理单元(NPU)的云端AI笔记本整合到两门化工课程中,以固定床反应器设计作为核心案例。教师提供了一个功能完整的多层感知器(MLP)工作流,学生则修改模型架构与超参数、比较催化剂几何形状,并对照计算流体力学(CFD)参考数据解释预测结果。教学与问卷组共72名学生(22名本科生和50名研究生),所有学生均提供了干预前与干预后匹配的问卷数据。一个由28名学生组成的课程考核子集(22名本科生和6名一年级硕士生)完成了期末考试题目和展示作业。云端NPU将单轮训练时间从本地CPU的114.2秒缩短至5.8秒,并使得在45分钟的课堂时段内进行反复模型探索成为可能。问卷得分在四个自评维度上均有描述性提升,期末考试题目平均分得8.36分(满分10分,SD 1.54)。这些发现支持了该模块的技术可行性与短期教育相关性。然而,由于缺乏客观前测、对照组和纵向追踪,无法对学习效果得出因果性结论。

引言

当前,人工智能(AI)和机器学习(ML)正深刻重塑化工领域的传统研究和工业实践(Ding et al., 2025, Xu et al., 2024, Chowdhury et al., 2026)。从过程优化和新材料开发到反应器设计,数据驱动建模与基于物理现象的传统机理模型正在迅速融合,推动化工产业向智能化转型(Bishnu et al., 2023, Md Nor et al., 2020, Ma et al., 2022)。这种技术变革不仅在改变工业工作流程,也对下一代化工人才提出了前所未有的要求。现代化工工程师不仅需要掌握流体力学、传递过程和反应工程的扎实知识,还必须具备利用计算智能和深度学习框架处理复杂工程数据的跨学科能力(Lavor et al., 2024, Pilario, 2024, Saguy et al., 2025)。然而,如何将这些前沿行业需求有效转化为课堂教学内容,仍是高等工程教育面临的一项重大挑战10。
在传统化工本科和研究生核心课程中,教学大纲通常侧重于机械设计、材料力学分析和基于经验公式的设备选型计算。尽管这些内容为学生的工程基础所必需,但当面对高度非线性和多维度的反应器设计问题时,传统教学模式暴露出显著局限。首先,课程内容往往停留在静态公式推导层面,缺乏将人工智能与实际工程数据相结合的操作闭环(Bascu?ana et al., 2023, Hossain and Ayodele, 2025)。这使得学生难以直观理解海量数据如何反馈并指导反应器设计。其次,将复杂的深度学习模型引入课堂面临极高的技术门槛。由于学生普遍缺乏系统的进阶编程训练,配置本地环境(如安装依赖包和接入GPU算力)往往导致严重学习受挫,严重干扰核心化工知识的吸收,使得"AI+化工"的跨学科教学难以真正落地。
为解决上述问题,本研究实施了一个产学研教学模块,将上海交通大学的"校我算"AI算力生态系统和"思源-1"云平台引入《化工机械基础》和《化工科技前沿》课程。以反应器选型与设计为锚定问题,该模块引导学生经历涵盖数据准备、代理建模、模型评估和工程解释的完整工作流。学生使用云端AI笔记本训练深度学习模型,用于预测固定床反应器内的浓度场分布,从而以直观方式将反应器设计变量与空间分布性能结果联系起来。
这一方法具有两方面实际优势。第一,云端工作流消除了大部分本地部署和硬件障碍,使学生能够专注于数据的工程含义、模型结构和输出结果的解读。第二,该模块采用分层组织方式,既可以在引导入门层面支持本科教学,也可以作为更具开放性和研究性的练习服务于研究生。通过这种方式,同一教学案例可在不同学习阶段进行适配,而不改变其核心工程语境。
本研究跟踪了72名学生的教学过程与反馈,其中包括22名本科生和50名研究生。研究生组包含6名一年级硕士生和44名一年级博士生。全部72名学生均参与了教学及匹配问卷评估。课程考试和展示记录可用于一个28名学生的子集(包括22名本科生和6名硕士生)。本研究通过以下研究问题(RQs)评估技术可行性、学生感知和短期课程表现:
RQ1:在模块教学过程中,学生的AI知识自评、课程感知、平台感知和学习参与度如何变化?在可用的课程考核中观察到了怎样的短期表现?
RQ2:基于云端的AI笔记本工作流在课堂中的可用性如何?哪些技术、教学和支持需求影响了其实施?
RQ3:在不同教育阶段的本科生和研究生之间,干预后的感知有何差异?
本文其余部分组织如下。第2节描述教学设计、评估框架、案例研究和技术环境。第3节呈现模型结果和学生成效评估。第4节总结主要发现、讨论当前局限并展望未来教学实践方向。

章节摘要

教学框架与课程设计

如图1所示,教学框架使用云端AI笔记本将数据准备、代理建模、模型评估和工程解释连接起来。学生通过标准浏览器访问NPU资源,从而免去了大部分本地驱动器和依赖配置。这一安排降低了本地部署壁垒,但仍需要机构计算资源、账户管理、教师准备和课堂技术支持。
本课程采用了一种

预测性能与计算效率

课堂实施需要满足两个技术条件:代理模型需与CFD参考数据具有足够的预测一致性,且计算平台需具备足够速度以支持课堂中的反复使用。本节报告模型性能和云端NPU计算效率。

结论

本研究实施了一个云端AI教学模块,以固定床反应器设计作为核心案例。学生部署教师提供的MLP工作流,修改选定的架构和训练参数,比较催化剂几何形状,并对照CFD参考数据解释预测结果。云端NPU将单轮训练时间从本地CPU的114.2秒缩短至5.8秒,使得在正常课堂时段内进行反复模型探索成为可行。
匹配问卷数据

未引用参考文献

Huang (2025); (Schnotz and Kürschner, 2007); (Maranguni? and Grani?, 2015); (Joshi et al., 2015)

CRediT作者贡献声明

刘婷婷:撰写——初稿,验证,正式分析,数据整理。潘云祥:撰写——审阅与编辑,数据整理。周寅宁:撰写——审阅与编辑,正式分析。陈熙忠:撰写——审阅与编辑,可视化,验证,资金获取。罗正宏:撰写——审阅与编辑,资金获取。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

作者感谢以下项目的资金支持:煤炭重大项目(资助号2024ZD1700402)、国家自然科学基金委员会(NSFC资助号22578265和22308212),以及国家自然科学基金委—中国石化联合基金基础研究重大项目(资助号U25D9011)。

数据可用性声明

数据可向通讯作者合理索取。
刘婷婷|周寅宁|潘云祥|罗正宏|陈熙忠
中国上海交通大学化学化工学院化学工程系化学生物合成协同创新国家重点实验室,上海 200240,中华人民共和国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号