Categorias
Artigos

Disciplina de Transferência de Calor e Massa I: meus planos para melhorar

Este é parte de uma série de posts onde mostro meus planos para meu quarto semestre como professor de Engenharia Mecânica. Sugestões nos comentários são bem vindas!

A disciplina de Transferência de Calor e Massa I é uma disciplina intermediária de Engenharia Mecânica (na minha universidade, um curso de 6ª fase), onde os estudantes saem do esquema de Termodinâmica de “um estado final menos um estado inicial” e aprendem a calcular o que acontece no meio do caminho. Esta primeira disciplina do assunto cobre os mecanismos de condução unidimensional permanente e convecção monofásica; tradicionalmente, estudantes de Engenharia Mecânica cursam dois semestres de Transferência de Calor, sendo que as divisões variam entre universidades. Os assuntos restantes são condução bimensional e transiente, métodos numéricos, convecção com mudança de fase e radiação.

O que tem dado certo em Transferência de Calor e Massa I

Essa diferença de divisão se tornou um desafio, pois eu estudei de maneira diferente então não tive a reação automática de “foi assim que eu estudei, é assim que eu vou ensinar”. Porém, eu rapidamente percebi uma vantagem: essa é uma disciplina que culmina, muito naturalmente, em um projeto de trocador de calor. É um privilégio como professor assistir estudantes que estão ainda no meio do curso já conseguirem projetar um equipamento tão importante ao final do semestre. No início desse semestre, um aluno já avisou que estava ansioso em poder participar desse projeto. E deixe-me dizer: em sua maioria, os futuros engenheiros e engenharia conseguem fazer um projeto – simples, mas funcional.

Essa prática de promover desafios de projeto é um sucesso mesmo com aulas remotas, pois parece que os alunos conseguem se reunir virtualmente, pesquisar catálogos de tubos e materiais, procurar aplicações similares aos desafios propostos, montar planilhas, e ao final apresentar seu projeto em uma video-conferência.

Ensinar estudantes de Engenharia a integrar conceitos ao longo de aulas discretas em um sistema coerente é uma lacuna clássica da educação tecnológica [1], e eu fico feliz em tentar avançar nessa frente.

Desafios atuais em aulas remotas de Transferência de Calor e Massa I

O que não é fácil de ministrar de maneira remota é o que acontece até essa parte prática. De todos os meus cursos, este é onde há a maior carga matemática. Como mostrar uma dedução matemática de um perfil de temperatura numa aleta para alguém que provavelmente está com um laptop no colo (isso não é um julgamento; para muitos estudantes, sem acesso a uma sala de aula, essa é a única maneira de assistir aulas)?

Há uma abundância de livros-texto (e a nossa biblioteca está funcionando) e materiais disponíveis na internet sobre um assunto tão fundamental (o que não significa que ele é fácil), mas isso cria um perigo: que as aulas se tornem um ritual de resolução de exercícios sem pensar.

Isso me leva ao meu principal desafio, para o qual ainda não achei solução na minha ainda curta carreira de professor: como tornar as aulas verdadeiramente ativas?

Três passos que pretendo implementar para melhorar a disciplina de Transferência de Calor e Massa I

  1. Criar mais listas de exercícios desafiadores, fazendo delas um item de avaliação, e dedicar aulas a explorar esses exercícios;
  2. Propor mais avaliações onde os alunos tem de selecionar o problema relevante a ser resolvido, em vez de apenas resolver provas com o enunciado todo formulado;
  3. Ministrar aulas síncronas mais interativas e dinâmicas: enquetes no meio da aula, tempo para resolver um exercício (curto) e discutir os resultados em aula. Pretendo também resolver exercícios em sala de maneira computacional, aplicando conceitos de Aprendizado de Máquina e explorando melhor as relações entre variáveis: como a condutividade do ar realmente varia com a temperatura? Como a velocidade de um escoamento afeta a taxa total de transferência de calor? Estou inclusive fazendo um curso de OBS para aprender a alternar mais janelas e evitar o padrão atual de “apresentação de slides”.

Os leitores acham que são boas ideias?

Referências

[1]: Stoecker, W. F. Design of thermal systems. [sl]: McGraw-Hill, 1980.

Categorias
Artigos

O que é aprendizado de máquina (de acordo com um Engenheiro Mecânico)

Eu acabei de ganhar um prêmio por um trabalho que apresentei sobre Aprendizado de Máquina (Machine Learning), então eu deveria ser um especialista no assunto. Eu não sou, mas vou introduzir aqui o que penso sobre o assunto, como tenho aprendido, e como tenho usado na minha vida de Professor de Engenharia Mecânica.

Vamos ser francos: Aprendizado de Máquina é um termo científico que foi sequestrado por estratégias de marketing (o que em si não é ruim, pois – surpresa – cientistas gostam de ganhar dinheiro) e perdeu muito do seu signficado (o que é ruim). Como assim, máquinas aprendem? Isso significa que os robôs vão dominar o mundo? Todas as profissões estão fadadas à extinção?


Como aprendemos? Basicamente, treinamos um conceito, um método ou abordagem e testamos nossa abordagem com algum valor dito verdadeiro – na vida acadêmica, o gabarito da lista de exercícios; na vida real, comparamos com documentos históricos ou dados experimentais. Se erramos, precisamos corrigir nosso método e repetir.

Vamos pegar um exemplo que está na minha cabeça por causa das minhas aulas: desempenho de combustíveis. Um litro de gasolina libera mais energia, chamada de poder calorífico, que um um litro de etanol – não à toa, ela é mais cara. Mas o que exatamente provoca essa diferença? É porque a gasolina tem uma cor e o etanol outro? A gasolina vem do petróleo e o etanol da cana-de-açúcar?

Observando a estrutura química, eu proponho um modelo, uma tentativa de representação da realidade: o etanol tem mais oxigênio dissolvido que a gasolina (e isso pode ser verificado experimentalmente), então eu digo que o poder calorífico diminui com a presença de oxigênio no combustível.

Como posso testar isso? Uma abordagem simples seria pegar uma série de combustíveis, e separar em dois grupos: os que tem oxigênio e os que não tem. Vou fazer experimentos e medir o poder calorífico. Para cada par de combustível, um oxigenado e o outro não, o combustível com oxigênio tem de ser mais fraco que o outro. Se isso for verdade, eu aprendi um fato sobre combustíveis. Se não, tenho de propor outro modelo.

Um computador não pode olhar uma série de dados sobre combustíveis e adivinhar que os combustíveis oxigenados são mais fracos que os não-oxigenados, mas ele pode sistematicamente investigar essa hipótese; um computador pode facilmente ler um banco de dados de composição de combustíveis e fazer os cálculos. Ele pode ser programado também para testar uma enormidade de número de modelos, comparando todas as propriedades conhecidas dos combustíveis até descobrir qual a mais relevante para o poder calorífico. Importantemente, você pode alimentar o modelo com mais e mais dados de combustíveis, e não precisa re-programar o computador; ele refaz os cálculos automaticamente.

A ideia original, porém, foi minha. Em último grau, aprendizado de máquina é o meu aprendizado.


Eu comecei a estudar esse assunto quando um colega o introduziu no nosso grupo de pesquisa, baseado nos cursos que ele estava fazendo na época. Uma ideia que começou como uma “brincadeira” virou um trabalho premiado (que em breve vai virar um artigo publicado em um periódico importante). Assim é a ciência.

Como isso me afeta? Eu não sou Cientista da Computação, nem mesmo Cientista de Dados; sou Professor de Engenharia Mecânica. Para o semestre 2021-2 que se aproxima, meu objetivo principal é aplicar os conceitos de Aprendizado de Máquina em problemas reais, importantes de Engenharia Mecânica.

Engenheiros Mecânicos (e mesmo de outras áreas; eu estou falando dessa por ser a de mais afinidade para mim) lidam com dados o tempo todo. Em particular, nós precisamos lidar com catálogos de equipamentos o tempo todo; o que nós podemos aprender com esses dados? Se eu tenho dois catálogos de compressores na minha frente, como posso extrair dos dois o conhecimento de qual vai resultar num sistema mais eficiente?

Outra fonte importante de dados: tabelas de propriedades termofísicas. Eu realmente preciso parar de resolver exercícios interpolando valores nessa tabela à mão, e pensar mais sobre modelos. Como exatamente a condutividade térmica da água varia com a temperatura? Ela cresce ou diminui? Linearmente ou não?

Vou tentar documentar aqui os meus desenvolvimentos nessa área. As leitoras e leitores trabalham com Aprendizado de Máquina, e/ou querem aprender mais sobre o assunto?