دانلود مقاله عدم قطعیت و حساسیت مدل سازی و شبیه سازی سیستم منابع آب و هیدرولوژی

چکیده
مقدمه
مسائل، نگرانی ها و واژگان تخصصی
تغییرپذیری و عدم قطعیت در خروجی مدل
عدم قطعیت دانش
تغییرات طبیعی
عدم قطعیت مقدار پارامتر
خطاهای محاسباتی و ساختاری مدل
عدم قطعیت تصمیم گیری
شگفتی ها
آنالیز های حساسیت و عدم قطعیت
آنالیز های عدم قطعیت
مدل و عدم قطعیت های پارامتر مدل
انالیز عدم قطعیت چه چیزی را در اختیار می گذارد
انالیز حساسیت
1ضرایب حساسیت
یک روش انالیز حساسیت قطعی گرایانه ی ساده
خطا ها و اثرات متقابل چند گانه
گروه های فاکتور ها
مجموعه ها
دو فاکتور در یک زمان
انالیز حساسیت درجه ی اول
روش طرح فاکتوریل کسری
روش های نمونه برداری مونت کارلو
نمونه برداری ساده ی مونت کارلو
معنی داری نتایج
انالیز مونت کارلو استاندارد شده
براورد حداکثر بزرگ نمایی تعمیم یافته
نمونه برداری هایپر کیوب یا فرا مکعب لاتین
عدم قطعیت هدف شاخص عملکرد
تمیز و تفکیک اختلافات بین توزیعات شاخص عملکرد
ارتباط عدم قطعیت مدل خروجی
نتیجه گیری

چکیده

اهمیت هر مدل تا حدودی به صحت و پایایی( اطمینان پذیری) خروجی آن بستگی دارد. با این حال، چون همه مدل ها، الگوهای ناقضی از واقعیت می باشند و چون داده های ورودی دقیق بسیار نادر هستند، همه مقادیر خروجی در معرض دقت پایین قرار دارند. خطاهای داده های ورودی و عدم قطعیت های مدل سازی مستقل از هم دیگر نمی باشند- آن ها به شیوه های مختلف با هم اثر متقابل دارند. نتیجه نهایی، عدم دقت و عدم قطعیت مربوط به خروجی مدل است. این فصل بر شیوه های شناسایی، کمی سازی و برقراری ارتباط بین عدم قطعیت ها در خروجی های مدل تاکید دارد.

1-مقدمه

به منظور براورد اثرات مختلف سیاست های طراحی و اجرای سیستم های منابع آب، اولین روش، استفاده از مدل ها می باشد. مدل ها مقدار شاخص های مختلف عملکرد سیستم را پیش بینی می کنند. خروجی آن ها بر اساس ساختار مدل، ورودی های هیدرولوژیکی و سری های زمانی دیگر و طیف وسیعی از پارامتر ها می باشند که مقادیر آن ها سیستم مورد شبیه سازی را توصیف می کنند. حتی اگر این فرضیات و داده های ورودی نشان دهنده و یا حداقل معرف شرایطی باشند که به اعتقاد ما واقعی هستند، می دانیم که آن ها غیر دقیق خواهند بود. مدل های ما معمولا شکل ساده ای از سیستم های واقعی مورد مطالعه است. به علاوه، ما به سادگی نمی توانیم آینده را با دقت پیش بینی کنیم از این روی می داتیم که خروجی های مدل شرایط آینده، در بهترین حالت غیر قطعی می باشد.برخی از عدم قطعیت های پیش بینی را می توان با تحقیقات ، جمع آوری و تجزیه تحلیل بیشتر کاهش داد.قبل از انجام مطالعات پر هزینه برای جمع اوری و تحلیل داده های اضافی، بهتر است تا این سوال را بپرسیم که اگر همه داده ها و عدم قطعیت های مدل را بتوان کاهش داد، براورد عملکرد مدل چقدر افزایش می یابد و عدم قطعیت مربوط به این مدل ها به چه میزان کاهش می یابد. چنین اطلاعاتی به براورد میزان تمایل به پرداخت یک نفر برای کاهش عدم قطعیت کمک می کند. در صورتی که عدم قطعیت پیش بینی پر هزینه باشد، باید اقدام به سرمایه گذاری برای جمع اوری داده های بیشتر، مطالعات بیشتر یا مدل های بهتر کرد که هدف اصلی کاهش عدم قطعیت پیش بینی است. در صورتی که عدم قطعیت هیچ گونه اثری بر روی تصمیم احتمالی که باید گرفته شود نداشته باشد، باید نگران مسائل دیگر بود.

اگر به نظر برسد که کاهش عدم قطعیت پیش بینی ارزشمند باشد، آنگاه باید به دنبال اتخاذ بهترین شیوه برای انجام این کار بود. در صورتی که این کار مستلزم جمع اوری داده های بیشتر باشد، بدیهی است که ارزش این اطلاعات مازاد بیش از هزینه بدست اوردن آن باشد. ارزش چنین اطلاعاتی موجب افزایش عملکرد سیستم و کاهش واریانس آن شده و فرد می تواند انتظار کسب چنین اطلاعاتی را داشته باشد. در صورتی که اطلاعات بیشتری به دست اید، باید اطلاعاتی باشد که عدم قطعیت های مهم را فقط کاهش دهد.

این فصل به مرور برخی از روش های شناسایی و ارتباط عدم قطعیت پیش بینی مدل می پردازد. این بحث با مرور دلایل ریسک و عدم قطعیت در خروجی مدل شروع می شود. این خود سپس به بررسی شیوه های اندازه گیری و کمی سازی عدم قطعیت و حساسیت خروجی مدل برای مدل سازی عدم دقت ورودی، پرداخته و بر روش های تمرکز می کند که برای مدل سازی شبیه سازی منطقه ای بزرگ مقیاس مناسب ترین باشند. این خود برخی از روش های آماری بررسی شده در فصل 7 و مدل سازی ریسک و عدم قطعیت در فصل 8 را نشان می دهد.