نکاتی برای مدل سازی احتمالاتی در GMS

۲۸ خرداد ۰۰ ، ۲۳:۰۹ نويسنده: بهزاد سرهادی

مدل های آب زیرزمینی اغلب نیاز به مقابله با مقدار نسبتاً عدم قطعیت دارند، به ویژه هنگامی که مدل ها داده های کالیبراسیون محدودی در دسترس دارند. یک رویکرد مدل سازی تصادفی می تواند با استفاده از مجموعه ای از مدل ها برای برآورد احتمال برخی از نتایج خاص، یک گزینه مفید برای مقابله با این عدم اطمینان باشد و GMS چند ابزار و روش برای استفاده از این روش ارائه می دهد. در این پست برخی نکات و نکات در مورد مدل سازی تصادفی در GMS بررسی می شود.

GMS با استفاده از MODFLOW 2000 یا 2005 سه روش را برای مدل سازی تصادفی فراهم می کند. اینها عبارتند از: .

اجرای یک مدل تصادفی

هنگام پارامتر کردن یک مدل و شناسایی ورودی های مدل که باید تصادفی شوند، پارامترهایی با بالاترین عدم اطمینان را هدف قرار دهید. اما اطمینان حاصل کنید که پارامترهای زیادی را انتخاب نکنید، زیرا داشتن تعداد زیادی گزینه برای انجام کامل بررسی پارامترها به تعداد قابل توجهی اجرای مدل احتیاج دارد و این ممکن است غیر منطقی باشد. همچنین اطمینان حاصل کنید که هنگام تعیین مقادیر کلیدی در مناطق پارامتر، از مقادیری که به طور معمول در ورودی MODFLOW رخ می دهد استفاده نکنید. مقادیر منفی به طور معمول می توانند این امر را محقق کنند.

وقتی نوبت به شبیه سازی نشانگر می رسد، از نرم افزار T-PROGS معمولاً برای تولید مجموعه های مختلف مواد یا چندین ورودی ورودی MODFLOW HUF استفاده می شود که برای شبیه سازی تصادفی استفاده می شود. بخاطر داشته باشید که حداکثر از پنج ماده با الگوریتم T-PROGS قابل استفاده است. این یک محدودیت عمدی اعمال شده برای جلوگیری از پیچیده شدن بیش از حد پردازش داده ها و رابط کاربری است. در حالی که یک حد سخت است، اما به طور کلی می توان داده های گمانه را تا پنج ماده یا کمتر متراکم کرد.

پس از تولید نتایج مدل سازی تصادفی، می توانید نتایج را اصلاح کنید، یا با استفاده از Risk Analysis Wizard یا با استفاده از دستور Analysis Statistics در یک پوشه تصادفی. دسته دوم مجموعه داده هایی را برای میانگین، دقیقه، حداکثر و انحراف استاندارد ایجاد می کند که با استفاده از گزینه های نمایش شبکه سه بعدی قابل مشاهده است.

اطلاعات بیشتر در مورد مدل سازی تصادفی در GMS را می توان در Aquaveo XMS Wiki یا مرور آموزش GMS برای مدل سازی تصادفی یافت.