اجتناب از Grid Over Refinement در GMS

۰۴ آذر ۰۰ ، ۲۱:۱۲ نويسنده: بهزاد سرهادی

هنگام ساخت شبکه ای برای مدل آب زیرزمینی خود، مطمئناً ساخت یک شبکه واقعاً تصفیه شده می تواند وسوسه انگیز باشد. در حالی که این وسوسه قابل درک است، مشکلات خاصی وجود دارد که می تواند ناشی از داشتن شبکه ای باشد که بیش از حد اصلاح شده است. این پست به برخی از دلایل جلوگیری از اصلاح بیش از حد شبکه خود در GMS اشاره می کند. البته دلایل موجهی برای اصلاح بخش هایی از شبکه شما وجود دارد. بخش هایی از شبکه که مناطق کلیدی هستند باید اصلاح شوند. این باید فقط در مناطق اطراف چاه ها یا سایر سازه هایی که برای مدل مهم هستند انجام شود. با اصلاح نواحی کلیدی، مناطق مهم شبکه در طول اجرای مدل مورد توجه بیشتری قرار خواهند گرفت. با این حال، پالایش بیش از حد شبکه شما می تواند باعث ایجاد برخی مشکلات شود، از جمله برخی از موارد زیر که در اینجا ذکر شده است.

هنگامی که در حال پالایش هستید، سلول های شبکه بیشتری را در شبکه خود ایجاد می کنید. هر یک از این سلول ها در محاسبه اجرای مدل استفاده می شود. شبکه‌ای که بیش از حد پالایش شده است، معمولاً سلول‌های زیادی دارد که باید در محاسبات مدل استفاده شوند، که بسیاری از آنها غیر ضروری هستند. این باعث می‌شود که اجرای مدل کندتر و طولانی‌تر از همان مدل بدون اصلاح بیش از حد طول بکشد.

از آنجا که یک شبکه بیش از حد تصفیه شده حاوی سلول های تصفیه شده در مناطق غیر مهم پروژه است، داده های این مناطق گاهی اوقات می توانند نتایج را تغییر دهند. اجرای مدل به طور کلی بین بخش های مهم و غیر مهم شبکه تمایز قائل نمی شود. وقتی با بخشی از شبکه مواجه می شود که سلول های زیادی دارد، تمام داده هایی را که می تواند برای آن ناحیه جمع آوری می کند. در یک شبکه بیش از حد تصفیه شده، این می تواند به این معنی باشد که داده های بیشتری از نیاز مدل جمع آوری می کند، که گاهی اوقات می تواند نتایج را تغییر دهد.

بزرگترین مشکلی که ما اغلب می بینیم زمانی است که شبکه های تصفیه شده بیش از حد باعث می شود که مدل همگرا نشود. یک بار دیگر، یک شبکه بیش از حد تصفیه شده سلول های زیادی خواهد داشت و داده های غیر ضروری بسیار زیادی را جمع آوری می کند. همه اینها می تواند مدل را تحت الشعاع قرار دهد و باعث واگرایی مدل شود. برای حل این مشکل، باید شبکه را ساده کنید تا اجرای مدل بر روی مناطق کلیدی مدل متمرکز بماند.