2.11 روشهای جستجوی عددی

روشهای تحلیلی کلاسیک به ندرت در مسائلی استفاده می شود که شامل شناسایی پارامترها باشد زیرا بسیاری از اوقات توابع هدف عبارات پیچیده ای دارند یا حتی نمی توان آنها را به صورت تحلیلی تعریف کرد.

در این موارد از روش های عددی برای ارزیابی بهترین پارامترها استفاده می شود. فرآیند محاسبات یک فرایند تکراری است. این از یک راه حل اولیه شروع می شود، که باید در مورد یک مشکل محدود یک نقطه عملی باشد. با تکرارهای پی در پی، توالی تقریبی تولید می کند که به یک نقطه مطلوب همگرا می شود (که بهینه کلی لازم نیست). جستجو هنگامی که برخی از معیارهای همگرایی مطلوب است متوقف می شود و آخرین نقطه واقع شده پیکربندی بهینه پارامترها را نشان می دهد.

کالیبراسیون پارامترها به عنوان شناسایی، ارزیابی، ارزیابی یا برآورد نیز شناخته می شود. در مدل های ریاضی یک سری پارامترها اتفاق می افتد، هر یک از آنها منعکس کننده تأثیر یک یا چند عنصر است که بر پدیده یا روند تحلیل شده عمل می کنند. اگر پارامترها معنای فیزیکی مستقیم نداشته باشند یا قابل اندازه گیری نباشند، تنها راه شناسایی تعیین آنها با روش های ریاضی است.

یادگیری ماشین در آبهای زیرزمینی و مدل کالیبراسیون با MODFLOW ،Flopy ،PySal و Scikit Learn موضوع این پست است. کیفیت کار مدل سازی آب های زیرزمینی به سه عامل متکی است: توزیع مکانی-زمانی داده های مشاهده شده، ساخت و کالیبراسیون مدل و نتیجه گیری های حاصل از شبیه سازی های پیش بینی شده. بر اساس پیچیدگی های ابزارهای عددی، مقدار پارامترهای درگیر، کالیبراسیون آب های زیرزمینی می تواند یک چالش جدی برای مبتدیان، طراحان متوسط ​​یا پیشرفته با بسیاری از موفقیت ها و شکست ها باشد. نتیجه گیری اغلب با استرس روانی همراه است.

پس از ایجاد مجموعه داده های گذرا، می توانید زمان را صرف کلیک کنید از طریق هر گام زمانی برای ارزیابی تغییرات در طول زمان. یکی از سریعترین راه های مشاهده تغییرات در داده های گذرا، ایجاد یک انیمیشن است.

ایجاد یک انیمیشن در GMS می تواند به سرعت با استفاده از ابزار تولید انیمیشن انجام شود. هنگامی که یک مجموعه داده موقت با چندین مرحله در پروژه دارید، موارد زیر را انجام دهید:

به منظور تخمین دقیق تابع هدف، مدلسازی آب های زیرزمینی با MODFLOW و سایر کدها به صورت مدلسازی معکوس تعریف می شود که در آن پارامترهای کلیدی از طریق مقایسه نتایج مدل با داده های مشاهده شده محاسبه می شود. این فرایند مقایسه طولانی است، استفاده از معیارهای پذیرش و تحلیل روند متاثر شرایط مرزی است.

آنچنان که در ذیل می خوانید، سایت انتشار دهنده کد PEST برای بهبود کارایی و شخصی سازی کد واسنجی خود راهنمای کاربرد و توسعه مدل را برای برنامه نویسان ارائه می دهد. توضیحات زیر می تواند برای علاقه مندان به شبیه سازی های محیطی و بخصوص آب زیرزمینی کارا باشد.

چه ویژگی جدیدی در PEST نسخه 14 است؟ چند رفع اشکال و برخی از بهبود کارایی های جزئی. با این حال، تغییر بزرگ سازگاری با PEST_HP - در نسخه جدید PEST است که طراحی آن برای استفاده در محیط های بسیار موازی مانند حالت ابری بهینه سازی شده است. شما می توانید PEST_HP را از وب سایت PEST.cloud دریافت کنید.