Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Módszertan: dekompozíció és aggregáció AGGREGÁLT MODELL PROBLÉMA & RENDSZER MEGOLDÁS AGGREGÁCIÓ DEKOMPOZÍCIÓ MEGOLDÁS ? DEKOMPONÁLT RENDSZER 1980 2000.

Hasonló előadás


Az előadások a következő témára: "Módszertan: dekompozíció és aggregáció AGGREGÁLT MODELL PROBLÉMA & RENDSZER MEGOLDÁS AGGREGÁCIÓ DEKOMPOZÍCIÓ MEGOLDÁS ? DEKOMPONÁLT RENDSZER 1980 2000."— Előadás másolata:

1

2

3 Módszertan: dekompozíció és aggregáció AGGREGÁLT MODELL PROBLÉMA & RENDSZER MEGOLDÁS AGGREGÁCIÓ DEKOMPOZÍCIÓ MEGOLDÁS ? DEKOMPONÁLT RENDSZER

4 2D Transzport modell 2D Hidrodinamikai modell Morfológiai modell v(x,y) T(x,y) z(x,y) DyDyDyDy k st PAKS

5

6 Determinisztikus predikciós módszer Két extrém megközelítés Próba szerencse módszere alias: Empírikus iterációs módszer Tervezési módszer

7 Próba szerencse módszere Anélkül, hogy tudnánk “miért”, lassan megtanuljuk “hogyan“… Példa: Római építmények

8 Rómaiak...

9 Próba szerencse módszere Anélkül, hogy tudnánk “miért”, lassan megtanuljuk “hogyan“… Példa: Gótikus építmények Meglepő hatékonyság DE: hosszú idő hosszú idő kockázatos kockázatos

10 Notre-Dame, Párizs

11 Próba szerencse módszere Technológiai fejlődések (Kína) Példák: PorcelánPorcelán Függő hidakFüggő hidak SzivattyúkSzivattyúk …, az európai tudomány megjelenése előtt

12 A fizika fejlődése görögök (Szokratesz, Platon, Arisztotelesz, Archimedes)görögök (Szokratesz, Platon, Arisztotelesz, Archimedes) Arab tudósok - MatematikaArab tudósok - Matematika Kopernikusz ( ) - bolygómozgásKopernikusz ( ) - bolygómozgás Galilei ( )Galilei ( ) Newton ( )Newton ( ) Einstein ( )Einstein ( )

13 Determinizmus e = f(i 1,i 2,…i n ; p 1, p 2,….p n ) ehatás ehatás f okozati összefüggés f okozati összefüggés iinput változók iinput változók pparaméterek pparaméterek

14

15 Típusai Bizonytalanság 1. inputok hibái a. kezdeti, peremi feltételek b. paraméterek 2. modell- bizonytalanság

16 e = f(i 1,i 2,…i m ; p 1, p 2,….p n ) +  ehatás ehatás f okozati összefüggés f okozati összefüggés iinput változó iinput változó pparaméterek pparaméterek  bizonytalanság  bizonytalanság Bizonytalanság

17 A “nem” tudás kategóriái DeterminizmusDeterminizmus Statisztikai bizonytalanságStatisztikai bizonytalanság Scenario bizonytalanságScenario bizonytalanság Tudás hiányaTudás hiánya

18 Determinisztikus bizonytalanság e = f(i 1,i 2,…i m ; p 1, p 2,….p n ) ∙ ∙ f u (i u,1,... I u,k, p u,1,…p u,l ) +  ∙ f u (i u,1,... I u,k, p u,1,…p u,l ) +  ehatásehatás f okozati összefüggésf okozati összefüggés iinputiinput pparametérekpparametérek f u ismeretlen okozati összefüggésf u ismeretlen okozati összefüggés  egyéb bizonytalanság  egyéb bizonytalanság

19 e = f(i 1,i 2,…i m ; p 1, p 2,….p n, ) ∙ … Determinisztikus bizonytalanságok

20 Tacoma híd 1940 …∙ f u (i u,1,... I u,k, p u,1,…p u,l ) + 

21 Egy másik példa A Balaton fitoplankton-dinamikájának előrejelzése az időjárási tényezők és az időjárási tényezők és a tápanyagterhelés a tápanyagterhelés figyelembe vételével.

22 Algafajok biomasszájának átlaga, szórása, egyedszám

23 Algafajok biomasszájának relatív megoszlása a hőmérséklet függvényében

24 ülepedés felkeveredés szorpció/ deszorpció mineralizáció ÜLEDÉK VIZ ülepedés diffúzió mineralizáció alga pusztulás alga P felvétel szorpció/ deszorpció Tavi foszfor-körforgalmi modell

25 1994 Verifikáció az alga-modellre

26 A “nem” tudás kategóriái DeterminizmusDeterminizmus Statisztikai bizonytalanságStatisztikai bizonytalanság Scenario bizonytalanságScenario bizonytalanság Tudás hiányaTudás hiánya

27 Statisztikai bizonytalanságok … … és az előrejelzés problémájának kapcsolata

28 Árvízi előrejelzés a Felső-Tiszán Tiszabecs (felvízi perem) Tokaj Záhony Vásárosnamény Példa a statisztikai bizonytalanságra

29 1 napos árvízi előrejelzés 6 napos árvízi előrejelzés

30 Hibaidősor autokorreláció struktúrája e = f(i1,i2,…im; p1, p2,….pn) + 

31 DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)

32 A “nem” tudás kategóriái DeterminizmusDeterminizmus Statisztikai bizonytalanságStatisztikai bizonytalanság Scenario bizonytalanságScenario bizonytalanság Tudás hiányaTudás hiánya

33 Élettartam 1oo év …?? Scenario bizonytalanság …És ez idő alatt mi változik?

34 Scenario bizonytalanság A Tisza szabályozása

35 A LEGNAGYOBB VÍZSZINTEK ALAKULÁSA

36 DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)

37

38 A Tisza szabályozása Scenario bizonytalanság forrásai FeliszapolódásFeliszapolódás Hullámtér állapotának változásaHullámtér állapotának változása A területhasználat változása a vízgyűjtőnA területhasználat változása a vízgyűjtőn KlímaváltozásKlímaváltozás

39 A “nem” tudás kategóriái DeterminizmusDeterminizmus Statisztikai bizonytalanságStatisztikai bizonytalanság Scenario bizonytalanságScenario bizonytalanság Tudás hiányaTudás hiánya Második példa

40 Scenario bizonytalanság Kis-Balaton Foszfor-eltávolítás leírása

41 Vízgyűjtő km 2 Balaton km 2

42 Alsó Tározó A  50 km 2 Felső Tározó A = 18 km 2

43 A Felső Tározó P-visszatartása  P Tervezett = f (P be, Q be, v s ) (Vollenweider) ?

44 ~30 t/év A befolyó és kifolyó összes P terhelés kapcsolata

45 Terhelések a Zala vízgyűjtőjén

46 Szabályozás, előrejelzés és változó célok: Kis-Balaton I. és II. Scenario bizonytalanság Második példa folytatása

47 INGÓI BEREK SÁVOLY VÖRS

48 KRITÉRIUMOK:  VÍZMINŐSÉGVÉDELEM  TERMÉSZETVÉDELEM  KÖLTSÉGEK

49 VÁLTOZATOK  INGÓI-BEREK, SÁVOLY ÉS VÖRS FUNKCIÓITÓL, FUNKCIÓITÓL,  VÍZSZINTTŐL,  FELTÖLTÉS ÜTEMEZÉSÉTŐL,  SZEZONÁLIS ÜZEMELTETÉSTŐL  ÉS SZÁMOS EGYÉB TÉNYEZŐTŐL FÜGGŐEN ÖSZESEN 21 ALTERNATÍVA

50 h ORP DP PP AP PP ORP H Ülepedés Ülep. Adsz/deszorp. Külső terhelés Foszforforgalmi modell ÜLEDÉK (aktív réteg) VÍZ

51 ADSZORPCIÓS IZOTERMA

52 DINAMIKUS MODELL: KALIBRÁLÁS

53 DINAMIKUS MODELL: IGAZOLÁS

54 Év % % SCENÁRIÓK: ÖP VISSZATARTÁS FELSŐ TÁROZÓ ALSÓ TÁROZÓ 

55 ADSZORPCIÓS IZOTERMÁK II.

56 KALIBRÁLÁS ÉS IGAZOLÁS II. TP[g/m 3 ]

57 IV III II I BALATON FELSŐ T. ALSÓ T. ADSZORPCIÓS IZOTERMÁK III.

58 Év % FELSŐ TÁROZÓ ALSÓ TÁROZÓ SCENÁRIÓK: ÖP VISSZATARTÁS

59 A KOMPROMISSZUM

60 TANULSÁG  TUDOMÁNY?  VÁLTOZÓ KRITÉRIUMOK  KONSZENZUS KERESÉS  DÖNTÉSHOZÁS

61 A “nem” tudás kategóriái DeterminizmusDeterminizmus Statisztikai bizonytalanságStatisztikai bizonytalanság Scenario bizonytalanságScenario bizonytalanság Tudás hiányaTudás hiánya

62 ismeretek “nem” tudás Ismeretek és “nem” tudás határa Kutatás fejlesztés

63 ismeretek “nem” tudás Ismeretek és “nem” tudás határa Kutatás fejlesztés

64 Azbeszt problémája


Letölteni ppt "Módszertan: dekompozíció és aggregáció AGGREGÁLT MODELL PROBLÉMA & RENDSZER MEGOLDÁS AGGREGÁCIÓ DEKOMPOZÍCIÓ MEGOLDÁS ? DEKOMPONÁLT RENDSZER 1980 2000."

Hasonló előadás


Google Hirdetések