 KUTATÁS ÉS MEGÉRTÉS  ELÕREJELZÉS  ÜZEMIRÁNYÍTÁS  TERVEZÉS  STRATÉGIA ÉS SZABÁLYOZÁS  DÖNTÉSELÕKÉSZÍTÉS CÉLOK.

Az előadások a következő témára: " KUTATÁS ÉS MEGÉRTÉS  ELÕREJELZÉS  ÜZEMIRÁNYÍTÁS  TERVEZÉS  STRATÉGIA ÉS SZABÁLYOZÁS  DÖNTÉSELÕKÉSZÍTÉS CÉLOK."— Előadás másolata:

1

2

3  KUTATÁS ÉS MEGÉRTÉS  ELÕREJELZÉS  ÜZEMIRÁNYÍTÁS  TERVEZÉS  STRATÉGIA ÉS SZABÁLYOZÁS  DÖNTÉSELÕKÉSZÍTÉS CÉLOK

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

5  C - KONCENTRÁCIÓ VEKTOR  HIDRODINAMIKAI EGYENLETEK  KEZDETI- ÉS PEREMFELTÉTELEK LEÍRÓ EGYENLET, FELTÉTELEK ÉS MÓDSZEREK (I) C = [C 1, … C i, … C n ]

6  C - KONCENTRÁCIÓ VEKTOR  HIDRODINAMIKAI EGYENLETEK  KEZDETI- ÉS PEREMFELTÉTELEK LEÍRÓ EGYENLET, FELTÉTELEK ÉS MÓDSZEREK (I) C = [C 1, … C i, … C n ]

7 Peremfeltételek Dimenzió

8 Peremfeltételek Dimenzió

9  C - KONCENTRÁCIÓ VEKTOR  HIDRODINAMIKAI EGYENLETEK  KEZDETI- ÉS PEREMFELTÉTELEK LEÍRÓ EGYENLET, FELTÉTELEK ÉS MÓDSZEREK (I) C = [C 1, … C i, … C n ]

10 D(x,y)=f(v(x,y))

11  C - KONCENTRÁCIÓ VEKTOR  HIDRODINAMIKAI EGYENLETEK  KEZDETI- ÉS PEREMFELTÉTELEK LEÍRÓ EGYENLET, FELTÉTELEK ÉS MÓDSZEREK (I) C = [C 1, … C i, … C n ]

12  R(C, P) - REAKCIÓ TAG (félempírikus) P - PARAMÉTER VEKTOR P - PARAMÉTER VEKTOR IDENTIFIKÁCIÓ SZÜKSÉGES IDENTIFIKÁCIÓ SZÜKSÉGES HIPOTÉZISEK HIPOTÉZISEK KALIBRÁLÁS ÉS IGAZOLÁS KALIBRÁLÁS ÉS IGAZOLÁS ÉRZÉKENYSÉGI ÉSBIZONYTALANSÁGI ÉRZÉKENYSÉGI ÉSBIZONYTALANSÁGI ELEMZÉSEK ELEMZÉSEK LEÍRÓ EGYENLET, FELTÉTELEK ÉS MÓDSZEREK (II)

13 QUAL 2E REACTION MATRIX

14 ÚJ IAWQ MODELL: REAKCIÓMÁTRIX

15  R(C, P) - REAKCIÓ TAG (félempírikus) P - PARAMÉTER VEKTOR P - PARAMÉTER VEKTOR IDENTIFIKÁCIÓ SZÜKSÉGES IDENTIFIKÁCIÓ SZÜKSÉGES HIPOTÉZISEK HIPOTÉZISEK KALIBRÁLÁS ÉS IGAZOLÁS KALIBRÁLÁS ÉS IGAZOLÁS ÉRZÉKENYSÉGI ÉSBIZONYTALANSÁGI ÉRZÉKENYSÉGI ÉSBIZONYTALANSÁGI ELEMZÉSEK ELEMZÉSEK LEÍRÓ EGYENLET, FELTÉTELEK ÉS MÓDSZEREK (II) BIZONYTALANSÁGOK

16 Determinisztikus predikciós módszer Két extrém közelítés: Próba szerencse módszere alias: Empírikus iterációs módszer Tervezési módszer

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

18 A rómaiak...

19 Próba szerencse módszere Anélkül, hogy tudnánk “miért” lassan megtanuljuk “hogyan“ Meglepő hatékonyság Példa: gótikus építmények

20 Notre-Dame, Párizs

21 Próba szerencse módszere Technológiai fejlódések (Kína) Példák: Porcelán Függő hidak szivattyuk …, az európai tudomány megjelenése előtt

22 A fizika fejlődése görögök (Szokratesz, Platon, Arisztotelesz, Archimedes) Mathematika …arabok Kopernikusz (1475-1543) bolygómozgás Galilei (1564-1642) Newton (1642-1727) Einstein (1879-1955)

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

24 e = f(i 1,i 2,…i n ; p 1, p 2,….p n ) + e = f(i 1,i 2,…i n ; p 1, p 2,….p n ) +  ehatásehatás f okozati összefüggésf okozati összefüggés iinput változóiinput változó pparaméterekpparaméterek  bizonytalanság  bizonytalanság Bizonytalanság:

25 “nem” tudás: e = f(i 1,i 2,…i n ; p 1, p 2,….p n, )*e = f(i 1,i 2,…i n ; p 1, p 2,….p n, )* f n (i a1,... i an, p a1,…p an ) +  f n (i a1,... i an, p a1,…p an ) +  ehatásehatás f okozati összefüggésf okozati összefüggés iinputiinput pparametérekpparametérek f n ismeretlen okozati összefüggésf n ismeretlen okozati összefüggés  bizonytalanság  bizonytalanság

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