Érzékenységvizsgálat

Slides:



Advertisements
Hasonló előadás
I. előadás.
Advertisements

Számítógépes algebrai problémák a geodéziában
Érzékenységvizsgálat
BMEEOVKMKM4 Házi feladat megoldás áttekintés
TRANSZPORT FOLYAMATOK
Matematikai Statisztika VIK Doktori Iskola
Lineáris és nemlineáris regressziók, logisztikus regresszió
Mérési pontosság (hőmérő)
Összefüggés vizsgálatok x átlag y átlag Y’ = a + bx.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Előadó: Prof. Dr. Besenyei Lajos
III. előadás.
Levegőtisztaság-védelem 7. előadás
Regresszióanalízis 10. gyakorlat.
SPSS többváltozós (lineáris) regresszió (4. fejezet)
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Készítette: Kosztyán Zsolt Tibor
Egytényezős variancia-analízis
Vízminőségi modellezés. OXIGÉN HÁZTARTÁS.
Kvantitatív Módszerek
Az elemzés és tervezés módszertana
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
KÖRNYEZETI RENDSZEREK MODELLEZÉSE
TRANSZPORTFOLYAMATOK TRANSZPORTFOLYAMATOK (ELKEVEREDÉS, SZENNYEZŐANYAGOK TERJEDÉSE) BME Vízi Közmű és Környezetmérnöki Tanszék ftp://vkkt.bme.hu.
EUTROFIZÁCIÓ MODELLEZÉSE: DINAMIKUS MODELLEK
excel, (visual basic) makrók gyorstalpaló
Modellek besorolása …származtatás alapján: 1.Determinisztikus fizika (más tudományág) alaptörvényeire, igazolt összefüggésere alapulfizika (más tudományág)
TÓ FOLYÓ VÍZMINŐSÉGSZABÁLYOZÁSI PÉLDA  C H3 Célállapot (befogadó határérték) Oldott oxigén koncentráció ChChChCh  C H2  C H2 - a 13 E 1 (1-X 1 ) - a.
VÍZFOLYÁSOK OXIGÉN HÁZTARTÁSA. SZENNYVÍZ HATÁSA (EMISSZIÓ – IMMISSZIÓ) BOI 5 emisszió nő, BOI 5 koncentráció nő, oldott O 2 koncentráció csökken (és fordítva)
KÖRNYEZETI RENDSZEREK MODELLEZÉSE
TRANSZPORTFOLYAMATAI
Példa: a Streeter-Phelps vízminőségi modell kalibrálása
TRANSZPORTFOLYAMATOK II
TRANSZPORTFOLYAMATOK (ELKEVEREDÉS, SZENNYEZŐANYAGOK TERJEDÉSE)
-Érzékenység a paraméterek hibáira, -érzékenység a bemenő adatok hibáira Nézzünk egy egyszerű példát...
A “nem” tudás kategóriái DeterminizmusDeterminizmus Statisztikai bizonytalanságStatisztikai bizonytalanság Scenario bizonytalanságScenario bizonytalanság.
Emberi tevékenység Levegő Víz Föld Élővilág Művi környezet Ember Ökoszisztéma Települési környezet Táj.
11.ea.
Érzékenységvizsgálat a determinisztikus modell
9.ea.
Transzportfolyamatok II. 3. előadás
Modellek besorolása …származtatás alapján: 1.Determinisztikus fizika (más tudományág) alaptörvényeire, igazolt összefüggésere alapulfizika (más tudományág)
Környezeti rendszerek modellezése
Következtető statisztika 9.
Két kvantitatív változó kapcsolatának vizsgálata
I. előadás.
Dr. Takács Attila – BME Geotechnikai Tanszék
TRANSZPORTFOLYAMATOK (ELKEVEREDÉS, SZENNYEZŐANYAGOK TERJEDÉSE)
TRANSZPORTFOLYAMATOK TRANSZPORTFOLYAMATOK (ELKEVEREDÉS, SZENNYEZŐANYAGOK TERJEDÉSE) BME Vízi Közmű és Környezetmérnöki Tanszék ftp://vkkt.bme.hu.
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Többdimenziós valószínűségi eloszlások
Az eredő szakasz GE(s) átmeneti függvénye alapján
VÍZFOLYÁSOK OXIGÉN- HÁZTARTÁSA. EGYSZERŰ O 2 HÁZTARTÁS SZENNYVÍZ SZERVESANYAG (BOI 5 ) HETEROTRÓF BAKTÉRIUMOK (LEBONTÁS) LÉGKÖRI OXIGÉNBEVITEL O2O2 KÉTVÁLTOZÓS.
TRANSZPORTFOLYAMATOK II
Szimuláció.
 KUTATÁS ÉS MEGÉRTÉS  ELÕREJELZÉS  ÜZEMIRÁNYÍTÁS  TERVEZÉS  STRATÉGIA ÉS SZABÁLYOZÁS  DÖNTÉSELÕKÉSZÍTÉS CÉLOK.
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Hibaszámítás Gräff József 2014 MechatrSzim.
Földstatikai feladatok megoldási módszerei
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Szimuláció. Mi a szimuláció? A szimuláció a legáltalánosabb értelemben a megismerés egyik fajtája A megismerés a tudás megszerzése vagy annak folyamata.
VÍZMINŐSÉGSZABÁLYOZÁSI PÉLDA
Szabályozott és képes termékek/szolgáltatások, folyamatok, rendszerek
Dr. Varga Beatrix egyetemi docens
Bunkóczi László, Dr.Pitlik László, Pető István, Szűcs Imre
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Dr. Varga Beatrix egyetemi docens
3. Varianciaanalízis (ANOVA)
Előadás másolata:

Érzékenységvizsgálat KÖRNYEZETI TERVEZÉS Dr. Koncsos László egy. docens Érzékenységvizsgálat

Hibák forrásai inputok hibái kezdeti, peremi feltételek paraméterek 2. modell-bizonytalanság számítási hibák

A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya

Hibák forrásai inputok hibái kezdeti, peremi feltételek paraméterek 2. modell-bizonytalanság számítási hibák

ANYAGMÉRLEG Megváltozás = BE - KI ± S KI (2) (1) V BE ellenőrző felület BE (1) V Megváltozás = BE - KI ± S

ANYAGMÉRLEG KI (2) (1) V BE Feladat: ellenőrző felület BE (1) V Feladat: anyagáramok definiálása a (1) és a (2) szelvényben a megváltozás felírása az ellenőrző felületen belül forrástag (S) definiálása

ANYAGMÉRLEG Megváltozás = BE - KI ± S ha a C koncentráció a V térfogaton belül állandó (teljes elkeveredés) Megváltozás = BE - KI ± S ha Ci(t), Qi(t) = áll.  permanens (Q=A∙v) ha FORRÁSOK = 0  konzervatív anyag

ANYAGMÉRLEG - Kitérő Konzervatív anyag: Oldott állapotú Nem ülepedő Nem reagáló Pl.: konyhasó Valóságban előforduló szennyezők nagy többsége nem-konzervatív!

ANYAGMÉRLEG EGY FOLYÓSZAKASZRA Permanens eset  C(t)=const, Q(t)=const Ülepedésre képes szennyező  S ≠ 0 Prizmatikus meder  A, B, H = áll. B  H vS A B H [m2]

(kiülepedett anyagmennyiség) Megváltozás = BE - KI ± S Megváltozás = 0 (1) BE - KI = ± S (2) x x Q KI A ∙ v [ C+ x dC/dx ] c(x) - lineáris (feltevés) BE A ∙ v ∙ C Q ∙ C ± S (kiülepedett anyagmennyiség) B ∙ x ∙ vs ∙ C AV AV

AvC - AvC - Av x dC/dx = B x vS C  : AvC - AvC - Av x dC/dx = B x vS C (A=B ∙ H)  v vS ha x=O C=Co

 : BOI esetében AvC - AvC - Av x dC/dx = B x H k C (A=B ∙ H) Lebomlási tényező ha x=O C=Co

Ch - háttér koncentráció CO MEGHATÁROZÁSA Ch - háttér koncentráció CO - szennyvízbevezetés alatt Q x E=qc - emisszió 1D - Teljes elkeveredés (két víz összekeverése) Anyagmérleg QCh + qc = (Q+q) CO Koncentráció-övekmény E hígulási arány

Hidrodinamikai modell: permanens áramlás Hidrodinamikai modellből: t=x/v 1 t…levonulási idő k…lebomlási tényező k=k(T) Hidrodinamikai modell: permanens áramlás -Négyszögszelvény, -Széles meder -Permananens állandó vm.

Levonulási idő: Mivel: t = f ( Q, kst, B, I ) Input adat Paraméterek

Érzékenység vizsgálat az inputok véletlen perturbációjával p(I) Inputok: I=I+e(I) I Determinisztikus modell modell p(O) Output eloszlása O Érzékenység vizsgálat az inputok véletlen perturbációjával

Chezy féle 1D hidrodinamikai modell p(I) Inputok: I=I+e(I) Kst,B,I Determinisztikus modell modell p(O) Output eloszlása t O Érzékenység vizsgálat az inputok véletlen perturbációjával

Chezy féle 1D hidrodinamikai modell p(I) Inputok: I=I+e(I) Kst,B,I -Egyenként, -együtt Determinisztikus modell modell p(O) Output eloszlása t O Érzékenység vizsgálat az inputok véletlen perturbációjával

Chezy féle 1D hidrodinamikai modell: Példa p(I) Inputok: I=I+e(I) Egyenletes eloszlás I Kst,B,I Determinisztikus modell modell p(O) Output eloszlása t O Érzékenység vizsgálat az inputok véletlen perturbációjával

Hidrodinamikai modellből: t=x/v=x/(Q/BH) 1 t…levonulási idő k…lebomlási tényező

Streeter-Phelps modell: BOI p(I) Inputok: I=I+e(I) Kst,B,I,k -Egyenként, -együtt Determinisztikus modell modell p(O) Output eloszlása c O Érzékenység vizsgálat az inputok véletlen perturbációjával

Érzékenységvizsgálat inputok perturbálásával Paksi hőszennyezés „esettanulmány”

Miért érdemes az inputokat terhelő bizonytalanságokkal foglalkozni? Pl. mert azok gyakran mérési adatok. Mérés = hiba, bizonytalanság

Érzékenységvizsgálat determinisztikus modell függvényének Taylor-sorba fejtésével Analitikus eljárás, papír, ceruza elég hozzá! Az egyszerűség kedvéért tekintsünk egy egyváltozós modellt: y=f(x)

Kettős cél Egyváltozós modell modell érzékenységének vizsgálata bizonytalansági becslés elvégzése: a bemenő adatok statisztikai jellemzői alapján a vizsgált változó várható értékének szórásának meghatározása Egyváltozós modell az egyszerűség kedvéért feltevések: kellően „sima” deriválható függvény a független változót terhelő hiba becsülhető mértékű

INPUT OUTPUT ? ?

Modell kimenetének várható értéke Modell kimenetének szórása – Taylor sor Linearizálás,

Modell kimenetének szórása szórás képzése, és Tehát nyertünk egy olyan összefüggést, amivel a bemenő változó szórásának függvényeként becsülhető az eredmény szórása

Mi a helyzet két független változó esetén?

INPUT OUTPUT ? ?

Modell kimenetének várható értéke Két független változó esetén

Modell kimenetének szórása Két független változó esetén Kétváltozós függvény Taylor-sora linearizálás után várható értékek körül kifejtve

Modell kimenetének szórása Két független változó esetén Szórás képzése után

Taylor-soros érzékenységvizsgálattal ismerve az input adatok statisztikai jellemzőit a modellben használt függvény deriváltjait becsülhető az output várható értéke és a szórása Előnyök sok esetben egyszerűen kivitelezhető reprezentálja a modell paraméterek kovariancia struktúráját Feltevések, egyszerűsítések közelítő megoldás bonyolult, pl. nem-lineáris függvények esetén nem használható

Érzékenységvizsgálat – összegzés Hátrány Előny Leírás Módszer Bizonytalanságok mértékére nehéz következtetni Egyszerű, könnyen elvégezhető Paraméterek (fél)manuális perturbálása, változások nyomon követése Egyszerű érzékenység-vizsgálat Idő- és számításigényes. Inputok kovariancia struktúráját nem feltétlenül adja vissza Egzakt, realisztikus megoldás. Bizonytalan-ságok becslése Algoritmikus, véletlenszerű perturbáció valós vagy feltételezett hibafüggvények alapján. Érzékenység, és a bizonytalanság mértékének meghatározása Monte Carlo elemzés Közelítés, komplexebb függvények esetén nem jó. Szórások ismerete szükséges Kovariancia struktúra megőrzése, sokszor egyszerű, gyors Az output szórásának becslése az inputokat terhelő bizonytalanságok függvényeként. Sorbafejtéses vizsgálat