KÖRNYEZETI RENDSZEREK MODELLEZÉSE Dr. Koncsos László egy. docens Bizonytalanságok
? Módszertan: dekompozíció és aggregáció 2000 1980 MEGOLDÁS PROBLÉMA & RENDSZER MEGOLDÁS MEGOLDÁS ? MEGOLDÁS DEKOMPOZÍCIÓ AGGREGÁCIÓ DEKOMPOZÍCIÓ AGGREGÁLT MODELL DEKOMPONÁLT RENDSZER
PAKS Morfológiai modell 2D Hidrodinamikai modell 2D Transzport modell z(x,y) 2D Hidrodinamikai modell kst v(x,y) 2D Transzport modell Dy T(x,y)
Modell-alkotás "történelme"
Determinisztikus predikciós módszer Két extrém megközelítés Próba szerencse módszere alias: Empírikus iterációs módszer Tervezési módszer Determinisztikus predikciós módszer
Próba szerencse módszere Anélkül, hogy tudnánk “miért”, lassan megtanuljuk “hogyan“… Példa: Római építmények
Rómaiak...
Próba szerencse módszere Anélkül, hogy tudnánk “miért”, lassan megtanuljuk “hogyan“… Meglepő hatékonyság DE: hosszú idő kockázatos Példa: Gótikus építmények
Notre-Dame, Párizs
Próba szerencse módszere Technológiai fejlődések (Kína) Példák: Porcelán Függő hidak Szivattyúk …, az európai tudomány megjelenése előtt
A fizika fejlődése görögök (Szokratesz, Platon, Arisztotelesz, Archimedes) Arab tudósok - Matematika Kopernikusz (1475-1543) - bolygómozgás Galilei (1564-1642) Newton (1642-1727) Einstein (1879-1955)
Determinizmus e = f(i1,i2,…in; p1, p2,….pn) e hatás f okozati összefüggés i input változók p paraméterek
Bizonytalanság
Bizonytalanság Típusai inputok hibái kezdeti, peremi feltételek paraméterek modell-bizonytalanság
Bizonytalanság e hatás f okozati összefüggés i input változó e = f(i1,i2,…im; p1, p2,….pn) + e hatás f okozati összefüggés i input változó p paraméterek bizonytalanság
A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya
Determinisztikus bizonytalanság e = f(i1,i2,…im; p1, p2,….pn) ∙ ∙ fu(iu,1,... Iu,k, pu,1,…pu,l) + e hatás f okozati összefüggés i input p parametérek fu ismeretlen okozati összefüggés egyéb bizonytalanság
Determinisztikus bizonytalanságok e = f(i1,i2,…im; p1, p2,….pn,) ∙ …
Tacoma híd 1940 …∙ fu(iu,1,... Iu,k, pu,1,…pu,l) +
Egy másik példa A Balaton fitoplankton-dinamikájának előrejelzése az időjárási tényezők és a tápanyagterhelés figyelembe vételével.
Algafajok biomasszájának átlaga, szórása, egyedszám
Algafajok biomasszájának relatív megoszlása a hőmérséklet függvényében
Tavi foszfor-körforgalmi modell Ap(1) Ap(3) Ap(2) PIP DRP DP ülepedés felkeveredés szorpció/ deszorpció mineralizáció ÜLEDÉK VIZ ülepedés diffúzió alga pusztulás alga P felvétel AP(n)
Verifikáció az alga-modellre 1994
A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya
Statisztikai bizonytalanságok … … és az előrejelzés problémájának kapcsolata
Példa a statisztikai bizonytalanságra Árvízi előrejelzés a Felső-Tiszán Tiszabecs (felvízi perem) Záhony Tokaj Vásárosnamény
1 napos árvízi előrejelzés 6 napos árvízi előrejelzés
Hibaidősor autokorreláció struktúrája e = f(i1,i2,…im; p1, p2,….pn) +
DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)
A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya
Scenario bizonytalanság Élettartam 1oo év …?? …És ez idő alatt mi változik?
Scenario bizonytalanság A Tisza szabályozása
A LEGNAGYOBB VÍZSZINTEK ALAKULÁSA
DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)
A Tisza szabályozása Scenario bizonytalanság forrásai Feliszapolódás Hullámtér állapotának változása A területhasználat változása a vízgyűjtőn Klímaváltozás
A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya Második példa
Scenario bizonytalanság Kis-Balaton Foszfor-eltávolítás leírása
Balaton - 596 km2 3 4 1 2 Vízgyűjtő - 5776 km2
Alsó Tározó A 50 km2 Felső Tározó A = 18 km2
DPTervezett = f (Pbe, Qbe, vs) A Felső Tározó P-visszatartása DPTervezett = f (Pbe, Qbe, vs) (Vollenweider) ?
A befolyó és kifolyó összes P terhelés kapcsolata ~30 t/év 87 95 88 96 94 86 92 91 89 93 90
Terhelések a Zala vízgyűjtőjén
Szabályozás, előrejelzés és változó célok: Kis-Balaton I. és II. Scenario bizonytalanság Második példa folytatása
VÖRS INGÓI BEREK SÁVOLY
KRITÉRIUMOK: VÍZMINŐSÉGVÉDELEM TERMÉSZETVÉDELEM KÖLTSÉGEK
VÁLTOZATOK INGÓI-BEREK, SÁVOLY ÉS VÖRS FUNKCIÓITÓL, VÍZSZINTTŐL, FELTÖLTÉS ÜTEMEZÉSÉTŐL, SZEZONÁLIS ÜZEMELTETÉSTŐL ÉS SZÁMOS EGYÉB TÉNYEZŐTŐL FÜGGŐEN ÖSZESEN 21 ALTERNATÍVA
Foszforforgalmi modell Szaporodás Pusztulás Mineralizáció Ülepedés Ülep. Adsz/deszorp. Külső terhelés ORP DP PP AP VÍZ H ÜLEDÉK (aktív réteg) h PP ORP
ADSZORPCIÓS IZOTERMA
DINAMIKUS MODELL: KALIBRÁLÁS
DINAMIKUS MODELL: IGAZOLÁS
SCENÁRIÓK: ÖP VISSZATARTÁS % FELSŐ TÁROZÓ Év % ALSÓ TÁROZÓ Év
ADSZORPCIÓS IZOTERMÁK II.
KALIBRÁLÁS ÉS IGAZOLÁS II. TP[g/m3]
ADSZORPCIÓS IZOTERMÁK III. ALSÓ T. IV III II I BALATON FELSŐ T.
SCENÁRIÓK: ÖP VISSZATARTÁS % FELSŐ TÁROZÓ Év ALSÓ TÁROZÓ Év
A KOMPROMISSZUM
TANULSÁG TUDOMÁNY? VÁLTOZÓ KRITÉRIUMOK KONSZENZUS KERESÉS DÖNTÉSHOZÁS
A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya
Ismeretek és “nem” tudás határa Kutatás fejlesztés ismeretek “nem” tudás
Ismeretek és “nem” tudás határa Kutatás fejlesztés ismeretek “nem” tudás
Azbeszt problémája