KÖRNYEZETI RENDSZEREK MODELLEZÉSE

Az előadások a következő témára: "KÖRNYEZETI RENDSZEREK MODELLEZÉSE"— Előadás másolata:

1 KÖRNYEZETI RENDSZEREK MODELLEZÉSE
Dr. Koncsos László egy. docens Bizonytalanságok

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

3 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)

4 Modell-alkotás "történelme"

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

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

7 Rómaiak...

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

9 Notre-Dame, Párizs

10 Próba szerencse módszere
Technológiai fejlődések (Kína) Példák: Porcelán Függő hidak Szivattyúk …, az európai tudomány megjelenése előtt

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

12 Determinizmus e = f(i1,i2,…in; p1, p2,….pn) e hatás
f okozati összefüggés i input változók p paraméterek

13 Bizonytalanság

14 Bizonytalanság Típusai inputok hibái kezdeti, peremi feltételek
paraméterek modell-bizonytalanság

15 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

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

17 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

18 Determinisztikus bizonytalanságok
e = f(i1,i2,…im; p1, p2,….pn,) ∙ …

19 Tacoma híd 1940 …∙ fu(iu,1,... Iu,k, pu,1,…pu,l) + 

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

21 Algafajok biomasszájának átlaga, szórása, egyedszám

22 Algafajok biomasszájának relatív megoszlása a hőmérséklet függvényében

23 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)

24 Verifikáció az alga-modellre
1994

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

26 Statisztikai bizonytalanságok …
… és az előrejelzés problémájának kapcsolata

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

28 1 napos árvízi előrejelzés 6 napos árvízi előrejelzés

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

30 DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)

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

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

33 Scenario bizonytalanság
A Tisza szabályozása

34 A LEGNAGYOBB VÍZSZINTEK ALAKULÁSA

35 DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)

36

37 A Tisza szabályozása Scenario bizonytalanság forrásai Feliszapolódás
Hullámtér állapotának változása A területhasználat változása a vízgyűjtőn Klímaváltozás

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

39 Scenario bizonytalanság
Kis-Balaton Foszfor-eltávolítás leírása

40 Balaton km2 3 4 1 2 Vízgyűjtő km2

41 Alsó Tározó A  50 km2 Felső Tározó A = 18 km2

42 DPTervezett = f (Pbe, Qbe, vs)
A Felső Tározó P-visszatartása DPTervezett = f (Pbe, Qbe, vs) (Vollenweider) ?

43 A befolyó és kifolyó összes P terhelés kapcsolata
~30 t/év 87 95 88 96 94 86 92 91 89 93 90

44 Terhelések a Zala vízgyűjtőjén

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

46 VÖRS INGÓI BEREK SÁVOLY

47 KRITÉRIUMOK: VÍZMINŐSÉGVÉDELEM TERMÉSZETVÉDELEM KÖLTSÉGEK

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

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

50 ADSZORPCIÓS IZOTERMA

51 DINAMIKUS MODELL: KALIBRÁLÁS

52 DINAMIKUS MODELL: IGAZOLÁS

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

54 ADSZORPCIÓS IZOTERMÁK II.

55 KALIBRÁLÁS ÉS IGAZOLÁS II.
TP[g/m3]

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

57 SCENÁRIÓK: ÖP VISSZATARTÁS
%  FELSŐ TÁROZÓ Év ALSÓ TÁROZÓ Év

58 A KOMPROMISSZUM

59 TANULSÁG TUDOMÁNY? VÁLTOZÓ KRITÉRIUMOK KONSZENZUS KERESÉS DÖNTÉSHOZÁS

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

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

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

63 Azbeszt problémája