Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
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)
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
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.