1 / 63

KÖRNYEZETI RENDSZEREK MODELLEZÉSE

KÖRNYEZETI RENDSZEREK MODELLEZÉSE. Dr. Koncsos László egy. docens. Bizonytalanságok. Módszertan: dekompozíció és aggregáció. 2000. 1980. PROBLÉMA & RENDSZER. MEGOLDÁS. MEGOLDÁS. ?. MEGOLDÁS. AGGREGÁCIÓ. DEKOMPOZÍCIÓ. DEKOMPOZÍCIÓ. AGGREG ÁLT MODELL. DEKOMPON ÁLT RENDSZER. PAKS.

julian-best
Download Presentation

KÖRNYEZETI RENDSZEREK MODELLEZÉSE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

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

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

  3. PAKS Morfológiai 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

  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 (1475-1543) - bolygómozgás • Galilei (1564-1642) • Newton (1642-1727) • Einstein (1879-1955)

  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 = 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 • fuismeretlen 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. Ap(3) Ap(1) Ap(2) AP(n) DP alga pusztulás alga P felvétel ülepedés mineralizáció PIP DRP szorpció/ deszorpció VIZ diffúzió ülepedés felkeveredés ÜLEDÉK DP PIP DRP szorpció/ deszorpció mineralizáció Tavi foszfor-körforgalmi modell

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

  37. A “nem” tudás kategóriái • Determinizmus • Statisztikai bizonytalanság • Scenario bizonytalanság • Tudás hiánya Második példa

  38. Scenario bizonytalanság Kis-Balaton Foszfor-eltávolítás leírása

  39. Balaton - 596 km2 3 4 1 2 Vízgyűjtő - 5776 km2

  40. Alsó Tározó A  50 km2 Felső Tározó A = 18 km2

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

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

  43. Terhelések a Zala vízgyűjtőjén

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

  45. VÖRS INGÓI BEREK SÁVOLY

  46. KRITÉRIUMOK: • VÍZMINŐSÉGVÉDELEM • TERMÉSZETVÉDELEM • KÖLTSÉGEK

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

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

  49. ADSZORPCIÓS IZOTERMA

More Related