بخش 1: وارونگی فضای داده: تطبیق تاریخ، تجزیه و تحلیل عدم قطعیت و ارزیابی ارزش داده برای مدل های پیچیده

خلاصه: وارونگی فضای داده (DSI) مدتی است که وجود داشته است، اما تا حد زیادی نادیده گرفته شده است، به جز برخی در صنعت نفت. درک آن ساده و پیاده سازی آن آسان است. با این وجود، بسیار قدرتمند است.

فرض کنید که یک مدل پیچیده آب زیرزمینی با مدت زمان طولانی ساخته اید. احتمالاً شما این کار را انجام داده اید زیرا به دنبال یکپارچگی نمایش فرآیندهایی هستید که بر آب های زیرزمینی در منطقه مورد مطالعه خود تأثیر می گذارد. همین ایده‌آل باید شما را وادار کند که به دنبال یکپارچگی نمایش ویژگی‌هایی باشید که بر این فرآیندها تأثیر می‌گذارند. با این حال این ویژگی ها ناهمگن و اغلب بسیار نامشخص هستند. بنابراین آنها باید به صورت تصادفی نمایش داده شوند. نمایش تصادفی خواص هیدرولیک زیرسطحی و سایر ویژگی‌ها از تعیین کمیت عدم قطعیت‌های پیش‌بینی‌های مورد علاقه مدیریت پشتیبانی می‌کند - یک پیش نیاز ضروری برای تصمیم‌گیری آگاهانه است. با این حال، کاهش این عدم قطعیت ها از طریق تطبیق تاریخ، هنگام استفاده از یک مدل پیچیده، با مشکلات عملی شدیدی مواجه است.

در بسیاری از شرایط، با استفاده از DSI می توان به راحتی بر این مشکلات غلبه کرد. به طور خاص DSI، از منظر یادگیری ماشینی، به شما امکان می‌دهد از مزایای ظروف فوق‌العاده خوب که مدل شما برای اطلاعاتی که در اندازه‌گیری رفتار سیستم تاریخی وجود دارد - برای مثال، سطوح آب، شارها و غلظت آلاینده/ردیاب ارائه می‌کند، بهره ببرید.

DSI از مدل شما برای ایجاد پیوندهای تصادفی بین گذشته اندازه گیری شده و آینده مدیریت شده استفاده می کند. سپس این مدل آماری را می‌توان به اندازه‌گیری‌های دنیای واقعی رفتار سیستم تاریخی مشروط کرد تا پیش‌بینی‌های حداکثر احتمال رفتار سیستم آینده را به دست آورد. سپس عدم قطعیت های پسین (یعنی پس از جذب داده ها) را می توان به این پیش بینی ها نسبت داد. همه اینها را می توان با کسری از هزینه معمول تطبیق تاریخ به دست آورد - شاید با کمتر از 300 اجرا مدل. این مدل جایگزین سریع را می توان به کارهای مفید دیگری تبدیل کرد. برای مثال، می‌توانید از آن برای ارزیابی کارایی استراتژی‌های مختلف جمع‌آوری داده‌های پیشنهادی در کاهش عدم قطعیت‌های پیش‌بینی‌هایی که به آن‌ها اهمیت می‌دهید، استفاده کنید. بنابراین سرمایه گذاری در داده ها را می توان بهینه کرد.

به طور خلاصه، بدون هیچ هزینه عددی یا مالی، DSI به شما این امکان را می دهد که مقدار زیادی ارزش به کار مدل سازی موجود خود اضافه کنید. DSI توسط هر دو مجموعه PEST و PEST ++ پشتیبانی می شود.

بخش 2: وارونگی فضای داده برای کمی سازی عدم قطعیت کارآمد با مدل های هیدرولوژیکی سطحی و زیرسطحی یکپارچه

خلاصه: مدل‌های هیدرولوژیکی معمولاً برای ارائه پیش‌بینی‌های مفید از رفتار سیستم آینده به تصمیم‌گیرندگان ساخته می‌شوند. این به آنها امکان می دهد مصرف آب را بهتر منطقی کنند. توسعه چنین مدل هایی معمولاً مستلزم تکرار قابل قبول رفتار سیستم تاریخی است. همچنین نیاز به کمی سازی عدم قطعیت پیش بینی های منافع مدیریت دارد. این به طور سنتی با تنظیم پارامترهای مدل برای تناسب با مشاهدات تاریخی وضعیت های سیستم انجام می شود و ممکن است به تعداد زیادی اجرای مدل نیاز داشته باشد. وارونگی فضای داده (DSI) یک روش جایگزین (و بسیار کارآمد برای اجرای مدل) برای کمی کردن عدم قطعیت پیش‌بینی‌های مدل با توسعه روابط آماری بین رفتار سیستم‌های گذشته و آینده شبیه‌سازی شده ارائه می‌کند. بنابراین DSI نیاز به تنظیم پارامتر را از بین می برد. این بسیار مفید است، زیرا به طور چشمگیری کمی کردن عدم قطعیت پیش‌بینی را برای مدل‌های پشتیبانی تصمیم با زمان‌های بلند مدت و یا طرح‌های پارامترسازی پیچیده را تسهیل می‌کند. DSI در رابطه با یک مدل هیدرولوژیکی پیچیده که نشان دهنده یک سفره آبرفتی مصنوعی اما واقعی برای پیش‌بینی زمان سفر آب سطحی سریع به چاه‌های تولید آب و همچنین نفوذ آب سطحی است، استفاده می‌شود. عملکرد DSI برای کمی سازی عدم قطعیت در برابر رویکردهای سنتی تر که نیاز به تنظیم تعداد زیادی از پارامترها دارند، تایید می شود. کمی سازی عدم قطعیت کارآمد را می توان با کاهش قابل توجهی در زمان محاسباتی (حدود دو مرتبه بزرگی) به دست آورد، که مزایای استفاده از DSI در رابطه با مدل های هیدرولوژیکی پیچیده را نشان می دهد.

درباره وبینار

دکتر جان دوهرتی نویسنده PEST و نرم افزار کاربردی مرتبط با آن است. جان بیش از 40 سال در صنعت آب - در دولت، صنعت و دانشگاه کار کرده است. او مدرس دارسی در سال 2019 بود. او در حال حاضر بیشتر وقت خود را به توسعه نرم افزار و تحقیق و آموزش مدل سازی پشتیبانی تصمیم از طریق GMDSI با بودجه صنعت اختصاص می دهد.

دکتر هوگو دلوتیر هیدرولوژیست آب های زیرزمینی است که بر مدل سازی جریان و فرآیندهای انتقال در محیط های متخلخل و شکسته ناهمگن متمرکز است. هوگو مدرک دکترای خود را در رشته هیدروژئولوژی از دانشگاه بوردو در فرانسه تحت نظارت پروفسور الکساندر پرایت گرفت، با تحقیقاتی که بر روی مدل های کمی سازی عدم قطعیت پیش بینی کننده و فرآیندهای تغذیه آب زیرزمینی متمرکز بود. هوگو به همراه پروفسور René Therrien (خالق اصلی HydroGeoSphere) در پروژه مدلسازی سطحی و زیرسطحی بزرگ منطقه ای در منطقه کبک جنوبی شرکت داشته است. هدف اصلی بررسی اثرات بالقوه تغییرات آب و هوایی بر منابع آب زیرزمینی منطقه بود. امروزه هوگو با پروفسور فیلیپ برونر به عنوان محقق فوق دکترا در مرکز هیدروژئولوژی و زمین گرما (CHYN) در دانشگاه نوشاتل سوئیس کار می کند و شبیه سازی صریح ردیاب های محیطی را از طریق استفاده از روش های مدل سازی عددی پیشرفته برای اطلاع رسانی بهتر زمین شناسی آبرفتی پیچیده مطالعه می کند.

توجه: همه زمان‌های رویداد در شرق هستند (EST/EDT)

چهارشنبه 27 سپتامبر 2023

11:00 12:00 بعد از ظهر

CLICK HERE TO REGISTER

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح