2.11 روشهای جستجوی عددی

روشهای تحلیلی کلاسیک به ندرت در مسائلی استفاده می شود که شامل شناسایی پارامترها باشد زیرا بسیاری از اوقات توابع هدف عبارات پیچیده ای دارند یا حتی نمی توان آنها را به صورت تحلیلی تعریف کرد.

در این موارد از روش های عددی برای ارزیابی بهترین پارامترها استفاده می شود. فرآیند محاسبات یک فرایند تکراری است. این از یک راه حل اولیه شروع می شود، که باید در مورد یک مشکل محدود یک نقطه عملی باشد. با تکرارهای پی در پی، توالی تقریبی تولید می کند که به یک نقطه مطلوب همگرا می شود (که بهینه کلی لازم نیست). جستجو هنگامی که برخی از معیارهای همگرایی مطلوب است متوقف می شود و آخرین نقطه واقع شده پیکربندی بهینه پارامترها را نشان می دهد.

یادگیری ماشین در آبهای زیرزمینی و مدل کالیبراسیون با MODFLOW ،Flopy ،PySal و Scikit Learn موضوع این پست است. کیفیت کار مدل سازی آب های زیرزمینی به سه عامل متکی است: توزیع مکانی-زمانی داده های مشاهده شده، ساخت و کالیبراسیون مدل و نتیجه گیری های حاصل از شبیه سازی های پیش بینی شده. بر اساس پیچیدگی های ابزارهای عددی، مقدار پارامترهای درگیر، کالیبراسیون آب های زیرزمینی می تواند یک چالش جدی برای مبتدیان، طراحان متوسط ​​یا پیشرفته با بسیاری از موفقیت ها و شکست ها باشد. نتیجه گیری اغلب با استرس روانی همراه است.

برآورد پارامتر با استفاده از PEST می تواند در تفسیر داده ها، کالیبراسیون مدل و تجزیه و تحلیل پیش بینی کمک کند. PEST می تواند کارهای زیادی برای پروژه شما انجام دهد. از آنجا که مبانی کاربرد PEST بسیار زیاد است، برای اولین بار ما آموزش ها و مقالاتی ما ارائه می دهیم تا راهنمایی شما در استفاده از PEST با GMS باشد.

این پست علاوه بر منابع موجود در آموزش ها و ویکی، برخی از راهنمایی های مفید را برای برخی از کاربران ارائه می کند.