Cтраница 2
Первые варианты просчета на модели подтвердили правильность принятых предпосылок схематизации; достаточно быстро удалось добиться удовлетворительного совпадения модельных данных с натурными. Погрешности воспроизведения уровней в пределах моделируемой области изменяются в пределах от 5 до 10 %, что отвечает требованиям детальности и надежности дальнейшего анализа. [16]
Мы упомянули о том, что с помощью оптимальных алгоритмов можно точно оценить переменные генеральной совокупности для модельных данных в отсутствии ошибок. Хорошие программные реализации таких алгоритмов позволяют практически использовать эти потенциальные возможности. [17]
В докладе предложены методы конструирования постановок задач оптимизации с соответствующими критериями идентичности на основе многокритериального описания отклонения модельных данных от реальных и применения принципов оптимальности ( принципов абсолютной и относительной уступки, принципов идеальной и антиидеальной точки, принципа минимакса) для объединения отклонений в единые оценки. В результате порождается семейство постановок оптимизационных задач. Выбор наиболее подходящей постановки задачи и критерия идентичности или их конструирование проводятся в диалоге с ЛПР. Гибкость предложенного подхода достигается за счет диалога с ЛТТР, формализации его требований к точности идентификации и выбора постановки оптимизационной задачи на основе этих требований из множества предлагаемых постановок задач. [18]
Результаты модельной интерпретации опытов представлены в табл. 4.7. О надежности интерпретации можно судить по рис. 4.4 и 4.5, на которых дано сравнение опытных и модельных данных. [19]
Специфические проблемы вычислительной схематизации возникают при решении обратных задач геофильтрации, когда на период режимных наблюдений осуществляется решение ряда прямых задач по эпигнозу режима подземных вод с различными параметрами и в качестве расчетных принимаются такие их значения, которые позволяют получить наилучшее приближение натурных и модельных данных. [20]
На первом-этапе исследований особое внимание приходится уделять проверкам вида распределения модельных данных, формируемых по таблицам случайных чисел или на ЭВМ. Для модельных данных, получаемых с помощью генераторов случайных чисел, программно реализованных на микроЭВМ, такие проверки имеют особенно большое значение. [21]
На рис. 4 показана зависимость численного значения парамет-i R от объемов п выборок биополимеров из двух альтернативных [ весов. В качестве модельных данных для получения приведенной i рис. 4 зависимости R ( n), нами использовались пары выборок ве - ( ственных чисел, значения которых имели плотности распределе - [ я N ( О, 1) и N ( 1.5, I), т.е. критические ( см. выше) с точки юния индивидуального использования характеристики биополиме-в для их классификации. Таким образом, рис. 4 показывает зави-мость оценки полезности R характеристики биополимеров от объ - ia известных экспериментальных данных, привлекаемых для иссле-вания ее классифицирующих способностей. Очевидно, что необхо-аа Л для объективного анализа объем данных существенно зависит статистических свойств рассматриваемой характеристики биопо-шеров. Из рис. 4 видно, что можно выделить три облас - [ значений п, в которых поведение вычисляемой экспертной сис - iMofl полезности R существенно различается. При объемах п выбо - IK меньших 10 биополимеров полезность R использования произво-яой характеристики для их классификации не может быть оценена ъективно. [22]
Поскольку при различном сочетании параметров на электрической модели получаются эквивалентные решения, процесс корректировки модели весьма трудоемок. Для достижения соответствия фактических и модельных данных о перемещении ГНК и ВНК по всем исследованным участкам осуществлялось несколько итераций по каждому из участков залежи. [23]
Достоверность построенной модели оценивается на основе неформального анализа модельного баланса. Это может быть достигнуто сопоставлением модельных данных и результатов независимых водно-балансовых исследований. [24]
Полученное модельное значение ( его обозначают такой же буквой, но с крышечкой, чтобы отличить от соответствующего значения ряда) оказалось достаточно близким к значению исходного ряда. В табл. 12 в столбце 4 приведены исходные данные о населении, в столбце 3 - модельные данные, а в столбце 2 - отклонения исходных данных от модельных. [25]
Главным достоинством моделирования, выполняемого обычно на основе консервативных конечно-разностных схем, является возможность получения не только пространственно-временных полей напоров в любом из моделируемых водоносных горизонтов, но и сбалансированной картины питания и разгрузки вод как для изучаемой области в целом, так и для любых ее частей. Анализ изменчивости полей напоров и отдельных составляющих водного баланса системы в пространстве и времени и сопоставление модельных данных с натурной пространственно-временной структурой потоков, величинами питания и разгрузки, установленными независимыми методами ( балансовыми, гидрометрическими и др.), по существу является принципиальным доказательством адекватности модели реальным природным условиям. [26]
Единственное отличие заключается в том, что в выражении ( 47) используются наблюдаемые значения корреляционной матрицы R, а для модельных данных без ошибок наблюдаемые значения корреляций совпадают с самими корреляциями. В общем случае воспроизводимые моделью корреляции не совпадают с наблюдаемыми. [27]
Параметры пласта по отдельным районам могут оказаться грубо приближенными. Это в свою очередь может привести к несовпадению данных истории разработки с данными, полученными на электроинтеграторе. Для совпадения фактических и модельных данных требуется уточнить фильтрационные сопротивления вблизи месторождений. [28]
В каждом цикле обучения сеть сначала обучается на модельном подмножестве, а затем проверяется корректность ее работы на тестовых данных. Обучение сети проводится до тех пор, пока точность результатов, полученных на модельном и на тестовом подмножествах, растет. При работе с небольшими объемами данных, когда выбор тестового подмножества существенно влияет на результаты обучения, пользователь может проводить обучение последовательными циклами, выбирая для каждого цикла новое разбиение на тестовые и модельные данные. [29]
Таким образом, можно предположить, что скопления точек находятся на первичных осях, или же что проекции точек на вторичных осях-нулевые. Однако не ясно, зачем проводить вторичные оси, вместо того чтобы провести первичные оси прямо через скопления точек. Следует отметить, что метод, основанный на идентификации вторичных осей, при котором они рассматриваются как ортогональные, позволяет более точно определить первичные оси, если число факторов больше двух, а скопления точек не столь явные, как в модельных данных. [30]