کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6961921 1452243 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Efficient uncertainty quantification for impact analysis of human interventions in rivers
ترجمه فارسی عنوان
اندازه گیری عدم قطعیت کارآمد برای تجزیه و تحلیل تاثیر مداخلات انسانی در رودخانه ها
کلمات کلیدی
آنالیز تاثیرات، عدم قطعیت، رودخانه ها، رودخانه کار می کند مداخله، مدل سازی هیدرولیکی، زنجیره مارکوف مونت کارلو،
ترجمه چکیده
مداخلات انسانی برای بهینه سازی عملکرد رودخانه اغلب متضاد، خرابکاری و گران است. برای تحلیل تأثیر مداخله مداخله قبل از اجرای، تصمیم گیرندگان به محاسبات مبتنی بر مدل هیدرولیکی مبتنی بر پیچیدگی فیزیکی تکیه می کنند. نتایج این مدل ها حساس به پارامترهای ورودی نامطمئن است، اما مدل های طولانی مدت مدل، ارزیابی احتمال احتمالی را با منابع رایانه ای استاندارد انجام می دهند. در این مقاله، یک روش جایگزین و کارآمد برای اندازه گیری عدم اطمینان برای تحلیل تاثیر ارائه می شود که به طور قابل توجهی تعداد مورد نیاز مدل را با استفاده از یک زیر نمونه ای از یک مونت کارلو کامل مونتاژ می کند تا ارتباط احتمالی بین نتیجه مدل قبل و بعد از مداخله ایجاد شود. کارایی روش بستگی به تعداد مداخلات، اندازه اولیه گروه مونت کارلو و سطح مطلوبیت مورد نظر است. برای موارد ارائه شده در اینجا، هزینه محاسبات 65٪ کاهش یافته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزار
پیش نمایش مقاله
اندازه گیری عدم قطعیت کارآمد برای تجزیه و تحلیل تاثیر مداخلات انسانی در رودخانه ها
چکیده انگلیسی
Human interventions to optimise river functions are often contentious, disruptive, and expensive. To analyse the expected impact of an intervention before implementation, decision makers rely on computations with complex physics-based hydraulic models. The outcome of these models is known to be sensitive to uncertain input parameters, but long model runtimes render full probabilistic assessment infeasible with standard computer resources. In this paper we propose an alternative, efficient method for uncertainty quantification for impact analysis that significantly reduces the required number of model runs by using a subsample of a full Monte Carlo ensemble to establish a probabilistic relationship between pre- and post-intervention model outcome. The efficiency of the method depends on the number of interventions, the initial Monte Carlo ensemble size and the desired level of accuracy. For the cases presented here, the computational cost was decreased by 65%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Environmental Modelling & Software - Volume 107, September 2018, Pages 50-58
نویسندگان
, , ,