В чем заключается суть математического моделирования

Суть и цели математического моделирования

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ В ЭНЕРГЕТИКЕ И ЭЛЕКТРОТЕХНИКЕ

Введение

Математическое моделирование в энергетике и электротехнике неразрывно связано с практическими исследованиями. Основные научные аспекты практических исследований в любой технической отрасли заключаются в определении адекватности (соответствии) результатов проведенных научных исследований характеристикам реальной технической системы (устройства), для которой эти исследования проводились.

Современность научно-технического уровня в промышленности, науке и образовании в настоящее время во многом определяется степенью внедрения информационных технологий, обеспечивающих решение многих задач производства, научных исследований и учебного процесса. Поэтому разработка новых программно-технических средств должна учитывать последние достижения современных мировых компьютерных и информационных технологий.

Для моделирования электротехнических систем используют два принципиально различных метода моделирования:

При физическом моделировании в техническом устройстве и его физической модели происходят одни и те же процессы. Различие между устройством и моделью может быть только в конструкции и размерах. Для создания физической модели необходимо найти такие критерии подобия, которые при переходе от конкретного технического устройства к его модели позволили бы совместить их характеристики, сохранив реальный масштаб времени. Однако такая задача не всегда решается просто, так как зачастую бывает невозможно одновременно удовлетворить все условия, обеспечивающие подобие исследуемого технического устройства модели. Кроме того, не всегда создание физической модели целесообразно из-за ее сложности или высоких материальных затрат. Физическое моделирование издавна применяют в технике, главным образом, в аэро- и гидродинамике, гидростроительстве и других областях. Примерами могут служить продувки моделей самолетов в аэродинамических трубах, проверки конструктивных решений проектируемых плотин на их уменьшенных моделях.

При математическом моделировании в качестве оригинала используют математическое описание процесса, происходящего в технической системе (устройстве).

Суть и цели математического моделирования

Моделирование рабочих процессов с использованием методов математического моделирования – наиболее эффективное средство отработки технических решений при создании сложного исследовательского или технологического оборудования. Применение методов и средств математического моделирования позволяет оценивать правильность проектных решений, проводить многовариантный анализ и выбирать наиболее эффективные решения. Моделирование позволяет до натурных испытаний оценить поведение проектируемой установки, выявить причины возможного возникновения нештатных ситуаций и предложить новые технические решения по предотвращению аварийных ситуаций, которые могут приводить к тяжелым экономическим или экологическим последствиям.

Математическое моделирование – это искусственный эксперимент, при котором вместо проведения натурных испытаний с реальным оборудованием проводятся опыты на математических моделях.

Например: Проведены теоретические исследования, получены выводы, которые необходимо подтвердить проведением экспериментальных испытаний на физической модели. Однако такая модель либо отсутствует, либо проведение испытаний связано с вмешательством в технологический процесс, что невозможно. Поэтому эксперимент может быть поставлен на математической модели.

Под термином математическая модель понимается записанная в форме математических соотношений совокупность знаний, представлений и гипотез о технической системе. Первичной (исходной) формой представления модели, как я уже сказал, является его математическое описание, отображающее динамические свойства объекта регулирования и элементов системы (регулятора).

Эти уравнения могут быть определены аналитически на основе законов физики, положенных в основу работы объекта регулирования и элементов системы, или экспериментально с использованием методов активного или пассивного эксперимента.

Моделирование состоит из процесса разработки реальной системы и постановки экспериментов на этой модели с целью понять поведение системы, либо оценить различные стратегии ее функционирования, обеспечивающие достижение поставленной цели. Термин «реальный» используется в смысле «существующий», а под моделью реальной системы понимается представление группы объектов в некоторой форме, отличной от их реального воплощения.

Цель математического моделирования – изучение статических и динамических характеристик системы в различных режимах ее функционирования.

Рассмотрим функциональную схему математического моделирования.

Функциональная схема математического моделирования.

Практически структурное и имитационное моделирование осуществляется на персональном компьютере с использованием какого – либо из прикладных пакетов программ для проектирования электротехнических систем.

Структурное моделирование подробно рассматривается в дисциплине «Научные аспекты практических исследований в электротехнике», поэтому в данной дисциплине мы будем изучать методы имитационного моделирования электротехнических схем.

Напомню, что структурное моделирование любого технического устройства, подразумевает выполнение двух этапов.

1. На первом этапе составляют математическую модель (математическое описание) в виде дифференциальных и алгебраических уравнений с учетом физических законов, положенных в основу работы технического устройства.

2. На втором этапе решают полученные уравнения и анализируют их решения, исходя из задач исследований.

Для этих целей целесообразно использовать передовые компьютерные технологии. Типовыми программами по дисциплинам, изучающим электротехнику, наряду с теоретическим обучением предусматривается практическое изучение электромеханических систем на реальных образцах и макетах, а также на математических моделях, реализуемых с помощью современных компьютерных программ, к числу которых относятся достаточное количество высокоэффективных как зарубежных (MATLAB, MATRIXx, VisSim и др.), так и отечественных программных комплексов (МИК, ПА9, CLASSIC, МВТУ и др.)

Наибольший эффект структурное моделирование позволяет получить при отработке реальной аппаратуры систем контроля и автоматического управления сложными объектами в ядерной и тепловой энергетике, в ядерном топливном цикле, в авиационной и аэрокосмической технике, в химической промышленности и других отраслях, где выход на натурные испытания опытного образца недопустим без достаточного обоснования надежности аппаратуры систем автоматического управления.

Рассмотрим алгоритм структурного моделирования.

Источник

Просто о сложном: что такое математическое моделирование и почему нам больше не нужны эксперименты на людях

tany_savelieva

Сегодня математики пытаются помочь медикам представить, как устроены внутренние процессы в организме, или предсказать реакцию конкретного пациента на лечение с помощью языков программирования и без проведения дорогих и опасных экспериментов. Метод математического моделирования применяется в самых разных областях науки, в том числе в физиологии и медицине. В рамках проекта «Физтех.Читалка» молодой ученый, аспирант МФТИ Тимур Гамилов рассказал «Теориям и практикам», как математические модели помогают врачам ставить диагнозы, а спортсменам — рекорды.

«Лего» для ученых

Математическое моделирование начали использовать в спорте и медицине еще в 50-х годах. В этой сфере активно работают математики, информатики и физики различных специализаций. Метод математического моделирования устроен по принципу конструктора «Лего», в котором вместо деталей — данные о состоянии здоровья человека и математические формулы, на основе которых врачи ставят диагноз и составляют план лечения. Используя данные о медицинских показателях, математики и инженеры создают гипотезу, которую затем проектируют и проверяют с помощью специального языка программирования.

Неудивительно, что интерес к математическому моделированию в медицине и спорте растет: в США с 1961 по 2006 год процент бюджетных денег, которые тратятся на медицину, возрос с 4% до 20%. В других странах люди тоже хотят жить долго и хорошо, а готовность властей финансировать науку и текущий уровень развития технологий растут с каждым годом. Поэтому вместо того, чтобы проводить медицинские эксперименты на людях, в качестве подопытных кроликов ученые используют математические модели.

Модель для сборки: инструкция

Для построения любой математической модели необходимы данные. Базовые знания о строении и функционировании организма человека можно найти в анатомических атласах и другой справочной литературе. Но поскольку организм каждого человека уникален, врачи наблюдают за каждым пациентом индивидуально: проводят МРТ, компьютерную томографию, измеряют пульс, давление.

Представим, что перед командой ученых (биологов, математиков, физиков, программистов) стоит задача — помочь в постановке диагноза и поиске метода лечения пациентов со стенозом. Первым делом мы, ученые, должны понять, что такое стеноз, и расспрашиваем об этом врачей. Оказывается, стеноз — это возникновение бляшек на сосудах, которые создают разницу в давлении между участками сосуда. В результате сосуд может не выдержать такой нагрузки и порваться. Диагностируется заболевание двумя путями. Первый — качественный способ: нужно сделать снимок сосуда, найти бляшку и по ее виду сделать вывод. Второй — количественный: через бедренную артерию в нужные участки сосуда вводятся датчики, которые измеряют разницу давлений. Результаты количественного анализа — более точные. Это значит, что можно не оперировать пациента без надобности, а осложнения после лечения будут минимальными. Минусы этого способа — в цене и высоких рисках для пациента. Нужна дешевая и безопасная альтернатива, которая поможет поставить количественный диагноз и принять верное решение о лечении. Такой альтернативой может стать математическая модель процессов, происходящих в организме, связанных с развитием болезни.

В нашем случае нужно понять, по каким законам возникает разница в давлениях внутри сосудов, и записать эти законы в виде уравнений. Модели создаются под каждую проблему, болезнь или задачу. Для начала в уравнения (например, гидродинамики) вписывают величины, примерно одинаковые для всех пациентов — в науке они называются константами. Помимо констант, существуют параметры — показатели, которые учитываются для каждого человека индивидуально: длина, ширина сосудов, частота пульса, вид шума в сосудах. После того как мы вписали в уравнения константы, снимаем данные с пациента и записываем их в уравнения. Так ученые связывают параметры и константы с помощью формул: теперь в готовое уравнение мы подставляем разные значения для разных пациентов, чтобы получить необходимый результат — показатель разницы давлений между участками сосуда. Лечение стеноза, в зависимости от степени тяжести заболевания, врачи проводят либо медикаментозно (когда разница в давлениях небольшая), либо с помощью хирургического вмешательства (для более серьезных случаев).

После того как модель запрограммирована, работа не заканчивается. Во-первых, измерить большую часть параметров, которые нужно внести в уравнения, скорее всего, не получится без огромных затрат и дорогостоящих операций. Например, для детального определения структуры бляшек, упругих свойств сосуда и законов, по которым он меняется со временем, потребуется колоссальное количество сил и средств. Поставить такую технологию на поток вряд ли удастся.

Во-вторых, снятые параметры могут измениться через определенное время. Эластичность сосудов сильно меняется в зависимости от гормонов, которые на данный момент присутствуют в крови. А чтобы предсказать, сколько каких гормонов содержится в кровяном русле в интересующий нас период, нужно замоделировать в буквальном смысле весь организм человека, так как гормональный фон зависит от огромного количества факторов.

Врачи не знают математику, а математики — биологию, однако без диалога невозможна ни одна дисциплина на стыке наук

В-третьих, даже если мы сможем измерить все необходимые параметры и они не станут сильно меняться со временем, измерения, скорее всего, будут неточными. И чем больше параметров мы снимаем, тем активнее будет расти эта неточность. А поскольку в организме от небольшого изменения каждого параметра существенно меняются все остальные величины, такая неточность часто становится критичной. Например, даже несущественное количество введенного лекарства, растворяющего тромбы, может привести к передозировке, которая вызовет серьезное кровотечение.

Решаются эти проблемы путем упрощения модели: ученые по максимуму сокращают количество параметров и уравнений, стараются сделать их проще, или, как говорят математики, оптимизируют систему. Несмотря на технологическое несовершенство, метод математического моделирования уже работает и помогает людям. Благодаря математическому моделированию была создана известная модель токов в клетке Ходжкина — Хаксли, которая помогла описать, как распространяются электрохимические импульсы, передающие информацию в организме по нервным клеткам. Эта разработка считается одним из самых важных открытий неврологии XX века. За нее ученые получили Нобелевскую премию.

В помощь Усэйну Болту

Математически смоделированные стратегии для тренировок — уже рутина для спортивной индустрии. Показатели великого бегуна Усэйна Болта почти совпадают с графиком кривой оптимального темпа для бега на 100 метров в каждый момент времени. На соревнованиях по прыжкам с трамплина на лыжах высота конструкции выбирается с использованием математической модели тел спортсменов так, чтобы нагрузки не стали критичны для организма.

Математика + медицина

Главная трудность в развитии метода пока заключается в том, что значительное количество разработок так и остаются теорией. В повседневное клиническое использование вводится крайне малая часть таких проектов. Ученые видят будущее моделей в их адаптации под реальные условия. Теоретические расчеты нужны и важны для понимания процессов, которые происходят в организме, но не менее важно научиться использовать такие расчеты глобально. Сильно упростит задачу, если пациентам будет легко и понятно снимать показатели самостоятельно.

Ученым из разных областей придется все чаще работать на стыке наук и сотрудничать с инженерами и врачами. Чтобы эти идеи не оставались на страницах научных журналов, а реально помогали людям, математики должны начать взаимодействовать с врачами, которые ставят перед ними конкретные медицинские задачи. Такое взаимодействие (из-за особенностей образования и способа мышления) часто дается обеим сторонам непросто: врачи не знают математику, а математики — биологию, все они пользуются разной терминологией и методами. Однако без подобного диалога невозможна ни одна дисциплина на стыке наук.

Источник

Математическое моделирование

Математическое моделирование — процесс построения и изучения математических моделей.

Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его математической моделью и затем изучают последнюю.

Содержание

Определения

Никакое определение не может в полном объёме охватить реально существующую деятельность по математическому моделированию. Несмотря на это, определения полезны тем, что в них делается попытка выделить наиболее существенные черты.

Определение модели по А. А. Ляпунову: Моделирование — это опосредованное практическое или теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система (модель):

По учебнику Советова и Яковлева [3] : «модель (лат. modulus — мера) — это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.» (с. 6) «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием.» (с. 6) «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи.»

Несколько менее общее определение математической модели, основанное на идеализации «вход — выход — состояние», заимствованной из теории автоматов, даёт Wiktionary: «Абстрактное математическое представление процесса, устройства или теоретической идеи; оно использует набор переменных, чтобы представлять входы, выходы и внутренние состояния, а также множества уравнений и неравенств для описания их взаимодействия.» [6]

Наконец, наиболее лаконичное определение математической модели: «Уравнение, выражающее идею.» [7]

Классификация моделей

Формальная классификация моделей

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий [8] :

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом — распределённые модели и т. д.

Классификация по способу представления объекта

Наряду с формальной классификацией, модели различаются по способу представления объекта:

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика» [12] Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

Содержательные и формальные модели

Содержательная классификация моделей

В работе Р. Пайерлса (англ. R. Реiеrls ) [17] дана классификация математических моделей, используемых в физике и, шире, в естественных науках. В книге А. Н. Горбаня и Р. Г. Хлебопроса [18] эта классификация проанализирована и расширена. Эта классификация сфокусирована, в первую очередь, на этапе построения содержательной модели.

Тип 1: Гипотеза (такое могло бы быть)

Эти модели «представляют собой пробное описание явления, причем автор либо верит в его возможность, либо считает даже его истинным». По Р. Пайерлсу это, например, модель Солнечной системы по Птолемею и модель Коперника (усовершенствованная Кеплером), модель атома Резерфорда и модель Большого Взрыва.

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман:

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть.» [19]

Если модель первого типа построена, то это означает что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только вре́менной паузой: статус модели первого типа может быть только вре́менным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы…)

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус вре́менных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира, проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Тип 3: Приближение (что-то считаем очень большим или очень малым)

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае — использование приближений (моделей типа 3). Среди них модели линейного отклика. Уравнения заменяются линейными. Стандартный пример — закон Ома.

Если мы используем модель идеального газа для описания достаточно разреженных газов, то это — модель типа 3 (приближение). При более высоких плотностях газа тоже полезно представлять себе более простую ситуацию с идеальным газом для качественного понимания и оценок, но тогда это уже тип 4.

Тип 4: Упрощение (опустим для ясности некоторые детали)

В модели типа 4 отбрасываются детали, которые могут заметно и не всегда контролируемо повлиять на результат. Одни и те же уравнения могут служить моделью типа 3 (приближение) или 4 (опустим для ясности некоторые детали) — это зависит от явления, для изучения которого используется модель. Так, если модели линейного отклика применяются при отсутствии более сложных моделей (то есть не производится линеаризация нелинейных уравнений, а просто ищутся линейные уравнения, описываюшие объект), то это уже феноменологические линейные модели, и относятся они к следующему типу 4 (все нелинейные детали «для ясности» опускаем).

Примеры: применение модели идеального газа к неидеальному, уравнение состояния Ван-дер-Ваальса, большинство моделей физики твердого тела, жидкостей и ядерной физики. Путь от микроописания к свойствам тел (или сред), состоящих из большого числа частиц, очень длинен. Приходится отбрасывать многие детали. Это приводит к моделям 4-го типа.

Тип 5: Эвристическая модель (количественного подтверждения нет, но модель способствует более глубокому проникновению в суть дела)

Эвристическая модель сохраняет лишь качественное подобие реальности и даёт предсказания только «по порядку величины». Типичный пример — приближение средней длины свободного пробега в кинетической теории. Оно даёт простые формулы для коэффициентов вязкости, диффузии, теплопроводности, согласующиеся с реальностью по порядку величины.

Но при построении новой физики далеко не сразу получается модель, дающая хотя бы качественное описание объекта — модель пятого типа. В этом случае часто используют модель по аналогии, отражающую действительность хоть в какой-нибудь черте.

Тип 6: Аналогия (учтём только некоторые особенности)

Тип 7: Мысленный эксперимент (главное состоит в опровержении возможности)

А. Эйнштейн был одним из великих мастеров мысленного эксперимента. Вот один из его экспериментов. Он был придуман в юности и, в конце концов, привел к построению специальной теории относительности. Предположим, что в классической физике мы движемся за световой волной со скоростью света. Мы будем наблюдать периодически меняющееся в пространстве и постоянное во времени электромагнитное поле. Согласно уравнениям Максвелла, этого быть не может. Отсюда юный Эйнштейн заключил: либо законы природы меняются при смене системы отсчета, либо скорость света не зависит от системы отсчета. Он выбрал второй — более красивый вариант. Другой знаменитый мысленный эксперимент Эйнштейна — Парадокс Эйнштейна — Подольского — Розена.

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Тип 8: Демонстрация возможности (главное — показать внутреннюю непротиворечивость возможности)

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов — геометрия Лобачевского (Лобачевский называл её «воображаемой геометрией»). Другой пример — массовое производство формально — кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна — Подольского — Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа — демонстрацию возможности квантовой телепортации информации.

В основе содержательной классификации — этапы, предшествующие математическому анализу и вычислениям. Восемь типов моделей по Р. Пайерлсу суть восемь типов исследовательских позиций при моделировании.

Пример

где означает вторую производную от x по времени: .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором».

По формальной классификация эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т.

д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

Жёсткие и мягкие модели

Гармонический осциллятор — пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь — некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения, — некоторый малый параметр. Явный вид функции f нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида , то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор — пример структурно-неустойчивой (негрубой) системы. [20] Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача: известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение) или быть результатом специально планируемого в ходе решения экперимента (активное наблюдение).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

Дополнительные примеры

Модель Мальтуса

Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением

Система хищник-жертва

Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра — Лотки ответа не дает: здесь требуются дополнительные исследования.

Источник