Имитационные модели реальных систем, или Что такое моделирование?

Машинное обучение и имитационная модель – пример

Имитационные модели реальных систем, или Что такое моделирование?

27.05.2019 | Arash Mahdavi

Обучение с подкреплением (reinforcement learning) – вид машинного обучения, с которым связаны многие последние достижения в сфере искусственного интеллекта.

Все больше исследователей в сфере ИИ пробует использовать обучение с подкреплением вместе с имитационными моделями.

Как это работает? В этом посте я расскажу об этом, а также покажу пример модели со ссылкой на исходные файлы и инструкции, чтобы вы могли поработать с ней сами.

Что такое глубокое обучение с подкреплением

Вероятно, самый известный пример успеха глубокого обучения с подкреплением – победа программы AlphaGo от Deepmind над чемпионом мира Ли Седолем в матче по игре в го. Правила игры в го просты, но вариантов развития игры больше, чем атомов в обозримой вселенной. Считалось, что эта игра будет самой сложной для освоения искусственным интеллектом.

#AlphaGo won game 3, claims match victory against best Go player of last decade, Lee Sedol → https://t.co/MbtYm64lhL pic..com/goHJvxCPUI

— Google (@Google) March 12, 2016

Чтобы лучше понять успех AlphaGo, мы должны разобраться, как учатся компьютеры. Люди учатся двумя способами: первый – передача знаний (от учителя к ученику или из книг); второй – метод проб и ошибок. С компьютерами всё очень похоже.

Для программ метод с передачей знаний сродни хардкодингу, когда в программу вносятся правила и стратегии игры, например, в шахматы, которые компьютер затем использует в партии. Метод проб и ошибок – это тренировка компьютера постоянными партиями в шахматы, в ходе которых он развивает свои собственные навыки и «чувство игры».

Перед матчем с Ли Седолем AlphaGo сыграла миллионы тренировочных партий в го и, благодаря глубокому обучению с подкреплением, накопила тысячи лет человеческого опыта игры за несколько дней.

Зачем нужны имитационные модели

Чтобы программа могла учиться на собственном опыте, ей нужна среда, в которой можно было бы проверять идеи и получать знания из собственных ошибок и достижений. Такая среда может быть реальной (например, на частных дорогах, в ограниченном воздушном пространстве, либо на учебной конвейерной линии) или виртуальной.

Хотя тренировочные среды из реального мира больше похожи на действительность, они имеют много недостатков. Создание реальных сред для экспериментов затратно, а в некоторых случаях такие среды могут представлять риск для людей и окружающей среды. Иногда подобные эксперименты могут быть ограничены законодательно.

Имитационные модели не имеют таких ограничений – они дёшевы, и их можно гибко настраивать под конкретные нужды.

Кроме того, модели в виртуальных средах могут воспроизводить процессы быстрее, чем они происходили бы в реальности, что экономит время.

Примером стала разгромная победа модели системы от OpenAI над чемпионами мира в стратегической игре Dota 2. За десять месяцев обучения система OpenAI получила опыт, соответствующий 45 000 человеко-лет.

OpenAI Five is now the first AI to beat the world champions in an esports game. Here's what happened, and how we made our comeback since losing to pros in Aug 2018: https://t.co/QH6yj0Gmz3 pic..com/WvV4ERTvZt

— OpenAI (@OpenAI) April 15, 2019

Глубокое обучение с подкреплением – это всё ещё новое направление в мире искусственного интеллекта, и пока оно находится в стадии развития. В то же время имитационное моделирование в течение десятилетий регулярно используется в практике, и существует огромное количество примеров применения технологии в бизнесе.

Специалисты по имитационному моделированию обычно работают так: создаётся имитационная модель, затем с ней проводятся эксперименты (оптимизация, эксперименты Монте-Карло, варьирование параметров и т. д.), а результаты используются для принятия решений в моделируемой бизнес-системе. Такой подход требует участия человека, который проводит эксперименты с моделью и получает от нее информацию.

При машинном обучении алгоритмы (т.н. обучающиеся агенты) способны самостоятельно извлекать подходящие линии поведения и стратегии из имитируемых систем. Логичное решение – заставить алгоритмы учиться на имитационных моделях. С учётом того, что исследователи в области ИИ переходят от игр к бизнес-задачам, это особенно актуально.

Как машинное обучение работает с имитационным моделированием

Пример модели: имитация + обучение с подкреплением

Имитационная модель реальной бизнес-системы может служить средой для машинного обучения. Мы решили показать это на примере перекрёстка со светофорами, который мы в AnyLogic разработали вместе с компанией Skymind. Похожую версию этой модели мы представили на конференции AnyLogic-2019 в Остине, доступно видео презентации (на англ. языке).

Машинное обучение против алгоритмов оптимизации на примере светофора. Управление с помощью обучения с подкреплением – справа.

Ниже можно скачать исходные файлы модели, необходимые библиотеки для глубокого обучения с подкреплением и детальные инструкции для настройки.

Скачать

❕ Модель специально сделана простой и наглядной. Вы можете изменить политику управления, предложенную машинным обучением, на собственный набор эвристических правил и алгоритмов, и увидеть разницу.

Однако прелесть этой модели в том, что процесс обучения проходит без участия человека, то есть ИИ самостоятельно вырабатывает эффективные стратегии, основанные на его взаимодействии с имитационной моделью.

Если бы для моделирования и обучения был выбран более сложный пример (например, несколько смежных перекрестков), то преимущество обучающегося агента над разработанными человеком алгоритмами было бы намного больше.

Источник: https://www.anylogic.ru/blog/mashinnoe-obuchenie-i-imitatsionnaya-model-primer/

Имитационное моделирование — Студопедия

Имитационные модели реальных систем, или Что такое моделирование?

Имитационное моделирование является мощным инструментом исследования поведения реальных систем. Методы имитационного моделирования позволяют собрать необходимую информацию о поведении системы путем создания ее компьютерной модели. Эта информация используется затем для проектирования системы.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами в предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны.

К имитационному моделированию прибегают, когда:

1. Дорого или невозможно экспериментировать на реальном объекте.

2.

Невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные.

3. Необходимо сымитировать поведение системы во времени.

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950х — 1960х годах.

Можно выделить две разновидности имитации:

1. Метод Монте-Карло (метод статистических испытаний);

2.

Метод имитационного моделирования (статистическое моделирование).

В настоящее время выделяют три направления имитационных моделей:

1. Агентное моделирование — относительно новое (1990е-2000е гг.

) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот. Когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы.

Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.

2.

Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие.

Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов.

3. Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере.

По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями.

С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии.

Основные понятия построения модели

Имитационное моделирование основано на воспроизведении с помощью компьютеров развернутого во времени процесса функционирования системы с учетом взаимодействия с внешней средой.

Основой всякой имитационной модели (ИМ) является:

· разработка модели исследуемой системы на основе частных имитационных моделей (модулей) подсистем, объединенных своими взаимодействиями в единое целое;

· выбор информативных (интегративных) характеристик объекта, способов их получения и анализа;

· построение модели воздействия внешней среды на систему в виде совокупности имитационных моделей внешних воздействующих факторов;

· выбор способа исследования имитационной модели в соответствии с методами планирования имитационных экспериментов (ИЭ).

Условно имитационную модель можно представить в виде действующих, программно (или аппаратно) реализованных блоков.

На рисунке показана структура имитационной модели. Блок имитации внешних воздействий (БИВВ) формирует реализации случайных или детерминированных процессов, имитирующих воздействия внешней среды на объект.

Блок обработки результатов (БОР) предназначен для получения информативных характеристик исследуемого объекта. Необходимая для этого информация поступает из блока математической модели объекта (БМО).

Блок управления (БУИМ) реализует способ исследования имитационной модели, основное его назначение – автоматизация процесса проведения ИЭ.

Целью имитационного моделирования является конструирование ИМ объекта и проведение ИЭ над ней для изучения закономерностей функционирования и поведения с учетом заданных ограничений и целевых функций в условиях имитации и взаимодействия с внешней средой.

Принципы и методы построения имитационных моделей

Процесс функционирования сложной системы можно рассматривать как смену ее состояний, описываемых ее фазовыми переменными

Z1(t), Z2(t), Zn(t) в n – мерном пространстве.

Задачей имитационного моделирования является получение траектории движения рассматриваемой системы в n – мерном пространстве (Z1, Z2, Zn), а также вычисление некоторых показателей, зависящих от выходных сигналов системы и характеризующих ее свойства.

В данном случае “движение” системы понимается в общем смысле – как любое изменение, происходящее в ней.

Известны два принципа построения модели процесса функционирования систем:

1. Принцип Δt для детерминированных систем

Предположим, что начальное состояние системы соответствует значениям Z1(t0), Z2(t0), Zn(t0). Принцип Δt предполагает преобразование модели системы к такому виду, чтобы значения Z1, Z2, Zn в момент времени t1 = t0 + Δt можно было вычислить через начальные значения, а в момент t2 = t1+ Δt через значения на предшествующем шаге и так для каждого i-ого шага ( t = const, i = 1 M).

Для систем, где случайность является определяющим фактором, принцип Δt заключается в следующем:

1. Определяется условное распределение вероятности на первом шаге (t1 = t0+ Δt) для случайного вектора, обозначим его (Z1, Z2, Zn). Условие состоит в том, что начальное состояние системы соответствует точке траектории .

2.

Вычисляются значения координат точки траектории движения системы (t1 = t0+ Δt), как значения координат случайного вектора, заданного распределением, найденным на предыдущем шаге.

3. Отыскиваются условное распределение вектора на втором шаге (t2 = t1 + Δ t), при условии получения соответствующих значений на первом шаге и т.д., пока ti = t0 + i Δ t не примет значения (tМ = t0 + М Δ t).

Принцип Δ t является универсальным, применим для широкого класса систем. Его недостатком является неэкономичность с точки зрения затрат машинного времени.

2.

Принцип особых состояний (принцип δz).

При рассмотрении некоторых видов систем можно выделить два вида состояний δz:

1. Обычное, в котором система находится большую часть времени, при этом Zi(t), (i=1 n) изменяются плавно;

2.

Особое, характерное для системы в некоторые моменты времени, причем состояние системы изменяется в эти моменты скачком.

Принцип особых состояний отличается от принципа Δt тем, что шаги по времени в этом случае не постоянны, является величиной случайной и вычисляется в соответствии с информацией о предыдущем особом состоянии.

Примерами систем, имеющих особые состояния, являются системы массового обслуживания. Особые состояния появляются в моменты поступления заявок, в моменты освобождения каналов и т.д.

Основные методы имитационного моделирования

Основными методами имитационного моделирования являются: аналитический метод, метод статического моделирования и комбинированный метод (аналитико-статистический) метод.

Аналитический метод применяется для имитации процессов в основном для малых и простых систем, где отсутствует фактор случайности. Метод назван условно, так как он объединяет возможности имитации процесса, модель которого получена в виде аналитически замкнутого решения, или решения полученного методами вычислительной математики.

Метод статистического моделирования первоначально развивался как метод статистических испытаний (Монте-Карло).

Это – численный метод, состоящий в получении оценок вероятностных характеристик, совпадающих с решением аналитических задач (например, с решением уравнений и вычислением определенного интеграла).

В последствии этот метод стал применяться для имитации процессов, происходящих в системах, внутри которых есть источник случайности или которые подвержены случайным воздействиям. Он получил название метода статистического моделирования.

Комбинированный метод (аналитико-статистический) позволяет объединить достоинства аналитического и статистического методов моделирования.

Он применяется в случае разработки модели, состоящей из различных модулей, представляющих набор как статистических так и аналитических моделей, которые взаимодействуют как единое целое.

Причем в набор модулей могут входить не только модули соответствующие динамическим моделям, но и модули соответствующие статическим математическим моделям.

Вопросы для самопроверки

1. Определить, что такое оптимизационная математическую модель.

2.

Для чего могут использоваться оптимизационные модели?

3. Определить особенности имитационного моделирования.

4. Дать характеристику метода статистического моделирования.

5. Что есть модель типа «черный ящик», модель состава, структуры, модель типа «белый ящик»?

Источник: https://studopedia.ru/5_32577_imitatsionnoe-modelirovanie.html

Имитационные модели

Имитационные модели реальных систем, или Что такое моделирование?

Имитационная модельвоспроизводит поведение сложной системы взаимодействующих элементов. Для имитационного моделирования характерно наличие следующих обстоятельств (одновременно всех или некоторых из них):

· объект моделирования — сложная неоднородная система;

· в моделируемой системе присутствуют факторы случайного поведения;

· требуется получить описание процесса, развивающегося во времени;

· принципиально невозможно получить результаты моделирования без использования компьютера.

Состояние каждого элемента моделируемой системы описывается набором параметров, которые хранятся в памяти компьютера в виде таблиц. Взаимодействия элементов системы описываются алгоритмически. Моделирование осуществляется в пошаговом режиме. На каждом шаге моделирования изменяются значения параметров системы.

Программа, реализующая имитационную модель, отражает изменение состояния системы, выдавая значения ее искомых параметров в виде таблиц по шагам времени или в последовательности происходящих в системе событий. Для визуализации результатов моделирования часто используется графическое представление, в т.ч.

анимированное.

Детерминированное моделирование

Имитационная модель основана на подражании реальному процессу (имитации).

Например, моделируя изменение (динамику) численности микроорганизмов в колонии, можно рассматривать много отдельных объектов и следить за судьбой каждого из них, ставя определенные условия для его выживания, размножения
и т.д. Эти условия обычно задаются в вербальной форме.

Например: по истечении некоторого промежутка времени микроорганизм делится на две части, а по прошествии другого (большего) временноRго отрезка — погибает. Выполнение описанных условий алгоритмически реализуется в модели.

Другой пример: моделирование движения молекул в газе, когда каждая молекула представляется в виде шарика с определенным направлением и скоростью движения.

Взаимодействие двух молекул или молекулы со стенкой сосуда происходит согласно законам абсолютно-упругого столкновения и легко описывается алгоритмически.

Получение интегральных (общих, усредненных) характеристик системы производится на уровне статистической обработки результатов моделирования.

Такой компьютерный эксперимент фактически претендует на воспроизведение натурного эксперимента. На вопрос: “Зачем это нужно делать?” можно дать следующий ответ: имитационное моделирование позволяет выделить “в чистом виде” следствия гипотез, заложенных в представления о микрособытиях (т.е.

на уровне элементов системы), избавив их от неизбежного в натурном эксперименте влияния других факторов, о которых мы можем даже не подозревать.

Если такое моделирование включает и элементы математического описания процессов на микроуровне, и если исследователь при этом не ставит задачу поиска стратегии регулирования результатов (например, управления численностью колонии микроорганизмов), то отличие имитационной модели от математической (дескриптивной) оказывается достаточно условным.

Приведенные выше примеры имитационных моделей (эволюция колонии микроорганизмов, движение молекул в газе) приводят к детерминированному описанию систем. В них отсутствуют элементы вероятности, случайности событий в моделируемых системах. Рассмотрим пример моделирования системы, обладающей этими качествами.

Модели случайных процессов

Кому не случалось стоять в очереди и с нетерпением прикидывать, успеет ли он сделать покупку (или заплатить за квартиру, покататься на карусели и т.д.

) за некоторое имеющееся в его распоряжении время? Или, пытаясь позвонить по телефону в справочную и натыкаясь несколько раз на короткие гудки, нервничать и оценивать — дозвонюсь или нет? Из таких “простых” проблем в начале XX века родилась новая отрасль математики — теория массового обслуживания, использующая аппарат теории вероятностей и математической статистики, дифференциальных уравнений и численных методов. Впоследствии выяснилось, что эта теория имеет многочисленные выходы в экономику, военное дело, организацию производства, биологию и экологию и т.д.

Компьютерное моделирование при решении задач массового обслуживания, реализуемое в виде метода статистических испытаний (метода Монте-Карло), играет важную роль. Возможности аналитических методов решения реально возникающих задач массового обслуживания весьма ограничены, в то время как метод статистических испытаний универсален и относительно прост.

Рассмотрим простейшую задачу этого класса. Имеется магазин с одним продавцом, в который случайным образом входят покупатели. Если продавец свободен, то он начинает обслуживать покупателя сразу, если зашло одновременно несколько покупателей — выстраивается очередь. Есть немало других аналогичных ситуаций:

· ремонтная зона в автохозяйстве и автобусы, сошедшие с линии из-за поломки;

· травмпункт и больные, пришедшие на прием по случаю травмы (т.е. без системы предварительной записи);

· телефонная станция с одним входом (или одной телефонисткой) и абоненты, которых при занятом входе ставят в очередь (такая система иногда практикуется);

· сервер локальной сети и персональные машины на рабочем месте, которые шлют сообщение серверу, способному воспринять разом и обработать не более одного сообщения.

Процесс прихода покупателей в магазин — случайный процесс.

Промежутки времени между приходами любой последовательной пары покупателей — независимые случайные события, распределенные по некоторому закону, который может быть установлен лишь путем многочисленных наблюдений (либо для моделирования взят некоторый его правдоподобный вариант). Второй случайный процесс в этой задаче, никак не связанный с первым, — длительность обслуживания каждого из покупателей.

Целью моделирования систем такого вида является получение ответа на ряд вопросов.

Относительно простой вопрос — какое в среднем время придется стоять в очереди при заданных законах распределения указанных выше случайных величин? Более сложный вопрос: каково распределение времен ожидания обслуживания в очереди? Не менее сложный вопрос: при каких соотношениях параметров входных распределений наступит кризис, при котором очередь до вновь вошедшего покупателя не дойдет никогда? Если задуматься над этой относительно простой задачей, возможные вопросы будут множиться.

Способ моделирования выглядит в общих чертах так. Используемые математические формулы — законы распределения исходных случайных величин; используемые числовые константы — эмпирические параметры, входящие в эти формулы.

Не решается никаких уравнений, которые использовались бы при аналитическом исследовании данной задачи. Вместо этого происходит имитация очереди, разыгрываемая с помощью компьютерных программ, генерирующих случайные числа с заданными законами распределения.

Затем производится статистическая обработка совокупности полученных значений величин, определяемых заданными целями моделирования. Например, находится оптимальное количество продавцов для разных периодов времени работы магазина, которое обеспечит отсутствие очередей.

Математический аппарат, который здесь используется, называется методами математической статистики.

В статье “Моделирование экологических систем и процессов” 2 описан другой пример имитационного моделирования: одна из многих моделей системы “хищник—жертва”.

Особи видов, находящихся в указанных отношениях, по определенным правилам, содержащим элементы случайности, перемещаются, хищники съедают жертв, и те и другие размножаются и т.д.

Такая модель не содержит никаких математических формул, но требует статистической обработки результатов.

Пример алгоритма детерминированной имитационной модели

Рассмотрим имитационную модель эволюции популяции живых организмов, известную под названием “Жизнь”, которую легко реализовать на любом языке программирования.

Для построения алгоритма игры рассмотрим квадратное поле из n + 1 столбцов и строк с обычной нумерацией от 0 до n. Крайние граничные столбцы и строки для удобства определим как “мертвую зону”, они играют лишь вспомогательную роль.

Для любой внутренней клетки поля с координатами (i, j) можно определить 8 соседей. Если клетка “живая”, ее закрашиваем, если клетка “мертвая”, она пустая.

Зададим правила игры. Если клетка (i, j) “живая” и ее окружает более трех “живых” клеток, она погибает (от перенаселения). “Живая” клетка также погибает, если в ее окружении находится менее двух “живых” клеток (от одиночества). “Мертвая” клетка оживает, если вокруг нее появляются три “живые” клетки.

Для удобства введем двумерный массив A[0..n, 0..n], элементы которого принимают значение 0, если соответствующая клетка пустая, и 1, если клетка “живая”. Тогда алгоритм определения состояния клетки с координатой (i, j) можно определить следующим образом:

S := А[I – 1, J – 1] + А[I – 1, J] +

+ А[I – 1, J + 1] + А[I + 1, J – 1]

+ А[I + 1, J] + А[I + 1, J + 1] +

+ А[I, J + 1] + А[I, J – 1];

If (А[I, J] = 1) And ((S > 3) Or

(S

Источник: https://xn----7sbbfb7a7aej.xn--p1ai/informatika_kabinet/model/model_02.html

Имитационное моделирование систем: что это такое и где используется

Имитационные модели реальных систем, или Что такое моделирование?

Проектирование любого объекта – это многоступенчатый процесс, который требует анализа данных, их систематизации, конструирования и проверки результатов.

В зависимости от объема предстоящих работ, трудности его воплощения в жизнь, используется либо реальные испытания, либо имитация.

Это упрощает процесс, делает его менее дорогостоящим, а также позволяет вносить коррективы, доработки уже на моменте эксперимента.

В статье мы расскажем про имитационное математическое моделирование систем – что это такое, какие модели получаются, где они находят свое применение.

Особенности технологии

Любая работа с моделями состоит из двух основных этапов:

  • разработка и создание образца;
  • его аналитический анализ.

Затем уже вносятся коррективы, или утверждается данный план. При необходимости можно повторить процедуру несколько раз, чтобы добиться безупречного построения.

Таким образом, этот способ можно назвать наглядным познанием реальности в миниатюре. Есть объекты, которые дорого и трудоемко воплотить в реальность в натуральном размере без точной уверенности в эффективности всех конструктивных элементов, например, космические корабли или все использование имитационного моделирования в области аэродинамики методом фотоупругости.

Создание идентичной модели с повторением особенностей всей системы помогает добиться не только отражения внутренних закономерностей, но и внешних действующих сил, например, воздушных потоков или сопротивления воды.

Конструирование копий объектов началось с появлением первых компьютеров и сначала имело схематический характер, с развитием технологий прем получил все большее развитие и начал применяться даже на небольших производствах из-за своей наглядности.

Самыми трудоемкими для разработки являются объекты, которые изготовлены для эксплуатации в условиях повышенного давления, сопротивления или труднодосягаемы.

К ним обязательно подходят с точки зрения ИМ, создают математические схемы, меняют исходные данные и проверяют влияние различных факторов, совершенствуют модель.

При необходимости создается трехмерный макет, который погружается в имитацию реальной среды. К таким объектам относят:

  • Конструкции, которые погружаются под воду или находятся частично в жидкости, там самым испытывая на себе давление потоков. К примеру, для макетирования подводной лодки необходимо просчитать все силы, которые будут влиять на корпус, а затем анализировать, как ни изменятся при увеличении скорости движения и глубины погружения.
  • Предметы, созданные для полета в воздухе или даже для выхода из атмосферы Земли. Искусственные спутники, космические корабли до запуска проходят множественные проверки, причем инженеры не довольствуются только компьютерной визуализацией, а делают макет вживую по заданным на компьютере данным.

В основе ИМ аэродинамики часто лежит метод фотоупругости – определение воздействий на вещество определенных сил за счет двойного преломления лучей в материалах оптической природы. Так можно определить степень напряжения и деформации стенок. Этим же методом можно определить не только статичное воздействие, но и динамичное, то есть последствия взрывов, ударной волны.

Гидродинамическая модель задается несколькими параметрами вручную, учитываются все геологические, биологические, химические и физические свойства среды и объекта. На основе этих данных создается объемная модель. Задаются начальные и максимальные границы воздействия на конструкцию. Далее происходит адаптация к условиям нахождения предмета и последующий вывод конечных данных.

Активно применяют этот метод в горнодобывающей промышленности и при бурении скважин. Здесь учитываются сведения о земле,воздушных и водных ключах, возможных неблагоприятных для работ слоях.

Разработка модели

Воссоздаваемая проекция – это упрощенный вариант реального объекта с сохранением характеристик, особенностей, свойств, а также с причинно-следственными связями. Именно реакция на воздействия обычно становится самым важным элементом изучения. Понятие «имитационное моделирование» предполагает три этапа работа с моделью:

  1. Ее конструирование после тщательного анализа натуральной системы, перенос всех характеристик в математические формулы, построение графического образа, его объемный вариант.
  2. Эксперимент и фиксирование изменений качеств макета, выведение закономерностей.
  3. Проецирование полученных сведений на реальный объект, внесение коррективов.

Далее этот цикл можно повторять столько раз, сколько это будет необходимо. Так образ является изменчивым в зависимости от введенных исходных данных.

по программам для проектирования

При выборе программы для реализации проекта необходимо выбирать софт с поддержкой трехмерного пространства. Также важна возможность 3D-визуализации с последующей объемной печатью.

Компания «ЗВСОФТ» предлагает свою продукцию.

Базовый САПР, ZWCAD 2018 Professional, является аналогом популярного ПО – AutoCAD. Но многие инженеры переходят на «ЗВКАД» из-за облегченной системы лицензирования, более низкой цены и удобного, русскоязычного интерфейса. При этом новая разработка совсем не уступает по функционалу:

  • поддерживается работа как в двухмерном, так и в трехмерном пространстве;
  • интеграция с практически любыми текстовыми и графическими файлами;
  • удобство и большая функциональная панель инструментов.

При этом на ZWCAD можно установить множество надстроек, направленных на решение тех или иных задач.

Form•Z Pro – программа для создания и работы со сложными 3D объектами. Ее преимущества:

  • Удобный, доступный для пользователя с любым уровнем навыков интерфейс и автоматизированный процесс выбора элементов.
  • Легкое структурирование объектов на базе сетки, которую можно менять (их можно сжимать, растягивать, увеличивать или уменьшать высоту, клонировать, проецировать, делать впадины и выпуклости и многое другое).
  • Элементы из кривых и поверхностей NURBZ, их модификация профессиональными инструментами редактирования.
  • Создание объемных фигур на основе производных базовых и сложных объектов.
  • Моделирование поведения предметов, описанное в виде математических функций.
  • Трансформация одних форм в другие с выделением отдельных переходных элементов.
  • С плагинами RenderZone и V-Ray становится возможной детальная прорисовка всех деталей и фактур.
  • Анимация позволяет задать движение объектов как независимое, так и в зависимости одних от других.
  • 3D печать моделей.
  • Экспорт в системы инженерного анализа.

Еще одна разработка – это программа ZW3D. Универсальная CAD-система в трех версиях – облегченная, стандартная и профессиональная. Возможности:

  • Создание трехмерного объекта любой сложности.
  • Гибридное моделирование.
  • Использование математических формул и функций при построении фигур.
  • Реверсивный инжиниринг, или обратная разработка продукции для внесения коррективов.
  • Моделирование движения с помощью анимации.
  • Работа с моделью, как с твердотельным, полым или каркасным образом.
  • Получение образцов на 3D принтере.
  • Использование переменных и математической среды для имитации поведения.

В статье мы рассказали, что относится к методам имитационного моделирования и что является его целью. За новыми технологиями будущее науки и производства.

или присоединяйтесь к нашей группе в соцсети

Источник: https://www.zwsoft.ru/stati/imitacionnoe-modelirovanie-sistem-chto-eto-takoe-i-gde-ispolzuetsya

Бизнес
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: