Modelowanie matematyczne

Modelowanie matematyczne — jest to metoda badawcza, w której rzeczywisty obiekt, proces lub zjawisko zastępowany jest jego modelem matematycznym, pozwalającym na analizę zachowania systemu przy użyciu metod matematycznych.

Istota modelowania matematycznego

Modelowanie matematyczne obejmuje:

• formalizację istotnych cech badanego obiektu;
• budowę modelu matematycznego wyrażającego zależności między parametrami;
• badanie modelu metodami analitycznymi, numerycznymi lub symulacyjnymi;
• interpretację wyników w odniesieniu do rzeczywistego systemu.

Model jest zawsze uproszczeniem rzeczywistości, celowo odzwierciedlającym tylko te jej aspekty, które są istotne dla postawionych celów badawczych lub projektowych.

Cele modelowania matematycznego

Modele matematyczne opracowywane są w celu:

• opisu struktury, właściwości i funkcjonowania systemów;
• wyjaśnienia obserwowanych zjawisk poprzez identyfikację prawidłowości;
• prognozowania przyszłego zachowania systemów przy zadanych oddziaływaniach;
• optymalizacji procesów i systemów sterowania;
• przeprowadzania wirtualnych eksperymentów, niemożliwych lub niepożądanych w rzeczywistości.

Klasyfikacja modeli matematycznych

• Według sposobu opisu: Deterministyczne i stochastyczne (probabilistyczne).
• Według charakteru czasu: Statyczne i dynamiczne.
• Według charakteru zmiennych: Dyskretne i ciągłe.
• Według stopnia szczegółowości: Makroskopowe, mikroskopowe, mezoskopowe.
• Według stosowanego aparatu: Analityczne, numeryczne, symulacyjne.
• Według przeznaczenia: Opisowe, prognostyczne, optymalizacyjne, symulacyjne.
• Według struktury: Liniowe i nieliniowe.
• Według podejścia do budowy: Fenomenologiczne (empiryczne) i mechanistyczne (teoretyczne).

Etapy modelowania matematycznego

W ogólnym przypadku etapy modelowania matematycznego są następujące:

1. Sformułowanie zadania:
   • Określenie celu modelowania (co chcemy poznać lub zrobić?).
   • Opis obiektu lub procesu oraz jego granic.
   • Wyodrębnienie kluczowych czynników i cech, które należy uwzględnić.
2. Budowa (lub wybór) modelu:
   • Formalizacja: Przełożenie opisu obiektu i zależności na język matematyki (równania, funkcje, reguły logiczne, algorytmy itp.).
   • Wprowadzenie założeń i uproszczeń w celu wyodrębnienia rzeczy najważniejszych.
   • Określenie parametrów modelu i ich zależności.
3. Badanie modelu:
   • Rozwiązanie zadania matematycznego (analitycznie, numerycznie, symulacyjnie).
   • Przeprowadzenie eksperymentów obliczeniowych w celu zbadania zachowania modelu w różnych warunkach.
4. Sprawdzenie adekwatności (walidacja) modelu:
   • Porównanie wyników modelowania z rzeczywistymi danymi (eksperymentalnymi, obserwowanymi) lub ze znanymi faktami.
   • Ocena, jak dobrze model odzwierciedla rzeczywistość dla postawionego celu.
5. Interpretacja i zastosowanie wyników:
   • Analiza uzyskanych danych modelowania.
   • Przełożenie wyników na język pierwotnego problemu.
   • Formułowanie wniosków, prognoz, opracowanie rekomendacji lub podejmowanie decyzji na podstawie modelu.

Proces ten jest często iteracyjny. Niezadowalające wyniki walidacji lub interpretacji mogą wymagać powrotu do poprzednich etapów (doprecyzowania sformułowania zadania, zmiany założeń, modyfikacji modelu).

Podejście zasadnicze

Podejście zasadnicze, oparte na pracach Clive'a Dyma (Principles of Mathematical Modeling), proponuje traktowanie modelowania jako sekwencji odpowiedzi na kluczowe pytania:

• Why? (Po co?): Jaka jest potrzeba budowy modelu? Należy wyraźnie określić cel modelowania i problem, który model ma pomóc rozwiązać.
• Find? (Znaleźć?): Czego chcemy się dowiedzieć? Jakie konkretne dane wyjściowe, charakterystyki lub informacje powinien dostarczyć model dla osiągnięcia celu?
• Given? (Dane?): Co jest nam znane? Jakie informacje, dane (eksperymentalne, statystyczne), wiedza o systemie i dostępne zasoby są już w posiadaniu?
• Assume? (Założenia?): Jakie założenia przyjmujemy? Określenie uproszczeń, idealizacji, hipotez dotyczących zachowania systemu oraz granic stosowalności modelu. Ten krok jest krytycznie ważny, ponieważ decyduje o adekwatności modelu.
• How? (Jak?): Jak działa system? Identyfikacja podstawowych praw (fizycznych, chemicznych, biologicznych, ekonomicznych itp.), mechanizmów i zależności rządzących zachowaniem obiektu modelowania.
• Predict? (Prognoza?): Co model przewidzi? Formułowanie równań matematycznych, nierówności, reguł logicznych lub algorytmów stanowiących rdzeń modelu oraz określenie obliczeń, które zostaną wykonane.
• Valid? (Ważność?): Na ile przewidywania modelu odpowiadają rzeczywistości? Porównanie wyników modelowania z rzeczywistymi danymi lub ze znanymi faktami w celu sprawdzenia adekwatności modelu do postawionych celów.
• Verified? (Użyteczność/Weryfikacja?): Czy model jest użyteczny do osiągnięcia pierwotnego celu (Why?)? Czy uzyskane wyniki i dokładność modelu zaspokajają pierwotną potrzebę? (Na tym etapie może być również przeprowadzana weryfikacja — sprawdzenie poprawności wyprowadzeń matematycznych i implementacji programowej).
• Improve? (Doskonalenie?): Czy model można i należy ulepszyć? Identyfikacja parametrów wymagających doprecyzowania, założeń, które można osłabić, lub nieuwzględnionych aspektów, które należy dodać dla większej dokładności lub szerszego zastosowania.
• Use? (Zastosowanie?): Jak zastosować wyniki? Interpretacja przewidywań i wniosków modelu do podejmowania decyzji, zdobywania nowej wiedzy, prognozowania, optymalizacji lub sterowania systemem.

Zadanie proste i zadanie odwrotne modelowania matematycznego

Tradycyjnie wyróżnia się dwie podstawowe klasy zadań związanych z modelami matematycznymi:

• Zadanie proste polega na badaniu modelu o z góry zadanej strukturze i znanych parametrach w celu uzyskania informacji o zachowaniu obiektu.
• Zadanie odwrotne polega na wyborze konkretnego modelu lub wyznaczeniu jego parametrów na podstawie dostępnych danych eksperymentalnych lub empirycznych.

Zadanie proste

Celem zadania prostego jest — na podstawie znanych właściwości systemu — odpowiedź na pytanie o jego reakcję na zewnętrzne oddziaływania lub wyznaczenie jego charakterystyk w różnych warunkach. Główne aspekty celu zadania prostego:

• Badanie zachowania obiektu na podstawie zadanego modelu matematycznego o znanych strukturze i parametrach.
• Uzyskanie ilościowych lub jakościowych charakterystyk systemu: np. wyznaczenie naprężeń, pól temperaturowych, dynamicznych reakcji na obciążenia itp.
• Prognozowanie stanu obiektu przy różnych oddziaływaniach zewnętrznych (obciążeniach, zmianach warunków środowiska, działaniach sterujących).
• Analiza stabilności i niezawodności systemów, wyznaczanie ich granicznych trybów pracy.
• Weryfikacja hipotez dotyczących zachowania obiektu sformułowanych na podstawie modelu.
• Optymalizacja procesów sterowania poprzez obliczanie reakcji modelu na oddziaływania sterujące.
• Ocena wrażliwości rozwiązań na zmiany warunków początkowych i parametrów modelu.

Zadanie odwrotne

Celem zadania odwrotnego jest wyznaczenie struktury modelu lub jego parametrów na podstawie dostępnych danych dotyczących zachowania rzeczywistego systemu.

Główne aspekty celu zadania odwrotnego:

• Wyznaczenie nieznanych parametrów modelu (np. współczynników sprężystości, przewodności cieplnej, oporności itp.).
• Określenie ukrytej struktury procesów na podstawie obserwowanych danych wyjściowych.
• Zbudowanie lub skorygowanie modelu matematycznego tak, aby jego zachowanie było zgodne z danymi eksperymentalnymi lub empirycznymi.
• Opracowanie adekwatnych metod przetwarzania i interpretacji danych obserwacyjnych i eksperymentalnych.

Weryfikacja i walidacja

Po zbudowaniu modelu matematycznego i uzyskaniu jego programowej lub algorytmicznej implementacji krytycznie ważnym krokiem jest ocena jego poprawności i stosowalności. W tym celu stosuje się dwa wzajemnie powiązane, lecz różne procesy: weryfikację i walidację.

• Weryfikacja (Verification):
  • Pytanie: Czy prawidłowo implementujemy (budujemy) model?
  • Sens: Sprawdzenie, czy programowa implementacja lub algorytm obliczeniowy modelu dokładnie odpowiada jego sformułowaniu matematycznemu i opisowi koncepcyjnemu. Innymi słowy, weryfikacja upewnia się, że równania są rozwiązywane poprawnie, a algorytm działa bez błędów zgodnie z zaложoną logiką.
  • Metody: Analiza i sprawdzanie kodu, testowanie na znanych rozwiązaniach analitycznych (jeśli istnieją), porównanie z wynikami innych sprawdzonych programów, sprawdzanie stabilności numerycznej i zbieżności algorytmów.
• Walidacja (Validation):
  • Pytanie: Czy zbudowaliśmy właściwy model?
  • Sens: Określenie stopnia zgodności modelu z rzeczywistym obiektem, procesem lub zjawiskiem, które ma opisywać, w odniesieniu do celów modelowania. Walidacja odpowiada na pytanie, jak dobrze model odzwierciedla interesujące nas aspekty rzeczywistości.
  • Metody: Porównanie wyników modelowania z danymi eksperymentalnymi, danymi obserwacji rzeczywistego systemu, danymi statystycznymi, known faktami lub wynikami innych, już sprawdzonych modeli. Ocena wrażliwości modelu na zmiany parametrów.

Kluczowa różnica:

• Weryfikacja porównuje implementację modelu z jego specyfikacją (opisem matematycznym).
• Walidacja porównuje model (jako całość) z rzeczywistością.

Można mieć model matematycznie poprawny, lecz nieadekwatny do rzeczywistego procesu (zweryfikowany, ale nie zwalidowany), lub model pomyślany jako adekwatny, lecz zaimplementowany z błędami (niezweryfikowany).

Procesy weryfikacji i walidacji są nieodłączną częścią procesu modelowania matematycznego. Zapewniają one zaufanie do wyników modelowania i pozwalają ocenić granice stosowalności modelu. Bez nich stosowanie modelu do prognozowania, optymalizacji lub podejmowania decyzji może być nieprawidłowe.

Ograniczenia i założenia

Każdy model matematyczny jest abstrakcją — celowym uproszczeniem badanej rzeczywistości. Opiera się on na szeregu założeń i — jak każda mapa — nie jest samym terytorium, lecz jedynie jego opisem dla konkretnych celów. Nakłada to następujące ograniczenia:

1. Niekompletność: Model uwzględnia tylko istotne (z punktu widzenia celu badań i przyjętych założeń) czynniki i zależności, świadomie pomijając inne szczegóły w celu uproszczenia analizy.
2. Zależność od założeń: Poprawność, dokładność i obszar stosowalności modelu są bezpośrednio zależne od zasadności przyjętych założeń. Błędne lub naruszone założenia prowadzą do niedokładnych lub błędnych wyników.
3. Ograniczony obszar stosowalności: Model adekwatnie opisuje rzeczywistość tylko w określonych warunkach (odpowiadających założeniom) i do rozwiązywania konkretnego zakresu zadań, dla których został stworzony i sprawdzony. Ekstrapolacja poza te ramy jest niedopuszczalna.
4. Błąd: Na skutek uproszczeń wyniki modelowania zawsze obarczone są pewnym błędem w porównaniu z rzeczywistym zachowaniem obiektu.
5. Konieczność walidacji: Ponieważ model jest uproszczeniem, jego adekwatność zawsze wymaga sprawdzenia (walidacji) na podstawie rzeczywistych (eksperymentalnych lub obserwowanych) danych.
6. Wrażliwość: Wyniki modelowania mogą być wrażliwe na zmiany danych wejściowych, parametrów modelu i przyjętych założeń, co często wymaga przeprowadzenia analizy wrażliwości.

Przykłady zastosowań

• W fizyce: modelowanie przewodnictwa cieplnego, hydrodynamiki, procesów elektromagnetycznych.
• W inżynierii: obliczanie wytrzymałości konstrukcji, optymalizacja procesów technologicznych.
• W biologii: modelowanie dynamiki populacyjnej i rozprzestrzeniania się chorób.
• W ekonomii: budowanie modeli makroekonomicznych i modeli optymalnego sterowania.
• W socjologii: modelowanie procesów migracyjnych i dynamiki społecznej.

Literatura

• Введение в математическое моделирование / Под ред. П.В. Трусова. — М.: Университетская книга, Логос, 2007.
• Математическое моделирование. Идеи. Методы. Примеры. Моисеев Н.Н. — М.: Наука, 1981.
• Математическое моделирование. Галанин М.П., Галанина Е.М., Сергеев А.В., Шалаева А.К. . — М.: ЛКИ, 2022.
• Principles of Mathematical Modeling Dym, C.L. (2004)

Powiązania z innymi pojęciami

• Model matematyczny
• Model systemu
• Proces modelowania
• Formalizacja modeli systemów
• Modelowanie
• Badania operacyjne