Понятие имитационного моделирования. Этапы процесса построения математической модели. Имитационное моделирование воспроизводственных процессов в нефтегазовой промышленности. Метод Монте-Карло как разновидность моделирования, примеры типовых задач.
Аннотация к работе
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ ГРОЗНЕНСКИЙ ГОСУДАРСТВЕННЫЙ НЕФТЯНОЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ им. акад. КУРСОВАЯ РАБОТА по дисциплине: «Информационные технологии» на тему: «Основы технологии имитационного моделирования»В исследовании операций широко применяются как аналитические, так и статистические модели. Аналитические модели более грубы, учитывают меньшее число факторов, всегда требуют каких-то допущений и упрощений. А, главное, аналитические модели больше приспособлены для поиска оптимальных решений. Статистические модели, по сравнению, с аналитическими, более точны и подробны, не требуют столь грубых допущений, позволяют учесть большое (в теории - неограниченно большое) число факторов. Но и у них - свои недостатки: громоздкость, плохая обозримость, большой расход машинного времени, а главное, крайняя трудность поиска оптимальных решений, которые приходятся искать «на ощупь», путем догадок и проб.[3]В современной литературе не существует единой точки зрения по вопросу о том, что понимать под имитационным моделированием. Так существуют различные трактовки: - в первой - под имитационной моделью понимается математическая модель в классическом смысле; в третьей - предполагают, что имитационная модель отличается от обычной математической более детальным описанием, но критерий, по которому можно сказать, когда кончается математическая модель и начинается имитационная, не вводится.[4]Формулируются основные вопросы о поведении системы, ответы на которые мы хотим получить с помощью модели. Из множества законов, управляющих поведением системы, выбираются те, влияние которых существенно при поиске ответов на поставленные вопросы. В пополнение к этим законам, если необходимо, для системы в целом или отдельных ее частей формулируются определенные гипотезы о функционировании.[1] Трудности при построении математической модели сложной системы: - если модель содержит много связей между элементами, разнообразные нелинейные ограничения, большое число параметров и т. д. реальные системы зачастую подвержены влиянию случайных различных факторов, учет которых аналитическим путем представляет весьма большие трудности, зачастую непреодолимые при большом их числе;Современный этап развития нефтяной и газовой промышленности характеризуется усложнением связей и взаимодействия природных, экономических, организационных, экологических и прочих факторов производства как на уровне отдельных предприятий и нефтегазодобывающих районов, так и на общеотраслевом уровне. В нефтегазовой промышленности производство отличается длительными сроками, эшелонированием производственно - технологического процесса во времени (поиски и разведка, разработка и обустройство, добыча нефти, газа и конденсата), наличием лаговых смещений и запаздываний, динамичностью используемых ресурсов и другими факторами, значения многих из которых носят вероятностный характер.Датой рождения метода Монте-Карло принято считать 1949 г., когда появилась статья под названием «The Monte Carlo method». Однако до появления электронных вычислительных машин (ЭВМ) этот метод не мог найти сколько-нибудь широкого применения, ибо моделировать случайные величины" вручную-очень трудоемкая работа. Само название «Монте-Карло» происходит от города Монте-Карло в княжестве Монако, знаменитого своим игорным домом. (дифференциальных или алгебраических уравнений), производится «розыгрыш» случайного явления с помощью специально организованной процедуры, включающей в себя случайность и дающей случайный результат. При моделировании случайных явлений методом Монте-Карло мы пользуемся самой случайностью как аппаратом исследования, заставляем ее «работать на нас».Область изменения запасов определяется комбинацией следующих оценочных показателей: объем осадочных пород (RV), пористости (F), перовой водонасыщенности (Sw), эффективная мощность (NP) g. На этом этапе геологи должны оценить значение вероятностей для параметров, используемых при подсчете геологических запасов. Непрерывная кривая представляет вероятность того, что величина рассматриваемого параметра будет «равна или больше» чем величина в той точке горизонтальной оси, которая пересекается вертикальной линией, проектируемой от кривой, с перпендикуляром к вертикальной оси для любых значений от 0 до 100 %. Гистограммы представляют собой экспертную оценку поисковых и промысловых геологов и геофизиков, которые обеспечивают информацию в следующей форме: - вероятность того, что объем пород залежи находиться в интервале от 0 до 390 тыс. футов составляет 10%; вероятность того, что объем пород равен от 380 до 550 куб. футов, составляет 15% и так далее.Основным недостатком аналитических моделей является то, что они неизбежно требуют каких-то допущений, в частности, о «марковости» процесса. Приемлемость этих допущений далеко не всегда может быть оценена без контрольных расчетов, а производятся они методом Монте-Карло. Образно говоря, метод Монте-Карло в задачах исследования операций играет роль своеобразного ОТК.
План
СОДЕРЖАНИЕ
Введение
Глава 1. Имитационное моделирование
1.1 Определение понятия «имитационное моделирование»
1.2 Этапы процесса построения математической модели
1.3 Имитационное моделирование воспроизводственных процессов в нефтегазовой промышленности
Глава 2. Метод Монте-Карло
2.1 Метод Монте-Карло как разновидность моделирования
2.2 Пример 1. Вычисляем площадь плоской фигуры
2.3 Пример 2. Оценка геологических запасов
Заключение
Список использованных источников
Вывод
Основным недостатком аналитических моделей является то, что они неизбежно требуют каких-то допущений, в частности, о «марковости» процесса.
Приемлемость этих допущений далеко не всегда может быть оценена без контрольных расчетов, а производятся они методом Монте-Карло. Образно говоря, метод Монте-Карло в задачах исследования операций играет роль своеобразного ОТК. Статистические модели не требуют серьезных допущений и упрощений. В принципе, в статистическую модель «лезет» что угодно - любые законы распределения, любая сложность системы, множественность ее состояний. Главный же недостаток статистических моделей - их громоздкость и трудоемкость. Огромное число реализации, необходимое для нахождения искомых параметров с приемлемой точностью, требует большого расхода машинного времени. Кроме того, результаты статистического моделирования гораздо труднее осмыслить, чем расчеты по аналитическим моделям, и соответственно труднее оптимизировать решение (его приходится «нащупывать» вслепую). [2]
Правильное сочетание аналитических и статистических методов в исследовании операций - дело искусства, чутья и опыта исследователя. Нередко аналитическими методами удается описать какие-то «подсистемы», выделяемые в большой системе, а затем из таких моделей, как из «кирпичиков», строить здание большой, сложной модели.