Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
1
Wykład
Wykład
Wykład
Wykład
Wykład
Wykład
Wykład
Wykład 55555555
Dr inż. Jerzy Sowa
Dr inż. Jerzy Sowa
Dr inż. Jerzy Sowa
Dr inż. Jerzy Sowa
Politechnika Warszawska
Politechnika Warszawska
Politechnika Warszawska
Politechnika Warszawska
Wydział Inżynierii Środowiska
Wydział Inżynierii Środowiska
Wydział Inżynierii Środowiska
Wydział Inżynierii Środowiska
Zakład Klimatyzacji i Ogrzewnictwa
Zakład Klimatyzacji i Ogrzewnictwa
Zakład Klimatyzacji i Ogrzewnictwa
Zakład Klimatyzacji i Ogrzewnictwa
Realizacja wymaganej jakości powietrza w pomieszczeniach
Realizacja wymaganej jakości powietrza w pomieszczeniach
Realizacja wymaganej jakości powietrza w pomieszczeniach
Realizacja wymaganej jakości powietrza w pomieszczeniach
Podstawowe cechy systemów
Podstawowe cechy systemów
Podstawowe cechy systemów
Podstawowe cechy systemów
Podstawowe cechy systemów
Podstawowe cechy systemów
Podstawowe cechy systemów
Podstawowe cechy systemów
poddawanych analizie
poddawanych analizie
poddawanych analizie
poddawanych analizie
poddawanych analizie
poddawanych analizie
poddawanych analizie
poddawanych analizie
• cecha wyodrębnienia systemu z otoczenia,
• cecha budowy systemu z elementów,
• cecha funkcji spełnianej przez system,
• cecha ograniczonej zmienności systemu w czasie.
B
BB
BB
BB
Budynek jako system
udynek jako system
udynek jako system
udynek jako system
udynek jako system
udynek jako system
udynek jako system
udynek jako system
dla
dla
dla
dla
dla
dla
dla
dla modelowania procesu migracji
modelowania procesu migracji
modelowania procesu migracji
modelowania procesu migracji
modelowania procesu migracji
modelowania procesu migracji
modelowania procesu migracji
modelowania procesu migracji
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
zanieczyszczeń w budynkach
Samopoczucie
Subiektywna
ocena jakości
powietrza w
pomieszczeniu
Czlowiek
Systemy sterowania
Srodowisko zewnetrzne
Budynek
t
e
x
e
v
w
Q
w
I
C
e
a
C
e
w
t
w
t
z
x
w
....
v
t
r
C
i
a
C
i
w
....
x
e
V
E
i
a
E
i
w
q
P
PP
PP
PP
Proces
roces
roces
roces
roces
roces
roces
rocesyyyyyyyy transportu masy wpływając
transportu masy wpływając
transportu masy wpływając
transportu masy wpływając
transportu masy wpływając
transportu masy wpływając
transportu masy wpływając
transportu masy wpływająceeeeeeee na
na
na
na
na
na
na
na
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
poziom stężenia zanieczyszczeń w
budynkach
budynkach
budynkach
budynkach
budynkach
budynkach
budynkach
budynkach
W największym skrócie można stwierdzić, że symulacja procesu migracji
zanieczyszczeń w budynkach polega na przewidywaniu przestrzennego
(x,y,z) oraz czasowego (t) rozkładu stężeń zanieczyszczeń wewnątrz
budynku.
Do najważniejszych procesów transportu masy wpływających na poziom
stężenia zanieczyszczeń w budynkach należy zaliczyć:
• w skali makro - adwektywne oraz w skali mikro - konwekcyjno-
dyfuzyjne procesy przepływu powietrza,
• chemiczne, fizyczne oraz radiochemiczne procesy oddziałujące na
migrację zanieczyszczeń w sposób homogeniczny za pomocą masy
przepływającego powietrza,
• procesy filtracji, sorpcji i osadzania oddziałujące na migrację
zanieczyszczeń w sposób heterogeniczny poprzez powierzchnie
ograniczające drogi przepływu powietrza.
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
Elementy pełnej analizy zagadnień
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
Procesy homogenicznego i
heterogenicznego transportu
zanieczyszczeń
Analiza migracji
zanieczyszczeń
Przepływy powietrza wywołane
efektami wyporu termicznego
Sprecyzowane temperatury w
pomieszczeniach budynku
Analizy cieplne
budynku
Sprecyzowane przepływy
powietrza w budynku
Przepływy powietrza określone
przy pomocy
techniki gazów
znacznikowych
Analiza przepływu powietrza
wewnątrz budynku
lub
lub
lub
Klasyfikacja
Klasyfikacja
Klasyfikacja
Klasyfikacja
Klasyfikacja
Klasyfikacja
Klasyfikacja
Klasyfikacja modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
Klasyfikacja ze względu na sposób opisu rzeczywistości:
• modele niefizyczne
• modele fizyczne
• modele hybrydowe
To oczywiście nie jest jedyny możliwy podział
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
2
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
Inne sposoby klasyfikacji modeli
matematycznych
matematycznych
matematycznych
matematycznych
matematycznych
matematycznych
matematycznych
matematycznych
• ze względu na charakter
zmienność opisywanego
zjawiska w czasie:
– modele statyczne,
– modele dynamiczne,
• ze względu na charakter
opisywanego zjawiska:
– modele o parametrach rozłożonych,
– modele o parametrach skupionych,
• ze względu na stopień
szczegółowości opisu:
– modele typu wejście-wyjście,
– modele w przestrzeni stanów,
• ze względu na sposób zapisu
matematycznego:
– modele transmitancyjne,
– modele różniczkowe,
• ze względu na postać sygnałów:
– modele ciągłe,
– modele dyskretne,
• ze względu na stopień
nieliniowości problemu:
– modele liniowe,
– modele nieliniowe
,
• ze względu na liczbę sygnałów
wejściowych i wyjściowych
systemów:
– modele jednowymiarowe SISO
(Single Input Single Output),
– modele jednowymiarowe MIMO
(Multi Input Multi Output).
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne
Modele niefizyczne w swojej najczystszej formie zajmują się
dopasowywaniem modeli statystycznych do posiadanych serii
danych pomiarowych w celu uzyskania stochastycznych zależności
satysfakcjonująco odzwierciedlających zmierzoną rzeczywistość.
Modele te zdolne do oceny poziomu zagrożenia w istniejących
obiektach, w których przeprowadzono pomiary, zwane są także
modelami statystycznymi lub empirycznymi.
Przykładami są:
• Statystyka opisowa; rozkład (log)normalny
• Proces Markowa
• Model ARMA/ARIMA
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
Statystyka opisowa; rozkład (log)normalny
( )
(
)
f C
e
C C
=
−
−
1
2
2
2
2
σ
σ
Π
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: oszacowania parametrów rozkładu zagrożeń;
przewidywanie prawdopodobieństwa określonego zdarzenia
Uwagi
Uwagi
Uwagi
Uwagi:::: prawdopodobieństwo do zaniżania poziomu zagrożeń. W
przypadku gdy wartość średnia zbliżona jest do kryterium oceny
decyzja może być podjęta tylko w oparciu o wystarczająco liczną
próbę.
Proces Markowa
Proces Markowa
Proces Markowa
Proces Markowa
Proces Markowa
Proces Markowa
Proces Markowa
Proces Markowa
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: oszacowania średnich stężeń i przedziałów
ufności w czasie T dłuższym od czasu obserwacji t
Uwagi
Uwagi
Uwagi
Uwagi:::: czas obserwacji jest częścią czasu oceny T
(
)
C P
C
e
t
T
b
T
t
Z b
T
t
%
#
ln
ln
=
−
+
2
Uwaga:
Zebrane dane pomiarowe stężeń zanieczyszczeń w pomieszczeniach oznaczono symbolem C.
Dla odróżnienia przewidywane stężenia zanieczyszczeń oznaczono symbolami C
#
Model ARMA/ARIMA
Model ARMA/ARIMA
Model ARMA/ARIMA
Model ARMA/ARIMA
Model ARMA/ARIMA
Model ARMA/ARIMA
Model ARMA/ARIMA
Model ARMA/ARIMA
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: przewidywanie stężenia zanieczyszczenia i
przedziałów ufności w przyszłości. Model może być stosowany w
sytuacjach, gdy koncentracja zanieczyszczeń w przyszłości zależy od
koncentracji zanieczyszczenia w chwili bezpośrednio poprzedzającej
rozważaną chwilę czasową oraz od stochastycznego impulsu.
Uwagi
Uwagi
Uwagi
Uwagi:::: metoda wymaga bardzo dużych zestawów danych;
charakteryzuje się krótkim zakresem przewidywania. Brak
stacjonarności modelu lub występowanie trendu w szeregu czasowym
reprezentowane jest przez ruchomą średnią ważoną (MA) podczas
gdy część stała opisana jest składową autoregresji (AR). W wariancie
ARIMA uwzględnia się pierwszą pochodną pomiędzy dwoma
punktami czasowymi.
C
C
N
N
t i
t
t i
i
i
+
+
=
+
⋅
+
−
#
MA
AR
MA
0
Modele fizyczne
Modele fizyczne
Modele fizyczne
Modele fizyczne
Modele fizyczne
Modele fizyczne
Modele fizyczne
Modele fizyczne
Podejście
fizyczne
bazuje
na
dotychczasowym poziomie
zrozumienia przez naukę procesów fizycznych (mechaniki płynów,
chemii itp.) w celu wyprowadzenia matematycznych zależności
opisujących łańcuch przyczynowo-skutkowy zjawiska mając nadzieję
na dokładny opis rzeczywistych procesów zachodzących wewnątrz
budynków. Modele te umożliwiają dokonywanie analiz także w
obiektach nieistniejących, w fazie projektowania i wyboru
optymalnych
rozwiązań.
Nazywane
są
także
modelami
deterministycznymi.
Przykładami są:
• Model jedno strefowy skali makro
• Model wielostrefowy skali makro
• Model konwekcyjno-dyfuzyjny skali mikro
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
3
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
Dyskretyzacja przestrzeni
{
} {
} {
} {
}
T
P
w
C
( ) ,
( ) ,
( ) ,
( )
t
t
t
t
{
} {
} {
} {
}
T
P
w
C
e
e
e
e
t
t
t
t
( ) ,
( ) ,
( ) ,
( )
Kontinuum
Zestaw elementów
dyskretnych
model makroskopowy
model mikroskopowy
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Model jedno strefowy skali makro
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: przewidywanie stężeń w czasie; umożliwia
ocenę wpływu różnych wartości V oraz E na stężenie
Uwagi
Uwagi
Uwagi
Uwagi:::: metoda wymaga oszacowania wartości V i E; zakłada
idealne wymieszanie zanieczyszczeń w pomieszczeniu
V
dC
dt
V C
V C
E
n
w
#
#
=
−
+
0
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Model wielostrefowy skali makro
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: przewidywanie stężeń w czasie i przestrzeni;
umożliwia ocenę wpływu różnych wartości V oraz E na stężenie
Uwagi
Uwagi
Uwagi
Uwagi:::: metoda wymaga oszacowania wartości V, E oraz identyfikacji
ścieżek przepływu powietrza w budynku
[ ]
{ }
[ ]
{ }
{ }
V C
M
C
E
#
#
+
=
d
dt
Model konwekcyjno
Model konwekcyjno
Model konwekcyjno
Model konwekcyjno
Model konwekcyjno
Model konwekcyjno
Model konwekcyjno
Model konwekcyjno--------dyfuzyjny skali mikro
dyfuzyjny skali mikro
dyfuzyjny skali mikro
dyfuzyjny skali mikro
dyfuzyjny skali mikro
dyfuzyjny skali mikro
dyfuzyjny skali mikro
dyfuzyjny skali mikro
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: przewidywanie stężeń w czasie i przestrzeni w
obrębie pomieszczenia
Uwagi
Uwagi
Uwagi
Uwagi:::: metoda wymaga zastosowania szybkich komputerów o
dużych mocach obliczeniowych oraz ustalenia skomplikowanych
warunków początkowych i brzegowych
∂
∂
C
t
C
D
C
#
#
#
+ ⋅ ∇
=
⋅ ∇
v
2
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
Rodzaje siatek używanych w symulacji
typu mikro
typu mikro
typu mikro
typu mikro
typu mikro
typu mikro
typu mikro
typu mikro
jednorodne siatki
ortogonalne
niejednorodne siatki
ortogonalne
siatki dopasowane do
kształtu pomieszczenia
siatki krzywoliniowe
siatki lokalnie zagęszczane
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
Przykład wyników symulacji przy pomocy
modelu konwekcyjno
modelu konwekcyjno
modelu konwekcyjno
modelu konwekcyjno
modelu konwekcyjno
modelu konwekcyjno
modelu konwekcyjno
modelu konwekcyjno--------dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
dyfuzyjnego skali mikro
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
4
Modele hybrydowe
Modele hybrydowe
Modele hybrydowe
Modele hybrydowe
Modele hybrydowe
Modele hybrydowe
Modele hybrydowe
Modele hybrydowe
Pomiędzy tymi skrajnymi podejściami istnieje miejsce dla szeregu
modeli hybrydowych. Większość modeli empirycznych uwzględnia
pewne podstawowe zależności fizyczne pomiędzy zmiennymi. Z
drugiej strony w wielu modelach fizycznych dokonuje się
oszacowania szeregu danych wejściowych modelu w oparciu o
analizę statystyczną ich rozkładu.
Przykładami są:
• Model ARMAX
• Model regresyjny
• Model Bayesa
Model ARMAX
Model ARMAX
Model ARMAX
Model ARMAX
Model ARMAX
Model ARMAX
Model ARMAX
Model ARMAX
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: przewidywanie stężenia zanieczyszczenia i
przedziałów ufności w przyszłości
Uwagi
Uwagi
Uwagi
Uwagi:::: metoda perspektywiczna; wymaga bardzo dużych zestawów
danych C oraz P, wydłużony zakres przewidywania.
Poleg na dodaniu do modelu ARMA czynnika zewnętrznego (zwykle
jest to jakaś łatwo mierzalna wielkość związana z emisją
zanieczyszczeń). Poprawia to zdolności modelu typu ARMAX do
przewidywania koncentracji zanieczyszczeń w przyszłości.
C
C
fP
N
N
t i
t
t
t i
i
i
+
+
=
+
⋅
+
+
−
#
MA
AR
MA
0
Model regresyjny
Model regresyjny
Model regresyjny
Model regresyjny
Model regresyjny
Model regresyjny
Model regresyjny
Model regresyjny
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: określanie wpływu poszczególnych czynników
na wartość stężenia; umożliwienie określenie skutków wyeliminowania
pewnych czynników
Uwagi
Uwagi
Uwagi
Uwagi:::: metoda wymaga bardzo dużych zestawów danych C oraz P.
Regułą powszechnie akceptowaną, aczkolwiek nie posiadającą
dokładnego uzasadnienia matematycznego, jest poszukiwanie
korelacji dla liczby parametrów nie przekraczającej 10% liczby
analizowanych pomiarów.
C
f P
f P
f P
#
....
=
+
−
+
1 1
2
2
3 3
ε
Model Bayes
Model Bayes
Model Bayes
Model Bayes
Model Bayes
Model Bayes
Model Bayes
Model Bayesaaaaaaaa
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania
Typowe zastosowania:::: umożliwia określanie współczynników modelu
na podstawie zestawu danych pomiarowych
Uwagi
Uwagi
Uwagi
Uwagi:::: Metoda wnioskowania Bayesa polega na podawaniu
pewnych twierdzeń o parametrach rozkładu populacji zarówno na
podstawie wyników badania próbki jak i znajomości rozkładów a
priori nieznanych parametrów. Podstawa modelu oparta jest na
równaniu informacji
Shanonna. Metoda wymaga dużych zestawów
danych pomiarowych, uwzględnia niedokładność modelu i może
dostarczyć bardziej wiarygodnych i precyzyjnych oszacowań.
( )
( )
( ) (
)
( )
σ
ρ
ρ
µ
M
D
d
D
D
D
m
d
dv
d
d m
d
=
∫
Θ
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
Standaryzowane metody weryfikacji
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
modeli jakości powietrza w
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
pomieszczeniach
Określanie generalnej zgodności modelu z zaproponowanym
wzorcem:
• współczynnik korelacji
• równanie regresji liniowej
• znormalizowany błąd średniokwadratowy
• określanie zgodności przy pomocy metod jakościowych
Określanie błędu systematycznego:
• znormalizowany błąd systematyczny wartości średniej
• znormalizowany błąd systematyczny dla wariancji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji
Współczynnik korelacji wskazuje czy występuje zależność pomiędzy
wartościami stężeń zanieczyszczeń przewidywanymi przez badany
model, a danymi pomiarowymi lub wartościami przewidywanymi przez
model wzorcowy. Bezwzględna wartość współczynnika korelacji
wskazuje na siłę zależności ( 0 brak zależności 1 silna zależność)
podczas gdy znak współczynnika pokazuje rodzaj zależności (+
zależność
wprost
proporcjonalna,
-
zależność
odwrotnie
proporcjonalna).
(
)
(
)
[
]
(
)
(
)
−
−
−
−
=
∑
∑
∑
=
=
=
n
i
i
n
i
i
n
i
i
i
C
C
C
C
C
C
C
C
r
1
2
#
#
1
2
1
#
#
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
5
R
R
R
R
R
R
R
Równani
ównani
ównani
ównani
ównani
ównani
ównani
ównanieeeeeeee regresji liniowej
regresji liniowej
regresji liniowej
regresji liniowej
regresji liniowej
regresji liniowej
regresji liniowej
regresji liniowej
W przypadku idealnej zgodności danych współczynnik kierunkowy prostej
równy jest 1 podczas gdy wyraz wolny równania prostej wynosi 0.
(
)
(
)
[
]
(
)
[
]
∑
∑
=
=
−
−
−
=
n
i
i
n
i
i
i
C
C
C
C
C
C
b
1
2
1
#
#
C
b
C
a
−
=
#
C
b
a
C
+
=
#
ZZZZZZZZnormalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowanyyyyyyyy bł
bł
bł
bł
bł
bł
bł
błąd
ąd
ąd
ąd
ąd
ąd
ąd
ąd średniokwadratow
średniokwadratow
średniokwadratow
średniokwadratow
średniokwadratow
średniokwadratow
średniokwadratow
średniokwadratowyyyyyyyy
Błąd średniokwadratowy określa wielkość względnego błędu
popełnianego przy użyciu modeli, odniesionego do średnich wartości
stężeń pomierzonych i przewidywanych. W przypadku absolutnej
zgodności modelu z pomiarowym lub modelowym wzorcem wartość
błędu średniokwadratowego wynosi 0 i rośnie wraz z różnicą pomiędzy
porównywanymi zbiorami stężeń (różnice ok. 50% powodują błąd ok.
0.2; a 100% ok. 0.5).
(
)
NMSE
C
C
C C
=
−
#
#
2
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
Określanie zgodności przy pomocy metod
jakościowych
jakościowych
jakościowych
jakościowych
jakościowych
jakościowych
jakościowych
jakościowych
Podstawową metodą tej grupy jest analiza wykresów stężeń
przewidywanych przez model i wartości wzorcowych w funkcji czasu.
Pozwala ona nie tylko na zaobserwowanie zgodności tych dwu grup
danych ale także na wyszukanie obszarów niezgodności. Przy
weryfikacji modelu przydatna może być także analiza wykresów
zmiennej resztowej (różnicy pomiędzy przewidywaniami a wzorcem) w
funkcji czasu lub uporządkowanych wartości stężeń przewidywanych
lub wzorca. Wykres zmiennej resztowej nie powinien wykazywać
żadnego trendu ani żadnej dającej się zauważyć regularności. W
przypadku zaobserwowania takich zjawisk należy określić przyczynę
oraz poprawić model.
ZZZZZZZZnormalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowanyyyyyyyy bł
bł
bł
bł
bł
bł
bł
błąd
ąd
ąd
ąd
ąd
ąd
ąd
ąd systematyczn
systematyczn
systematyczn
systematyczn
systematyczn
systematyczn
systematyczn
systematycznyyyyyyyy
wartości średniej
wartości średniej
wartości średniej
wartości średniej
wartości średniej
wartości średniej
wartości średniej
wartości średniej
W przypadku idealnej zgodności danych pomiarowych lub przewidywań
z modelu wzorcowego z wartościami badanego modelu współczynnik
FB będzie wynosił 0. W przypadkach gdy dużych różnic wartość FB
może przybierać wartości do ±2.
(
)
(
)
FB
C
C
C
C
=
−
+
2
#
#
Określa się także błąd systematyczny średniej spośród 10%
najwyższych wartości, FB
10
.
ZZZZZZZZnormalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowan
normalizowanyyyyyyyy bł
bł
bł
bł
bł
bł
bł
błąd
ąd
ąd
ąd
ąd
ąd
ąd
ąd systematyczn
systematyczn
systematyczn
systematyczn
systematyczn
systematyczn
systematyczn
systematycznyyyyyyyy dla
dla
dla
dla
dla
dla
dla
dla
wariancji
wariancji
wariancji
wariancji
wariancji
wariancji
wariancji
wariancji
(
)
(
)
FS
C
C
C
C
=
−
+
2
2
2
2
2
σ
σ
σ
σ
#
#
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
Nr
Element podlegający ocenie
Kryterium
1 Współczynnik korelacji
≥0.9
2 Współczynnik kierunkowy regresji liniowej
0.75 < a< 1.25
3 Wyraz wolny regresji liniowej
< 25%
C
4 Znormalizowany błąd średniokwadratowy
≤ 0.25
5 Błąd systematyczny dla średniej
≤ 0.25
6 Błąd systematyczny dla wariancji
≤ 0.5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
Dr inż. Jerzy Sowa, Wykład 5
6
W
W
W
W
W
W
W
Weryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacjaaaaaaaa model
model
model
model
model
model
model
modeluuuuuuuu jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeniuuuuuuuu
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
W
W
W
W
W
W
W
Weryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacjaaaaaaaa model
model
model
model
model
model
model
modeluuuuuuuu jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeniuuuuuuuu
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
W
W
W
W
W
W
W
Weryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacj
eryfikacjaaaaaaaa model
model
model
model
model
model
model
modeluuuuuuuu jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
jakości powietrza w
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeni
pomieszczeniuuuuuuuu
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
Kryteria jakie powinny spełniać modele
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
jakości powietrza w pomieszczeniach
Nr
Element podlegający ocenie
Wartość
Kryterium
1 Współczynnik korelacji
0.9926
≥0.9
2 Współczynnik kierunkowy regresji liniowej
0.9619
0.75 < a< 1.25
3 Wyraz wolny regresji liniowej
49.269
< 25%
C
(348.125)
4 Znormalizowany błąd średniokwadratowy
9.836⋅10
-4
≤ 0.25
5 Błąd systematyczny dla średniej
-0.0028
≤ 0.25
5a Błąd systematyczny dla średniej
z 10% najwyższych stężeń
-0.0040
≤ 0.25
6 Błąd systematyczny dla wariancji
-0.0629
≤ 0.5
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD
PRZYKŁAD