La simulación por computadora es el proceso de modelado matemático , realizado en una computadora , que está diseñado para predecir el comportamiento o el resultado de un sistema físico o del mundo real. La confiabilidad de algunos modelos matemáticos se puede determinar comparando sus resultados con los resultados del mundo real que pretenden predecir. Las simulaciones por computadora se han convertido en una herramienta útil para el modelado matemático de muchos sistemas naturales en física ( física computacional ), astrofísica , climatología , química , biología y manufactura , así como sistemas humanos en economía .psicología , ciencias sociales , salud e ingeniería . La simulación de un sistema se representa como la ejecución del modelo del sistema. Se puede utilizar para explorar y obtener nuevos conocimientos sobre nuevas tecnologías y para estimar el rendimiento de sistemas demasiado complejos para soluciones analíticas . [1]
Las simulaciones por computadora se realizan ejecutando programas de computadora que pueden ser pequeños, que se ejecutan casi instantáneamente en dispositivos pequeños, o programas a gran escala que se ejecutan durante horas o días en grupos de computadoras basados en la red. La escala de eventos que se simulan mediante simulaciones por computadora ha superado con creces todo lo posible (o quizás incluso imaginable) utilizando modelos matemáticos tradicionales de papel y lápiz. En 1997, una simulación de batalla en el desierto de una fuerza invadiendo a otra involucró el modelado de 66.239 tanques, camiones y otros vehículos en un terreno simulado alrededor de Kuwait , utilizando múltiples supercomputadoras en el Programa de Modernización de Computadoras de Alto Rendimiento del Departamento de Defensa . [2] Otros ejemplos incluyen un modelo de mil millones de átomos de deformación del material; [3] un modelo de 2,64 millones de átomos del complejo orgánulo productor de proteínas de todos los organismos vivos, el ribosoma , en 2005; [4] una simulación completa del ciclo de vida de Mycoplasma genitalium en 2012; y el proyecto Blue Brain de EPFL (Suiza), iniciado en mayo de 2005 para crear la primera simulación por ordenador de todo el cerebro humano, hasta el nivel molecular. [5]
Debido al costo computacional de la simulación, los experimentos por computadora se utilizan para realizar inferencias como la cuantificación de la incertidumbre . [6]
Simulación versus modelo
Un modelo de computadora son los algoritmos y ecuaciones que se utilizan para capturar el comportamiento del sistema que se está modelando. Por el contrario, la simulación por computadora es la ejecución real del programa que contiene estas ecuaciones o algoritmos. La simulación, por lo tanto, es el proceso de ejecutar un modelo. Por lo tanto, uno no "construiría una simulación"; en su lugar, uno "construiría un modelo" y luego "ejecutaría el modelo" o, de manera equivalente, "ejecutaría una simulación".
Historia
La simulación por computadora se desarrolló de la mano con el rápido crecimiento de la computadora, luego de su primer despliegue a gran escala durante el Proyecto Manhattan en la Segunda Guerra Mundial para modelar el proceso de detonación nuclear . Fue una simulación de 12 esferas duras usando un algoritmo de Monte Carlo . La simulación por computadora se usa a menudo como un complemento o un sustituto de los sistemas de modelado para los cuales no son posibles soluciones analíticas simples de forma cerrada . Hay muchos tipos de simulaciones por computadora; su característica común es el intento de generar una muestra de escenarios representativos para un modelo en el que una enumeración completa de todos los estados posibles del modelo sería prohibitiva o imposible. [7]
Preparación de datos
Los requisitos de datos externos de las simulaciones y los modelos varían ampliamente. Para algunos, la entrada puede ser solo unos pocos números (por ejemplo, simulación de una forma de onda de electricidad CA en un cable), mientras que otros pueden requerir terabytes de información (como modelos meteorológicos y climáticos).
Las fuentes de entrada también varían ampliamente:
- Sensores y otros dispositivos físicos conectados al modelo;
- Superficies de control utilizadas para dirigir el progreso de la simulación de alguna manera;
- Datos actuales o históricos ingresados a mano;
- Valores extraídos como subproducto de otros procesos;
- Valora la salida para el propósito de otras simulaciones, modelos o procesos.
Por último, el momento en el que los datos están disponibles varía:
- Los datos "invariantes" a menudo se incorporan al código del modelo, ya sea porque el valor es verdaderamente invariante (por ejemplo, el valor de π) o porque los diseñadores consideran que el valor es invariante para todos los casos de interés;
- los datos se pueden ingresar en la simulación cuando se inicia, por ejemplo, leyendo uno o más archivos, o leyendo datos de un preprocesador ;
- Los datos se pueden proporcionar durante la ejecución de la simulación, por ejemplo, mediante una red de sensores.
Debido a esta variedad, y debido a que los diversos sistemas de simulación tienen muchos elementos en común, existe una gran cantidad de lenguajes de simulación especializados . El más conocido puede ser Simula (a veces llamado Simula-67, después del año 1967 cuando fue propuesto). Ahora hay muchos otros.
Los sistemas que aceptan datos de fuentes externas deben tener mucho cuidado al saber lo que están recibiendo. Si bien es fácil para las computadoras leer valores de archivos de texto o binarios, lo que es mucho más difícil es saber cuál es la exactitud (en comparación con la resolución y precisión de la medición ) de los valores. A menudo se expresan como "barras de error", una desviación mínima y máxima del rango de valores dentro del cual (se espera) se encuentre el valor real. Debido a que las matemáticas de la computadora digital no son perfectas, los errores de redondeo y truncamiento multiplican este error, por lo que es útil realizar un "análisis de errores" [8] para confirmar que los valores generados por la simulación seguirán siendo útiles y precisos.
Tipos
Los modelos informáticos se pueden clasificar de acuerdo con varios pares independientes de atributos, que incluyen:
- Estocástico o determinista (y como un caso especial de determinista, caótico): consulte los enlaces externos a continuación para ver ejemplos de simulaciones estocásticas frente a deterministas.
- Estado estacionario o dinámico
- Continuo o discreto (y como un caso especial importante de eventos discretos, discretos o modelos DE)
- Simulación de sistema dinámico , por ejemplo, sistemas eléctricos, sistemas hidráulicos o sistemas mecánicos de múltiples cuerpos (descritos principalmente por DAE: s) o simulación dinámica de problemas de campo, por ejemplo, CFD de simulaciones FEM (descritas por PDE: s).
- Local o distribuido .
Otra forma de categorizar modelos es observar las estructuras de datos subyacentes. Para las simulaciones escalonadas en el tiempo, hay dos clases principales:
- Las simulaciones que almacenan sus datos en cuadrículas regulares y solo requieren el acceso del vecino siguiente se denominan códigos de esténcil . Muchas aplicaciones de CFD pertenecen a esta categoría.
- Si el gráfico subyacente no es una cuadrícula regular, el modelo puede pertenecer a la clase de método sin malla .
Las ecuaciones definen las relaciones entre los elementos del sistema modelado e intentan encontrar un estado en el que el sistema esté en equilibrio. Estos modelos se utilizan a menudo en la simulación de sistemas físicos, como un caso de modelado más simple antes de intentar la simulación dinámica.
- Las simulaciones dinámicas modelan cambios en un sistema en respuesta a señales de entrada (generalmente cambiantes).
- Los modelos estocásticos utilizan generadores de números aleatorios para modelar eventos aleatorios o aleatorios;
- Una simulación de eventos discretos (DES) gestiona los eventos en el tiempo. La mayoría de las simulaciones por computadora, pruebas lógicas y árbol de fallas son de este tipo. En este tipo de simulación, el simulador mantiene una cola de eventos ordenados por el tiempo simulado en que deberían ocurrir. El simulador lee la cola y activa nuevos eventos a medida que se procesa cada evento. No es importante ejecutar la simulación en tiempo real. A menudo es más importante poder acceder a los datos producidos por la simulación y descubrir defectos lógicos en el diseño o la secuencia de eventos.
- Una simulación dinámica continua realiza una solución numérica de ecuaciones algebraicas diferenciales o ecuaciones diferenciales ( parciales u ordinarias ). Periódicamente, el programa de simulación resuelve todas las ecuaciones y usa los números para cambiar el estado y la salida de la simulación. Las aplicaciones incluyen simuladores de vuelo, juegos de simulación de construcción y gestión , modelado de procesos químicos y simulaciones de circuitos eléctricos . Originalmente, este tipo de simulaciones se implementaban realmente en computadoras analógicas , donde las ecuaciones diferenciales podían representarse directamente mediante varios componentes eléctricos, como amplificadores operacionales . Sin embargo, a fines de la década de 1980, la mayoría de las simulaciones "analógicas" se ejecutaban en computadoras digitales convencionales que emulaban el comportamiento de una computadora analógica.
- Un tipo especial de simulación discreta que no se basa en un modelo con una ecuación subyacente, pero que, no obstante, puede representarse formalmente, es la simulación basada en agentes . En la simulación basada en agentes, las entidades individuales (como moléculas, células, árboles o consumidores) en el modelo se representan directamente (en lugar de su densidad o concentración) y poseen un estado interno y un conjunto de comportamientos o reglas que determinan cómo el estado del agente se actualiza de un paso de tiempo al siguiente.
- Los modelos distribuidos se ejecutan en una red de computadoras interconectadas, posiblemente a través de Internet . Las simulaciones dispersas en múltiples computadoras host como esta a menudo se denominan "simulaciones distribuidas". Existen varios estándares para la simulación distribuida, incluido el Protocolo de simulación de nivel agregado (ALSP), la Simulación interactiva distribuida (DIS), la Arquitectura de alto nivel (simulación) (HLA) y la Arquitectura de habilitación de pruebas y capacitación (TENA).
Visualización
Anteriormente, los datos de salida de una simulación por computadora a veces se presentaban en una tabla o una matriz que mostraba cómo los datos se veían afectados por numerosos cambios en los parámetros de simulación . El uso del formato de matriz se relacionó con el uso tradicional del concepto de matriz en modelos matemáticos . Sin embargo, los psicólogos y otros notaron que los humanos podían percibir tendencias rápidamente al mirar gráficos o incluso imágenes en movimiento o imágenes en movimiento generadas a partir de los datos, como se muestra en la animación de imágenes generadas por computadora (CGI). Aunque los observadores no necesariamente podían leer números o citar fórmulas matemáticas, al observar un gráfico meteorológico en movimiento podrían predecir eventos (y "ver que la lluvia se dirigía hacia ellos") mucho más rápido que escaneando tablas de coordenadas de nubes de lluvia . Estas pantallas gráficas intensas, que trascendían el mundo de los números y las fórmulas, a veces también conducían a resultados que carecían de una cuadrícula de coordenadas o de marcas de tiempo omitidas, como si se alejaran demasiado de las pantallas de datos numéricos. Hoy en día, los modelos de pronóstico del tiempo tienden a equilibrar la vista de las nubes de lluvia / nieve en movimiento con un mapa que usa coordenadas numéricas y marcas de tiempo numéricas de eventos.
De manera similar, las simulaciones por computadora CGI de los escáneres CAT pueden simular cómo un tumor podría encogerse o cambiar durante un período prolongado de tratamiento médico, presentando el paso del tiempo como una vista giratoria de la cabeza humana visible, a medida que cambia el tumor.
Se están desarrollando otras aplicaciones de simulaciones por computadora CGI para mostrar gráficamente grandes cantidades de datos, en movimiento, a medida que ocurren cambios durante la ejecución de una simulación.
Simulación por computadora en la ciencia
Ejemplos genéricos de tipos de simulaciones por computadora en la ciencia, que se derivan de una descripción matemática subyacente:
- una simulación numérica de ecuaciones diferenciales que no se pueden resolver analíticamente, las teorías que involucran sistemas continuos tales como fenómenos en cosmología física , dinámica de fluidos (por ejemplo, modelos climáticos , modelos de ruido de carreteras, modelos de dispersión de aire de carreteras ), mecánica continua y cinética química entran en este categoría.
- una simulación estocástica , normalmente utilizada para sistemas discretos donde los eventos ocurren de manera probabilística y que no se pueden describir directamente con ecuaciones diferenciales (esta es una simulación discreta en el sentido anterior). Los fenómenos en esta categoría incluyen deriva genética , bioquímica [9] o redes reguladoras de genes con un pequeño número de moléculas. (ver también: método de Monte Carlo ).
- simulación multipartícula de la respuesta de nanomateriales a múltiples escalas a una fuerza aplicada con el fin de modelar sus propiedades termoelásticas y termodinámicas. Las técnicas utilizadas para tales simulaciones son la dinámica molecular , la mecánica molecular , el método de Monte Carlo y la función de Green Multiscale .
A continuación se muestran ejemplos específicos de simulaciones por computadora:
- Simulaciones estadísticas basadas en una aglomeración de un gran número de perfiles de entrada, como el pronóstico de la temperatura de equilibrio de las aguas receptoras , lo que permite introducir la gama de datos meteorológicos para un lugar específico. Esta técnica fue desarrollada para pronosticar la contaminación térmica .
- La simulación basada en agentes se ha utilizado eficazmente en ecología , donde a menudo se la denomina "modelado individual" y se utiliza en situaciones en las que no se puede descuidar la variabilidad individual de los agentes, como la dinámica de poblaciones de salmones y truchas (la mayoría de los modelos puramente matemáticos suponen todas las truchas se comportan de manera idéntica).
- modelo dinámico escalonado en el tiempo. En hidrología existen varios modelos de transporte hidrológico de este tipo, como los modelos SWMM y DSSAM desarrollados por la Agencia de Protección Ambiental de EE. UU . Para el pronóstico de la calidad del agua de los ríos.
- Las simulaciones por computadora también se han utilizado para modelar formalmente las teorías de la cognición y el desempeño humanos, por ejemplo, ACT-R .
- simulación por computadora utilizando modelos moleculares para el descubrimiento de fármacos . [10]
- simulación por computadora para modelar la infección viral en células de mamíferos. [9]
- simulación por ordenador para estudiar la sensibilidad selectiva de enlaces mediante mecanoquímica durante la molienda de moléculas orgánicas. [11]
- Las simulaciones de dinámica de fluidos computacional se utilizan para simular el comportamiento del aire, el agua y otros fluidos que fluyen. Se utilizan modelos unidimensionales, bidimensionales y tridimensionales. Un modelo unidimensional podría simular los efectos del golpe de ariete en una tubería. Se podría utilizar un modelo bidimensional para simular las fuerzas de arrastre en la sección transversal del ala de un avión. Una simulación tridimensional podría estimar los requisitos de calefacción y refrigeración de un edificio grande.
- La comprensión de la teoría molecular termodinámica estadística es fundamental para la apreciación de soluciones moleculares. El desarrollo del teorema de distribución potencial (PDT) permite simplificar este tema complejo a presentaciones prácticas de la teoría molecular.
Las simulaciones por computadora notables, y a veces controvertidas, utilizadas en la ciencia incluyen: Donella Meadows ' World3 usado en Limits to Growth , Daisyworld de James Lovelock y Tierra de Thomas Ray .
En las ciencias sociales, la simulación por computadora es un componente integral de los cinco ángulos de análisis fomentados por la metodología de filtración de datos, [12] que también incluye métodos cualitativos y cuantitativos, revisiones de la literatura (incluida la académica) y entrevistas con expertos, y que forma una extensión de la triangulación de datos. Por supuesto, al igual que cualquier otro método científico, la replicación es una parte importante del modelado computacional [13].
Simulación por computadora en contextos prácticos
Las simulaciones por computadora se utilizan en una amplia variedad de contextos prácticos, tales como:
- análisis de la dispersión de contaminantes atmosféricos utilizando modelos de dispersión atmosférica
- diseño de sistemas complejos como aviones y también sistemas logísticos .
- Diseño de barreras acústicas para mitigar el ruido de las carreteras.
- modelado del rendimiento de la aplicación [14]
- simuladores de vuelo para entrenar pilotos
- predicción del tiempo
- previsión de riesgo
- simulación de circuitos eléctricos
- Simulación de sistemas de energía
- la simulación de otras computadoras es emulación .
- previsión de precios en los mercados financieros (por ejemplo, Adaptive Modeler )
- Comportamiento de estructuras (como edificios y partes industriales) bajo estrés y otras condiciones.
- diseño de procesos industriales, como plantas de procesamiento químico
- estudios de gestión estratégica y organizacionales
- simulación de yacimiento para la ingeniería petrolera para modelar el yacimiento subterráneo
- herramientas de simulación de ingeniería de procesos.
- simuladores de robots para el diseño de robots y algoritmos de control de robots
- modelos de simulación urbana que simulan patrones dinámicos de desarrollo urbano y respuestas al uso del suelo urbano y las políticas de transporte.
- ingeniería de tráfico para planificar o rediseñar partes de la red de calles desde un solo cruce sobre ciudades hasta una red nacional de carreteras y la planificación, el diseño y las operaciones del sistema de transporte. Consulte un artículo más detallado sobre simulación en el transporte .
- Modelado de accidentes automovilísticos para probar los mecanismos de seguridad en nuevos modelos de vehículos.
- sistemas de cultivos y suelo en la agricultura, a través de los marcos de software dedicados (por ejemplo Bioma , OMS3, APSIM)
La confiabilidad y la confianza que las personas depositan en las simulaciones por computadora dependen de la validez del modelo de simulación , por lo que la verificación y validación son de crucial importancia en el desarrollo de simulaciones por computadora. Otro aspecto importante de las simulaciones por computadora es el de la reproducibilidad de los resultados, lo que significa que un modelo de simulación no debe proporcionar una respuesta diferente para cada ejecución. Aunque esto pueda parecer obvio, este es un punto de atención especial en las simulaciones estocásticas , donde los números aleatorios deberían ser en realidad números semi-aleatorios. Una excepción a la reproducibilidad son las simulaciones de humanos en el circuito, como las simulaciones de vuelo y los juegos de computadora . Aquí, un humano es parte de la simulación y, por lo tanto, influye en el resultado de una manera que es difícil, si no imposible, de reproducir con exactitud.
Los fabricantes de vehículos utilizan la simulación por computadora para probar las características de seguridad en los nuevos diseños. Al construir una copia del automóvil en un entorno de simulación física, pueden ahorrar los cientos de miles de dólares que de otro modo serían necesarios para construir y probar un prototipo único. Los ingenieros pueden recorrer la simulación milisegundos a la vez para determinar las tensiones exactas que se aplican a cada sección del prototipo. [15]
Los gráficos por computadora se pueden utilizar para mostrar los resultados de una simulación por computadora. Las animaciones se pueden utilizar para experimentar una simulación en tiempo real, por ejemplo, en simulaciones de entrenamiento . En algunos casos, las animaciones también pueden ser útiles en modos más rápidos que en tiempo real o incluso más lentos que en tiempo real. Por ejemplo, las animaciones más rápidas que en tiempo real pueden ser útiles para visualizar la acumulación de colas en la simulación de humanos evacuando un edificio. Además, los resultados de la simulación a menudo se agregan en imágenes estáticas utilizando varias formas de visualización científica .
En la depuración, simular la ejecución de un programa bajo prueba (en lugar de ejecutarlo de forma nativa) puede detectar muchos más errores de los que el propio hardware puede detectar y, al mismo tiempo, registrar información de depuración útil como el seguimiento de instrucciones, alteraciones de memoria y recuentos de instrucciones. Esta técnica también puede detectar el desbordamiento del búfer y errores similares "difíciles de detectar", así como producir información de rendimiento y datos de ajuste .
Trampas
Aunque a veces se ignora en las simulaciones por computadora, es muy importante realizar un análisis de sensibilidad para garantizar que se comprenda correctamente la precisión de los resultados. Por ejemplo, el análisis de riesgo probabilístico de los factores que determinan el éxito de un programa de exploración de yacimientos petrolíferos implica combinar muestras de una variedad de distribuciones estadísticas utilizando el método de Monte Carlo . Si, por ejemplo, uno de los parámetros clave (por ejemplo, la relación neta de los estratos que contienen petróleo) se conoce con una sola cifra significativa, entonces el resultado de la simulación podría no ser más preciso que una cifra significativa, aunque podría ( engañosamente) presentarse con cuatro cifras significativas.
Técnicas de calibración de modelos
Los siguientes tres pasos deben usarse para producir modelos de simulación precisos: calibración, verificación y validación. Las simulaciones por computadora son buenas para representar y comparar escenarios teóricos, pero para modelar con precisión los estudios de casos reales, deben coincidir con lo que realmente está sucediendo hoy. Se debe crear y calibrar un modelo base para que coincida con el área que se está estudiando. Luego, el modelo calibrado debe verificarse para garantizar que el modelo esté funcionando como se espera en función de las entradas. Una vez que se ha verificado el modelo, el paso final es validar el modelo comparando los resultados con los datos históricos del área de estudio. Esto se puede hacer utilizando técnicas estadísticas y asegurando un valor de R cuadrado adecuado. A menos que se empleen estas técnicas, el modelo de simulación creado producirá resultados inexactos y no será una herramienta de predicción útil.
La calibración del modelo se logra ajustando cualquier parámetro disponible para ajustar cómo funciona el modelo y simula el proceso. Por ejemplo, en la simulación de tráfico, los parámetros típicos incluyen la distancia de anticipación, la sensibilidad de seguimiento del automóvil, el avance de descarga y el tiempo perdido de arranque. Estos parámetros influyen en el comportamiento del conductor, como cuándo y cuánto tarda un conductor en cambiar de carril, cuánta distancia deja un conductor entre su automóvil y el automóvil de delante y la rapidez con la que un conductor comienza a acelerar en una intersección. El ajuste de estos parámetros tiene un efecto directo en la cantidad de volumen de tráfico que puede atravesar la red de carreteras modelada al hacer que los conductores sean más o menos agresivos. Estos son ejemplos de parámetros de calibración que se pueden ajustar para que coincidan con las características observadas en el campo en la ubicación del estudio. La mayoría de los modelos de tráfico tienen valores predeterminados típicos, pero es posible que deban ajustarse para adaptarse mejor al comportamiento del conductor en la ubicación específica que se está estudiando.
La verificación del modelo se logra obteniendo datos de salida del modelo y comparándolos con lo que se espera de los datos de entrada. Por ejemplo, en la simulación de tráfico, el volumen de tráfico se puede verificar para garantizar que el rendimiento del volumen real en el modelo esté razonablemente cerca de los volúmenes de tráfico ingresados en el modelo. El diez por ciento es un umbral típico utilizado en la simulación de tráfico para determinar si los volúmenes de salida están razonablemente cerca de los volúmenes de entrada. Los modelos de simulación manejan las entradas del modelo de diferentes maneras, por lo que el tráfico que ingresa a la red, por ejemplo, puede llegar o no a su destino deseado. Además, es posible que el tráfico que desee ingresar a la red no pueda hacerlo, si existe congestión. Es por eso que la verificación del modelo es una parte muy importante del proceso de modelado.
El paso final es validar el modelo comparando los resultados con lo esperado en base a los datos históricos del área de estudio. Idealmente, el modelo debería producir resultados similares a lo que ha sucedido históricamente. Por lo general, esto se verifica nada más que citando el estadístico R cuadrado del ajuste. Esta estadística mide la fracción de variabilidad que tiene en cuenta el modelo. Un valor alto de R cuadrado no significa necesariamente que el modelo se ajuste bien a los datos. Otra herramienta utilizada para validar modelos es el análisis gráfico de residuos. Si los valores de salida del modelo difieren drásticamente de los valores históricos, probablemente significa que hay un error en el modelo. Antes de usar el modelo como base para producir modelos adicionales, es importante verificarlo para diferentes escenarios para asegurarse de que cada uno sea preciso. Si los resultados no coinciden razonablemente con los valores históricos durante el proceso de validación, el modelo debe revisarse y actualizarse para producir resultados más acordes con las expectativas. Es un proceso iterativo que ayuda a producir modelos más realistas.
La validación de los modelos de simulación de tráfico requiere comparar el tráfico estimado por el modelo con el tráfico observado en la calzada y los sistemas de tránsito. Las comparaciones iniciales son para intercambios de viajes entre cuadrantes, sectores u otras áreas importantes de interés. El siguiente paso es comparar el tráfico estimado por los modelos con los recuentos de tráfico, incluido el número de pasajeros en tránsito, cruzando barreras artificiales en el área de estudio. Por lo general, se denominan líneas de pantalla, líneas de corte y líneas de cordón y pueden ser barreras físicas imaginarias o reales. Las líneas de cordón rodean áreas particulares como el distrito comercial central de una ciudad u otros centros de actividad importantes. Las estimaciones de la cantidad de pasajeros en tránsito se validan comúnmente comparándolas con el patrocinio real que cruza las líneas de cordón alrededor del distrito comercial central.
Tres fuentes de error pueden causar una correlación débil durante la calibración: error de entrada, error de modelo y error de parámetro. En general, el usuario puede ajustar fácilmente el error de entrada y el error de parámetro. Sin embargo, el error del modelo es causado por la metodología utilizada en el modelo y puede que no sea tan fácil de corregir. Los modelos de simulación generalmente se construyen utilizando varias teorías de modelado diferentes que pueden producir resultados contradictorios. Algunos modelos son más generalizados mientras que otros son más detallados. Si se produce un error de modelo como resultado, puede ser necesario ajustar la metodología del modelo para que los resultados sean más consistentes.
Para producir buenos modelos que puedan utilizarse para producir resultados realistas, estos son los pasos necesarios que deben tomarse para garantizar que los modelos de simulación funcionen correctamente. Los modelos de simulación se pueden utilizar como herramienta para verificar teorías de ingeniería, pero solo son válidos si se calibran correctamente. Una vez que se han obtenido estimaciones satisfactorias de los parámetros para todos los modelos, los modelos deben verificarse para asegurarse de que realizan adecuadamente las funciones previstas. El proceso de validación establece la credibilidad del modelo al demostrar su capacidad para replicar la realidad. La importancia de la validación del modelo subraya la necesidad de una planificación cuidadosa, minuciosidad y precisión del programa de recopilación de datos de entrada que tiene este propósito. Deben realizarse esfuerzos para garantizar que los datos recopilados sean coherentes con los valores esperados. Por ejemplo, en el análisis de tráfico, es típico que un ingeniero de tráfico realice una visita al sitio para verificar los recuentos de tráfico y familiarizarse con los patrones de tráfico en el área. Los modelos y pronósticos resultantes no serán mejores que los datos utilizados para la estimación y validación del modelo.
Ver también
- Modelo computacional
- Emulador
- Modelado energético
- Proyecto Illustris
- Lista de software de simulación por computadora
- Generador de escenas
- Código de la plantilla
- UniversoMáquina
- Creación de prototipos virtuales
- Simulación basada en web
- Gemelo digital
Referencias
- ^ Strogatz, Steven (2007). "El fin de la percepción". En Brockman, John (ed.). ¿Cuál es tu peligrosa idea? . HarperCollins. ISBN 9780061214950.
- ^ " " Investigadores escenifican la simulación militar más grande jamás realizada " Archivado el 22 deenero de2008 en la Wayback Machine , Laboratorio de propulsión a chorro , Caltech , diciembre de 1997,
- ^ "Simulación molecular de fenómenos macroscópicos" . Archivado desde el original el 22 de mayo de 2013.
- ^ "La simulación de biología computacional más grande imita la nanomáquina más esencial de la vida" (noticia), Comunicado de prensa, Nancy Ambrosiano, Laboratorio Nacional de Los Alamos, Los Alamos, NM, octubre de 2005, página web: LANL-Fuse-story7428 Archivado 2007-07-04 en el Wayback Machine .
- ^ "Comienza la misión para construir un cerebro simulado" Archivado 2015-02-09 en Wayback Machine , proyecto del instituto en la École Polytechnique Fédérale de Lausanne (EPFL), Suiza, New Scientist , junio de 2005.
- ^ Santner, Thomas J; Williams, Brian J; Notz, Guillermo I (2003). El diseño y análisis de experimentos informáticos . Springer Verlag.
- ^ Bratley, Paul; Fox, Bennet L .; Schrage, Linus E. (28 de junio de 2011). Una guía para la simulación . Springer Science & Business Media. ISBN 9781441987242.
- ^ John Robert Taylor (1999). Una introducción al análisis de errores: el estudio de las incertidumbres en las mediciones físicas . Libros universitarios de ciencia. págs. 128-129. ISBN 978-0-935702-75-0. Archivado desde el original el 16 de marzo de 2015.
- ^ a b Gupta, Ankur; Rawlings, James B. (abril de 2014). "Comparación de métodos de estimación de parámetros en modelos cinéticos químicos estocásticos: ejemplos en biología de sistemas" . Revista AIChE . 60 (4): 1253–1268. doi : 10.1002 / aic.14409 . ISSN 0001-1541 . PMC 4946376 . PMID 27429455 .
- ^ Atanasov, AG; Waltenberger, B; Pferschy-Wenzig, EM; Linder, T; Wawrosch, C; Uhrin, P; Temml, V; Wang, L; Schwaiger, S; Heiss, EH; Rollinger, JM; Schuster, D; Breuss, JM; Bochkov, V; Mihovilovic, MD; Kopp, B; Bauer, R; Dirsch, VM; Stuppner, H (2015). "Descubrimiento y reabastecimiento de productos naturales de origen vegetal farmacológicamente activos: una revisión" . Biotechnol Adv . 33 (8): 1582–614. doi : 10.1016 / j.biotechadv.2015.08.001 . PMC 4748402 . PMID 26281720 .
- ^ Mizukami, Koichi; Saito, Fumio; Barón, Michel. Estudio sobre la trituración de productos farmacéuticos con ayuda de simulación por computadora. Archivado el 21 de julio de 2011 en la Wayback Machine.
- ^ Mesly, Olivier (2015). Creando modelos en la investigación psicológica. Estados Unidos: Springer Psychology: 126 páginas. ISBN 978-3-319-15752-8
- ^ Wilensky, Uri; Rand, William (2007). "Hacer coincidir modelos: replicar un modelo basado en agentes" . Revista de Sociedades Artificiales y Simulación Social . 10 (4): 2.
- ^ Wescott, Bob (2013). The Every Computer Performance Book, Capítulo 7: Modelado del rendimiento de una computadora . CreateSpace . ISBN 978-1482657753.
- ^ Baase, Sara. Un regalo de fuego: cuestiones sociales, legales y éticas para la informática e Internet. 3. Upper Saddle River: Prentice Hall, 2007. Páginas 363–364. ISBN 0-13-600848-8 .
Otras lecturas
- Young, Joseph y Findley, Michael. 2014. "Modelado computacional para estudiar conflictos y terrorismo". Routledge Handbook of Research Methods in Military Studies editado por Soeters, Joseph; Shields, Patricia y Rietjens, Sebastiaan. págs. 249-260. Nueva York: Routledge,
- R. Frigg y S. Hartmann, Modelos en ciencia . Entrada en la Enciclopedia de Filosofía de Stanford .
- E. Winsberg Simulación en ciencia . Entrada en la Enciclopedia de Filosofía de Stanford .
- S. Hartmann, El mundo como proceso: simulaciones en las ciencias naturales y sociales , en: R. Hegselmann et al. (eds.), Modelización y simulación en las ciencias sociales desde el punto de vista de la filosofía de la ciencia , biblioteca de teoría y decisión. Dordrecht: Kluwer 1996, 77–100.
- E. Winsberg, Ciencia en la era de la simulación por computadora . Chicago: Prensa de la Universidad de Chicago , 2010.
- P. Humphreys, Extendiéndonos a nosotros mismos: ciencia computacional, empirismo y método científico . Oxford: Oxford University Press , 2004.
- James J. Nutaro (2011). Construcción de software para simulación: teoría y algoritmos, con aplicaciones en C ++ . John Wiley e hijos. ISBN 978-1-118-09945-2.
- Desa, WLHM, Kamaruddin, S. y Nawawi, MKM (2012). Modelado de piezas compuestas de aeronaves mediante simulación. Advanced Material Research, 591–593, 557–560.
enlaces externos
- Guía para el archivo de historia oral de simulación por computadora 2003-2018