Описать принципы компьютерного моделирования

Обновлено: 21.11.2024

Сегодня моделирование, возможно, является одной из самых многогранных тем, с которыми может столкнуться промышленный инженер на рабочем месте. Он также может быть одним из самых важных для корпорации, независимо от отрасли. Моделирование влияет на качество, безопасность и производительность, независимо от того, возникают ли проблемы в офисе, на производстве или на складе. Эта статья посвящена предоставлению информации о развитии моделирования промышленных процессов от стадии зарождения до текущей стадии, где оно используется в качестве мощного инструмента для повышения конкурентоспособности и прибыли компании [5].

Моделирование широко используется как инструмент для увеличения производственных мощностей. Программное обеспечение для моделирования, используемое Cymer Inc. (ведущим производителем источников лазерного освещения), увеличило производственную мощность с 5 единиц в месяц в начале 1999 г. до 45 единиц в месяц в конце 1999 г., т.е. увеличилось примерно на 400% [5].

Визуализация и графика, несомненно, оказали огромное влияние на все компании, занимающиеся моделированием. Простое в использовании моделирование привело к созданию недорогих пакетов, которые были бы немыслимы всего несколько лет назад. Технологии моделирования взлетели в цене по сравнению с другими смежными отраслями. Индустрия моделирования достигает совершеннолетия и больше не является прерогативой ученых.

Эта статья дает представление о рабочей среде, интеллектуальных и управленческих установках в период становления разработки симуляторов. Он также предлагает основу для сравнения с текущей практикой.

История компьютерного моделирования восходит к временам Второй мировой войны, когда два математика Джон фон Нейман и Станислав Улам столкнулись с загадочной проблемой поведения нейтронов. Попадание и пробные эксперименты были слишком дорогими, а проблема была слишком сложной для анализа. Таким образом, техника колеса рулетки была предложена математиками. Были известны основные данные о возникновении различных событий, в которые были объединены вероятности отдельных событий в пошаговом анализе для предсказания исхода всей последовательности событий. Благодаря замечательному успеху методов решения проблемы нейтронов они вскоре стали популярными и нашли множество применений в бизнесе и промышленности [1].

Это было время в послевоенном мире, когда новые технологии, разработанные для военных целей во время войны, начали появляться в качестве новых инструментов решения проблем в мире в целом. В то время область вычислений была разделена на два подхода: аналоговый и цифровой. Аналоговые компьютеры особенно подходили для задач, требующих решения дифференциальных уравнений. Аналоговые компьютеры использовали электронные усилители постоянного тока, сконфигурированные как интеграторы и сумматоры с различными нелинейными, электронными и электромеханическими компонентами для умножения, деления, генерации функций и т. д. Эти блоки были вручную соединены между собой, чтобы создать систему, которая подчинялась дифференциальным уравнениям. в стадии изучения. Для получения точных и стабильных решений часто требовалась большая изобретательность. Электроника использовала вакуумные трубки (клапаны), как и первые цифровые компьютеры. Транзистор был еще в будущем [3].

В конце 40-х и начале 50-х годов в ряде организаций начали появляться коммерческие компьютеры, как аналоговые, так и цифровые. Ничего не подозревающие члены технического персонала этих организаций внезапно оказались ответственными за выяснение того, как использовать этих электронных монстров и применять их к проблемам дня. Одним из таких инженеров, работавшим в Центре испытаний авиационных ракет ВМС в Пойнт-Мугу на побережье Калифорнии к северу от Лос-Анджелеса, был Джон Маклеод, который где-то в 1952 году получил новый аналоговый компьютер. Джон был не единственным инженером в аэрокосмическом сообществе. в Южной Калифорнии столкнулись с теми же проблемами, и некоторые из них решили собраться в качестве неформальной группы пользователей для обмена идеями и опытом [3].

Компьютерное моделирование не было полезным инструментом в 1950-х годах. Моделирование требовало слишком много времени для получения результатов, требовало слишком много квалифицированных специалистов и, как следствие, требовало значительных затрат как персонала, так и компьютерного времени. И что самое печальное, результаты часто были неоднозначными. Одним из примеров является попытка моделирования полевых данных для пиковых периодов в случае телефонных систем. Это потому, что система не соответствовала теории массового обслуживания, используемой в те дни. Одним из используемых методов было компьютерное моделирование дискретных событий. Инструменты, доступные для этого подхода, включали IBM 650, язык ассемблера и команду математика, системного инженера и программиста. Команда выполнила меньше половины запланированного, потратила в два раза больше времени и вдвое превысила бюджет [2].

Компьютерные системы 60-х были преимущественно пакетными системами. И данные, и программа подавались на компьютер пакетно через перфокарты.Исходные данные были взяты с бланков, из которых перфокарты изготавливались перфокартами. Data Processors разработали программы. Раннее использование перфокарт в производстве в основном проявлялось в их включении в пакеты заданий или заказов для запроса материалов, отчетов о трудозатратах и отслеживания заданий. Основой того периода был классический IBM 1620 [5].

В октябре 1961 года IBM представила Norden (компания по разработке систем) «Симулятор Гордона». В декабре 1961 года Джеффри Горден представил свой доклад на осенней совместной компьютерной конференции по симулятору систем общего назначения (GPSS) [1,2]. Этот новый инструмент использовался для разработки системы FAA для распространения информации о погоде среди авиации общего назначения [2].

IBM предоставила программное и аппаратное обеспечение. Команда смогла построить модель, смоделировать проблему и получить ответы всего за шесть недель. Для разработчиков систем стал доступен новый инструмент. Благодаря успеху этого инструмента Norden начала производить модели для внешних групп, и была налажена деятельность по моделированию. Ранние группы моделирования были созданы в: Boeing, Martin Marietta, Командовании логистики ВВС, General Dynamics, Hughes Aircraft, Raytheon, Celanese, Exxon, Southern Railway, а производителями компьютеров были IBM, Control Data, National Cash Register и UNIVAC [2]. ].

Однако пользователи GPSS от IBM концентрировались на аспектах компьютерных систем, сильно отличающихся от систем Norden. Концепция Джеффри Гордена заключалась в том, что настоящие конструкторы будут использовать GPSS. Но инженеры-конструкторы предпочитали сообщать о своих проблемах программистам или группе моделирования. Взаимодействие между группами моделирования GPSS происходило на конференции группы пользователей IBM, SHARE. Это была огромная встреча, и у тех, кто интересовался моделированием, была только одна сессия [2].

Тем временем в Rand Corporation Гарри Марковиц, Бернард Хауснер и Герберт Карр в 1962 году разработали версию SIMSCRIPT для моделирования своих задач инвентаризации. В других местах были другие подходы. В Англии Дж. Бакстон и Дж. Ласки разработали CSL — язык управления и моделирования. Ранняя версия SIMULA была разработана в Норвегии О. Далем и К. Найгаардом, а Дон Кнут и Дж. МакНели создали SOL — символический язык для системного моделирования общего назначения. Кен Токер написал небольшую книгу об ИСКУССТВЕ МОДЕЛИРОВАНИЯ [4].

Характеристикой этого периода было большое количество разработок языков моделирования и мало усилий по координации и сравнению различных подходов. Также не было организованной деятельности, чтобы помочь пользователям начать работу или дать рекомендации. Первым шагом для устранения этих ограничений было изучение языков моделирования. Это было сделано на семинаре по языкам моделирования в Стэнфордском университете в марте 1964 года. Затем на Конгрессе Международной федерации обработки информации (IFIP) в Нью-Йорке в мае 1965 года состоялось обсуждение языков и их применения, которое, в свою очередь, привело к еще один семинар в Пенсильванском университете в марте 1966 года. Одним из результатов этого семинара стало осознание того, что необходима более узкая конференция по использованию моделирования [4].

В ответ на эти потребности была создана организационная группа, состоящая из членов osf SHARE, Совместной группы пользователей ACM и групп компьютерных и системных наук и кибернетики IEEE. Эта группа организовала в ноябре 1967 г. конференцию по применению моделирования с использованием системы моделирования общего назначения (GPSS). Основные моменты конференции включали выступление Джеффри Гордона, который подробно рассказал о росте GPSS, а также заседание, посвященное помехам машин для GPSS.

Вдохновленная успехом, организационная группа решила расширить формат конференции, включить другие языки и предоставить дайджест конференции. В декабре 1968 года в Нью-Йорке в отеле «Рузвельт» прошла вторая конференция по применению моделирования, на которой присутствовало более семисот человек. Спонсором этой конференции стала компания, известная сегодня как SCS, и был опубликован 368-страничный дайджест конференции. Эта конференция стала первой, на которой в большом разнообразии были рассмотрены многие аспекты моделирования DiscreteEvent. Всего на двадцати двух сессиях было представлено 78 докладов [4].

"Трудности убедить высшее руководство"
Сессии с документами по статистическим соображениям, генерации случайных чисел для GPSS/360, языкам — SIMSCRIPT 2, SIMULA 67, SPURT, учебному пособию по моделированию и кейсу FORTRAN — точка зрения меньшинства.
Сессии охватывали транспорт, компьютерные системы, производственные приложения, надежность и ремонтопригодность, модификации графики и GPSS, моделирование и поведение человека, распределительные системы, связь, городские системы, игровые модели, мастерские, обработку материалов, маркетинговые модели, языки для моделирования. компьютерные системы, модели планирования объектов, моделирование и экология.

Моделирование — это тема, которую инженеры-технологи преподавали в школе, но редко применяли. Долгие часы, проведенные за компьютерным терминалом, и, казалось бы, бесконечные попытки найти непонятную ошибку в языке — вот что значило для И.Е. выпускники 70-х гг. Когда инструменты электронных таблиц были впервые представлены в конце 1970-х годов, они использовались только «несколькими истинно верующими». Популярность моделирования как мощного инструмента росла с увеличением количества конференций и сессий. Количество сеансов моделирования удвоилось к 1971 г. и продолжало расти примерно до сорока сеансов в 1977 г. и до шестидесяти сеансов в 1983 г. по сравнению с 12 в 1967 г. Признаком растущей зрелости в этой области стала групповая дискуссия в Майами в 1978 г. НЕУДАЧИ МОДЕЛИРОВАНИЯ с упором на то, что может пойти не так и что происходит, и документ по УПРАВЛЕНИЮ СИМУЛЯЦИОННЫМИ проектами. В 1979 году конференция проходила в Сан-Диего, а в 1980 году — в Орландо. Появилось больше учебных пособий, а документы были организованы в виде сессий для начинающих, средних и продвинутых практиков [3].

Имитация чрезвычайно сложна, поэтому ее могут использовать только специалисты.
Моделирование занимает вечность из-за программирования и отладки.

Внезапная коммерческая доступность большого количества компьютеризированных производственных систем была дополнена появлением широкого спектра доступного компьютерного оборудования и программного обеспечения, особенно с 1980 года. В то же время привлекательное снижение цены и производительности компьютеров способствовало аналогичному взрыву вычислительных приложений в инженерном проектировании и автоматизации предприятий [5].

В 1982 году большинство программного обеспечения для моделирования было сосредоточено на планировании потребности в материалах (MRP), которое учитывает только сроки и размеры заказов без учета ограничений мощностей. Программное обеспечение не продвинулось дальше этой стадии, чтобы придать истинное значение автоматизированному заводу. Сотни роботов и оборудование с компьютерным управлением стоимостью в миллионы долларов были бесполезны, поскольку они использовались недостаточно и тратили свое время на неправильную часть из-за плохого планирования. В 1982 году персональные микрокомпьютеры представляли собой 16-битные машины, способные хранить память порядка 128 КБ, 256 КБ или даже 512 КБ. Было не так много программного обеспечения, позволяющего использовать преимущества 16-битного микропроцессора и дополнительной памяти. В 1983 году количество компаний, использующих моделирование, было небольшим. С развитием информационных систем, которые могут собирать и хранить большую часть данных, необходимых для создания и обслуживания моделей, моделирование для планирования производства стало более осуществимым. Широко используемая система управления производством от CAM-I поддерживала и распределяла замкнутый цикл управления производственными операциями и связь с замкнутым контуром между функциями планирования и эксплуатации. При установке такой системы многие проблемы, связанные с построением и поддержкой имитационных моделей, были устранены [5].

Сеть
Отдельное событие
Непрерывность и гибкость использования любой их комбинации в одной имитационной модели; Его стоимость составила 975 долларов США.

В 1984 году был разработан первый язык моделирования, специально разработанный для моделирования производственных систем. В конце 80-х годов, когда была разработана дискретно-событийная имитационная модель, руководство смогло оценить рентабельность альтернатив, стратегии технического обслуживания, конверсионного ремонта оборудования и капитальных замен [5].

В начале 90-х стало появляться программное обеспечение, такое как EMS-версия GPSS/PC, которое позволяло пользователям IBM-совместимых персональных компьютеров получать доступ к дополнительной памяти сверх ограничения в 640 КБ, установленного исходной архитектурой ПК. EXTEND был графическим приложением моделирования поведения на базе Macintosh, которое поддерживало как дискретное, так и непрерывное моделирование событий. MIC-SIM версии 3.0 предоставляла возможности и функции моделирования, которые были настолько просты в освоении и использовании, что больше не требовалось обучение и консультационные услуги. GPSS/H поддерживался самым разнообразным аппаратным обеспечением в отрасли, от ПК и большинства рабочих станций Unix до систем VAX/VMS и мейнфреймов IBM. Он предлагал множество расширений, которые избавляли пользователей от необходимости писать внешний код на Fortran или «C». MAST предоставил единую среду для проектирования, приобретения и эксплуатации производственных систем. Для изучения производственной системы не требовалось ни программирования, ни моделирования, ни даже редактирования текста [5].

Модели все чаще использовались для проектирования новых заводов и планирования рабочего процесса на этих новых объектах. Влияние графики стало более заметным, и ряд поставщиков использовали выставочную площадь конференции, чтобы продемонстрировать преимущества своей системы, фактически привезя компьютер на место проведения конференции. Технологии продвинулись настолько далеко, что моделирование для тех, кто имеет опыт в данной области, стало быстрее, дешевле и гораздо лучше реагирует на проекты конструктора моделей [5].

В 1998 году стали выделяться такие программы, как Micro Saint версии 2.0 для Windows 95.Это обеспечило автоматический сбор данных, оптимизацию и новый интерфейс Windows. Вдобавок к этому не требовалось умение писать на каком-либо языке программирования. Сегодня моделирование продвинулось до такого уровня, что программное обеспечение позволяет пользователю моделировать, выполнять и анимировать любую производственную систему с любым уровнем детализации. Сложный 2000-футовый конвейер можно смоделировать за считанные минуты. Продукция, оборудование и информация представлены единой сущностью, связанной с четырьмя измерениями (X, Y, Z и временем) и определением ее поведения [5].

Вы загрузили эту страницу без поддержки карты, поэтому инструменты карты не будут работать. Вместо этого откройте эту страницу с картой.

Создание модели, имитирующей реальную систему, обычно состоит из нескольких этапов: от концептуальных моделей до математических моделей и, наконец, имитационных моделей. При разработке моделей системный анализ представляет собой процесс упрощения реальной системы путем ее разделения на более простые и управляемые части. Концептуальная модель фиксирует компоненты, переменные и взаимодействия системы и обеспечивает полезный способ осмысления компромиссов между абстракцией и репрезентативностью явлений реального мира. Однако, взятые по отдельности, взаимодействующие части системы не могут объяснить ее динамическое поведение. Затем концептуальная модель преобразуется в математическую модель для объяснения системной динамики и взаимодействия. Математические модели часто принимают форму уравнений, логических правил или других математических механизмов для представления взаимосвязей и отношений между составными частями системы. Наконец, имитационная модель представляет собой компьютерную реализацию математических моделей, состоящую из взаимосвязанных уравнений и логических правил. Когда имитационная модель запускается на компьютере, она итеративно пересчитывает смоделированное состояние системы по мере его изменения во времени в соответствии с соотношениями, представленными математическими соотношениями, описывающими динамику системы. Таким образом, разработка подробных и динамических имитационных моделей достигается за счет универсальности и интерпретируемости, но дает нам реализм и возможность представлять реальные процессы в конкретных контекстах. Имитационное моделирование часто используется для прогнозирования, исследования, разработки теории или даже оптимизации условий для достижения желаемых результатов с целью изучения того, как взаимосвязи и отношения, которые характеризуют сложные социальные и экологические системы (например, экосистемы, городские системы, социальные системы, глобальная климатическая система) создает модели поведения с течением времени. Таким образом, имитационные модели приобретают все большее значение в качестве научных механизмов по нескольким причинам. Во-первых, имитационные модели позволяют исследователям изучать системы, недоступные экспериментальным и наблюдательным научным методам, дополняя более традиционные подходы к открытию или формализации теорий о системах реального мира. Кроме того, поскольку многие системы реального мира являются нелинейными, имитационное моделирование превратилось в необходимый метод для изучения и лучшего понимания таких систем. Кроме того, доступность методов и технологий вычислительной науки, а также большое количество данных, доступных из различных источников, в значительной степени способствовали внедрению имитационных моделей в широкий спектр научных дисциплин.

Отзыв редакции

включает прежнее понятие "Разработка модели"

Внешние ресурсы

Навыки

Понимать определяющие характеристики имитационных моделей и их применимость

Объяснить роль и назначение методов компьютерного моделирования в геовычислениях

Объясните процесс разработки имитационной модели

Оцените компромисс между абстракцией и репрезентативностью при разработке имитационных моделей

Несмотря на то, что были приложены все усилия для соблюдения правил стиля цитирования, могут быть некоторые расхождения. Если у вас есть какие-либо вопросы, обратитесь к соответствующему руководству по стилю или другим источникам.

Наши редакторы рассмотрят то, что вы отправили, и решат, нужно ли пересматривать статью.

компьютерное моделирование, использование компьютера для представления динамических реакций одной системы поведением другой системы, смоделированной по ее образцу. Моделирование использует математическое описание или модель реальной системы в виде компьютерной программы. Эта модель состоит из уравнений, которые дублируют функциональные отношения в реальной системе. При запуске программы результирующая математическая динамика формирует аналог поведения реальной системы, а результаты представляются в виде данных. Моделирование также может иметь форму компьютерной графики, которая представляет динамические процессы в анимированной последовательности.

Компьютерное моделирование используется для изучения динамического поведения объектов или систем в ответ на условия, которые невозможно легко или безопасно применить в реальной жизни.Например, ядерный взрыв можно описать математической моделью, включающей такие переменные, как тепло, скорость и радиоактивное излучение. Затем можно использовать дополнительные математические уравнения, чтобы приспособить модель к изменениям определенных переменных, таких как количество расщепляющегося материала, вызвавшего взрыв. Моделирование особенно полезно, поскольку позволяет наблюдателям измерять и прогнозировать, как на функционирование всей системы может повлиять изменение отдельных компонентов в этой системе.

Компьютеры размещают веб-сайты, состоящие из HTML, и отправляют текстовые сообщения так же просто, как. РЖУ НЕ МОГУ. Взломайте этот тест, и пусть какая-нибудь технология подсчитает ваш результат и раскроет вам его содержание.

Простое моделирование, выполняемое персональными компьютерами, состоит в основном из бизнес-моделей и геометрических моделей. К первым относятся электронные таблицы, финансовые и статистические программы, которые используются в бизнес-анализе и планировании. Геометрические модели используются во многих приложениях, требующих простого математического моделирования объектов, таких как здания, промышленные детали и молекулярные структуры химических веществ. Более продвинутые модели, например моделирующие погодные условия или поведение макроэкономических систем, обычно выполняются на мощных рабочих станциях или суперкомпьютерах. В инженерии компьютерные модели вновь спроектированных конструкций проходят симуляционные испытания для определения их реакции на нагрузку и другие физические переменные. Моделированием речных систем можно манипулировать, чтобы определить потенциальное влияние плотин и ирригационных сетей до того, как начнется какое-либо фактическое строительство. Другие примеры компьютерного моделирования включают оценку конкурентной реакции компаний на конкретном рынке и воспроизведение движения и полета космических аппаратов.

Редакторы Британской энциклопедии Эта статья была недавно отредактирована и обновлена Эриком Грегерсеном.

Дизайн (анализ и синтез) основан на законах фундаментальной науки и математики. В идеале имитационные модели должны создаваться и использоваться для проектирования и улучшения систем на основе аналогичных законов или принципов. Ниже приведены некоторые общие принципы, которые оказались полезными при разработке и реализации проектов моделирования, хотя для большинства из них не хватает выводов из основных научных законов или тщательного экспериментального тестирования.

Рисунок 1-2: Моделирование для проектирования и усовершенствования систем.

Создается математическо-логическая форма существующей или предполагаемой системы, называемая имитационная модель (искусство). Эксперименты проводятся с моделью, которая генерирует численные результаты (наука). Модель и экспериментальные результаты интерпретируются, чтобы сделать выводы о системе (искусстве). Выводы реализуются в системе (наука и искусство).

Например, предположим, что команда бережливого производства хочет узнать, увеличит ли предлагаемая новая планировка производственного предприятия пропускную способность и сократит ли время цикла. Существующую схему можно изменить, а результаты измерить в соответствии с бережливым подходом. В качестве альтернативы можно использовать моделирование для оценки влияния предлагаемого нового макета.

Модель должна точно представлять систему, а данные, используемые для оценки значений входных параметров модели, должны быть правильно собраны и подвергнуты статистическому анализу. Это показано на рис. 1–3.

Рисунок 1-3. Валидация и проверка модели.

Существует две версии имитационной модели: та, что указана "на бумаге" (концептуальная модель) на первом стратегическом этапе процесса проекта, и реализованная на компьютере на втором стратегическом этапе. Верификация — это процесс проверки того, что эти два параметра эквивалентны. Проверке помогает, по крайней мере частично, выражение "бумажной" модели в графическом чертеже, компьютерная реализация которого выполняется автоматически.

Проверка включает в себя сбор доказательств того, что модель является точным представлением системы по отношению к задачам решения, и поэтому полученные с ее помощью результаты можно использовать для принятия решений об изучаемой системе. Валидация связана со сравнением системы и извлеченных из нее данных с двумя моделями моделирования и экспериментальными результатами. Выводы, сделанные на основе неверных моделей, могут привести к «улучшениям» системы, которые сделают ее производительность хуже, а не лучше. Это делает разработчиков моделирования и систем, которые используют его, бесполезными в глазах руководства.

Вариация связана с тем фактом, что ни одна система не выполняет одну и ту же деятельность точно таким же образом или в одно и то же время. Конечно, немаловажным является оценка среднего поведения системы. С другой стороны, если бы каждый аспект каждой операции системы всегда работал точно в среднем, проектирование и усовершенствование системы было бы намного проще. Одним из недостатков бережливого производства является то, что такое предположение часто делается неявно.

Вариация может быть представлена вторым центральным моментом статистического распределения, дисперсией. Например, время между приходами в ресторан быстрого питания в обеденный перерыв может быть распределено экспоненциально со средним значением 10 секунд и, следовательно, дисперсией 100 секунд. Изменения могут также возникать из-за правил принятия решений, которые изменяют процедуры обработки в зависимости от того, что система делает в данный момент, или из-за характеристик обрабатываемой единицы. Например, время обработки на машине может составлять 2 минуты для деталей типа А и 3 минуты для деталей типа Б.

В системе есть два вида вариаций: особый эффект и общая причина. Вариация со специальным эффектом возникает, когда происходит что-то необычное, например, машина ломается или запасы сырья исчерпываются из-за ненадежного поставщика. Имитационные модели могут показывать пошаговые детали того, как система реагирует на тот или иной спецэффект. Это помогает менеджерам эффективно реагировать на такие случаи.

Изменения по общей причине присущи нормальной операционной системе. Время выполнения операций, особенно ручных, не всегда одинаково. Входные данные могут быть недоступны постоянно или поступать через равные промежутки времени. Они могут не быть идентичными и могут требовать различной обработки в зависимости от определенных характеристик. Плановое техническое обслуживание, задачи по настройке машины и перерывы рабочих могут внести свой вклад. Часто одной из целей моделирования является поиск и оценка способов уменьшения этого отклонения.

Отклонения по общей причине подразделяются на три категории. Изменение внешнего шума связано с внешними источниками и факторами, не зависящими от системы. Типичным примером является изменение времени между заказами клиентов на продукт, производимый системой. Вариационный шум присущ системе, такой как изменение времени работы на одном этапе процесса. Изменение внутреннего шума является результатом физического износа системных ресурсов. Таким образом, в модель может быть включено техническое обслуживание и ремонт оборудования.

Рисунок 1-4. Примеры графиков наблюдений за показателями эффективности

В первом показано, как специальный эффект, отказ машины, приводит к накоплению частично завершенной работы. После ремонта машины нарост уменьшается. Второй показывает закономерность количества занятых машин при одной операции системы с течением времени. Высокая изменчивость предполагает высокий уровень вариации общей причины и то, что стратегии выравнивания рабочей нагрузки могут использоваться для уменьшения количества машин, назначенных для конкретной задачи. Третий график показывает общую производительность системы, называемую пропускной способностью, с течением времени. Обратите внимание, что в периоды простоя производительность не увеличивается, но в остальном пропускная способность остается постоянной.

На рис. 1-5 показаны примерная гистограмма и примерная гистограмма. На гистограмме показано выборочное распределение числа дискретных частей в системе, которое большую часть времени представляется приемлемо низким. Гистограмма показывает, как эти части проводят свое время в системе. Обратите внимание, что половина времени уходит на фактическую обработку, что хорошо для большинства производственных систем.

Рисунок 1-5: Пример гистограммы и гистограмм для наблюдений за показателями эффективности

Хотя для каждой системы могут быть определены уникальные показатели производительности, опыт показывает, что некоторые категории показателей производительности широко используются:

Производительность системы за интервал времени (пропускная способность) или время, необходимое для создания определенного количества выходных данных (максимальный интервал).
Ожидание системных ресурсов, как число ожидания, так и время ожидания.
Количество времени, время подготовки, необходимое для преобразования отдельных системных входных данных в системные выходные данные.
Использование системных ресурсов.
Уровень обслуживания, способность системы удовлетворять требования клиентов.

Моделирование помогает бережливым командам прийти к консенсусу на основе количественной и объективной информации. Это помогает избежать «дизайна по аргументам». Имитационная модель становится ценным членом команды и часто находится в центре обсуждения.

Этот принцип является обобщением остальных. Решение проблем требует, чтобы модели соответствовали структуре и данным системы (2), а также адаптировались к изменениям требований проекта (4). Моделирование улучшает решение проблем, сводя к минимуму стоимость и риск экспериментов с системами (3). Требования к информации для решения проблем могут быть удовлетворены (9). При необходимости можно использовать аналитические методы (11).

Вклады и атрибуции

Эта страница находится под лицензией CC BY-NC-SA, автором, ремиком и/или куратором которой является Чарльз Р. Стэндридж. Подробная история версий изменений исходного контента доступна по запросу.

Майкл Левитт — профессор структурной биологии Стэнфордского университета в Стэнфорде, Калифорния. Он получил Нобелевскую премию по химии в 2013 году вместе с Мартином Карплюсом и Арье Варшелем. Майкл Левитт родился в Претории, Южная Африка. Семья переехала в Англию, когда ему было 15 лет. Он учился в Королевском колледже Лондона, получив диплом с отличием по физике. Затем со своей израильской женой Риной он переехал в Кембридж, где у них родились трое детей. Левитт получил докторскую степень. получил степень доктора вычислительной биологии в Колледже Гонвилля и Кайуса в Кембридже, а с 1968 по 1972 год работал в Лаборатории молекулярной биологии, где разработал компьютерную программу для изучения конформаций молекул. С 1980 по 1987 год он был профессором химической физики в Научном институте Вейцмана, Реховот, Израиль. Левитт является членом нескольких научных обществ и входил в состав научных консультативных советов многих компаний. Недавно Левитт и его коллеги разработали математический подход для успешного анализа и прогнозирования вспышек COVID-19. *michael.levitt@stanford.edu

Молодые обозреватели

Средняя школа Натана Альтермана Орта, Израиль

Научно-технические классы в «Бейт Чинух» — это классы, в которых учатся отличники в области науки и техники. Студенты с любопытством относятся ко всему, что касается науки, всегда задают вопросы об окружающем мире, чтобы лучше понять его.

Аннотация

Компьютерное моделирование — важный исследовательский инструмент в современном научном мире. Компьютеры позволяют нам выполнять вычисления, имитирующие поведение сложных (биологических) систем способами, которых мы не могли бы достичь иначе. Эти симуляции можно рассматривать как компьютерную игру, в которой создается виртуальный мир, работающий по определенным (например, физическим) правилам. Пока мы играем в игру, мы изучаем правила, регулирующие этот виртуальный мир и его среду, а также то, как мы влияем на этот мир как игроки. В этой статье я объясню, как мы используем компьютерное моделирование в мире структурной биологии для изучения структуры и функций молекул. Я также опишу, как, по моему мнению, мы могли бы использовать идеи из мира биологии и компьютерного моделирования для развития общества, в котором мы живем.

Профессор Левитт получил Нобелевскую премию по химии в 2013 году за разработку многомасштабных моделей сложных химических систем.

В интервью и в соавторстве с Ноа Сегев, выпускником энергетической программы Гранд Технион, Технион, Израильский технологический институт, Хайфа, Израиль.

Что такое компьютерное моделирование?

Простой способ понять компьютерную симуляцию — это подумать о компьютерных играх. Подумайте, например, о приключенческой игре, в которой ваш персонаж ходит по окружающей среде, выполняя различные действия.Чтобы игра выглядела реалистично, компьютер должен построить виртуальный мир, который ведет себя как реальный мир. Например, если вы бросаете мяч во время игры, компьютер должен использовать соответствующее физическое уравнение (в данном случае уравнение движения Ньютона), чтобы вычислить движение мяча и создать реалистичную симуляцию физического пути мяча. шара во время его движения (рис. 1). По тому же принципу компьютер может моделировать и другие процессы реальной жизни, если мы знаем физические законы, управляющие ими. Иными словами, можно было моделировать не только законы движения объектов, как мы видели в приведенном выше примере, но и более сложные процессы, такие как погода, химические реакции, а также разнообразные биологические процессы, такие как сворачивание белков, о котором мы поговорим ниже.

Рисунок 1. Пример компьютерной симуляции, реализованной в компьютерных играх.
Рисунок взят из онлайн-игры Fortnite. Задача состоит в том, чтобы бросить мяч так, чтобы он попал в предметы в комнате 15 раз, прежде чем упадет на землю. Эта игра на самом деле является симуляцией физических законов. Чтобы реалистично визуально представить движение мяча в игре, компьютеру необходимо вычислить физический путь мяча на основе физических уравнений — уравнений движения Ньютона. Другими словами, компьютер моделирует физические законы и выводит результат на экран. Используя тот же принцип, компьютер может моделировать различные процессы в природе, такие как погода или биологические процессы, чтобы помочь нам лучше понять их (Источник: Forbes).

Что мы можем узнать из компьютерного моделирования?

Давайте подумаем о приключенческой игре, такой как Assassin’s Creed. Предполагая, что ваша миссия происходит во Флоренции, Италия, вы гуляете по этому городу, используя компьютерную симуляцию улиц Флоренции. Во время прогулки вы увидите различные дома и исторические места, такие как красивый собор Дуомо. После многих часов игры в эту игру вы многое узнаете о географии Флоренции. Обладая этими знаниями, вы могли бы прогуляться по реальному городу Флоренции, почувствовать себя знакомым с ним и определить различные места и достопримечательности, с которыми вы столкнулись в компьютерной игре. Это означает, что игра дала вам реальное знание самого города, даже если вы никогда не посещали город. Такое обучение с помощью компьютерных симуляций является безопасным процессом — вы не боитесь пораниться во время игры, поэтому можете позволить себе выполнять в игре действия, которые вы не осмелились бы выполнить в реальной жизни. В зависимости от игры иногда даже есть действия, которые невозможно выполнить в реальной жизни, но которые можно выполнить в компьютерной игре (например, вы можете летать или встречаетесь с воображаемыми существами).

Этот принцип получения знаний с помощью компьютерного моделирования также используется в научном мире: мы строим модель физического или химического процесса, который изучаем, а затем моделируем его с помощью компьютера. Модель основана на математических уравнениях, описывающих процесс (как на рис. 1, где в модели используются уравнения, описывающие законы Ньютона и управляющие физическим поведением шара). Компьютер позволяет нам видеть, как процесс разворачивается во времени, поэтому мы можем проверить, соответствуют ли результаты моделирования реальному процессу. Если результаты совпадают, то мы делаем вывод, что модель хороша и может быть использована для лучшего понимания явления, которое мы исследуем. Если компьютерные результаты не соответствуют реальным результатам, мы делаем вывод, что модель нуждается в пересмотре. Модификация модели может помочь нам выявить ошибки в нашем понимании изучаемого процесса. Поскольку симуляция не опасна, мы можем испробовать всевозможные модели и возможности, которые даже невозможно исследовать в реальных жизненных ситуациях. Иногда во время таких компьютерных симуляций случаются сюрпризы, и мы можем обнаружить, что «дикая» модель, которую мы рассмотрели, на самом деле лучше всего описывает исследуемое явление. Компьютерные модели дают нам свободу творчества и находят объяснения реальности, которые трудно найти другими способами.

В самый раз

При использовании компьютерного моделирования в науке одним из самых важных принципов является принцип, который я называю "правильным". По этому принципу нам нужно построить не слишком простую и не слишком сложную модель. Если модель слишком проста, она не будет достаточно подробно описывать явление, которое мы хотим исследовать. Напротив, если модель слишком сложна, мы не сможем использовать ее для получения информации, которая будет способствовать нашему пониманию. Я думаю, что каждый исследователь должен понимать, что он делает, на простом и базовом уровне, чтобы он мог объяснить свои исследования другим.Если кто-то говорит, что открыл что-то великое, но это слишком сложно объяснить, меня наполняют сомнения, и я не уверен, что они действительно понимают то, что изучают. Поэтому я всегда ищу самую простую модель, которая достаточно хороша (как вы увидите на рисунке 2 ниже о сворачивании белков). Я считаю, что это очень общая идея для жизни — каждое объяснение имеет свой уровень «в самый раз». Поэтому я советую вам всегда искать самое простое объяснение, которое проясняет то, что вы пытаетесь понять, — не больше и не меньше.

Рисунок 2. Сворачивание белков.
(A) Простая модель для моделирования белка с помощью компьютера. Белок описывается как ожерелье, состоящее из бусин с разными характеристиками. Каждый цвет описывает отдельный тип бусинок, а каждая бусинка описывает набор атомов и их взаимодействия (как вы можете видеть в кружках над или под бусами) (взято из Cragnell et al. [2]). (B) Простая модель белка в виде ожерелья из бусин, которая также включает математические уравнения, описывающие взаимодействие между бусинами определенных цветов. Этой модели достаточно, чтобы описать свертывание белков в стабильные трехмерные формы (взято из Researchgate).

Как мы можем использовать это бактериоциновое оружие?

Сейчас я покажу вам, как мы использовали компьютерное моделирование и принцип «в самый раз», чтобы понять очень важное явление в биологии — сворачивание белков. Исследование структуры белков является частью области, называемой структурной биологией. Давайте задумаемся о том, как функционируют живые организмы. Внутри тела есть много нитевидных структур, называемых белками. Эти белки складываются, образуя трехмерные формы. Каждый белок имеет свою уникальную форму, которая одинакова внутри каждого живого тела. Удивительно то, что эти трехмерные белки выполняют все функции жизни — строят тело, подвергаются химическим реакциям, двигают мышцы и переваривают пищу. Поэтому понимание процесса сворачивания, определяющего окончательную форму белка, чрезвычайно важно.

Белки – это большие молекулы, состоящие из тысяч атомов, между которыми происходит множество взаимодействий. Если мы хотим запустить компьютерную симуляцию, чтобы иметь дело со всеми этими атомами и их взаимодействиями внутри белка, это становится слишком сложным. В начале 1970-х я работал над этой проблемой вместе с Арье Уоршелем, и в 1975 году мы опубликовали наши выводы в важном научном журнале [1]. Мы обнаружили, что можем построить простую модель белка, представленного в виде ожерелья, состоящего из разных типов бусин, в котором каждый тип бусин имеет несколько отличные характеристики от других бусин (рис. 2А). Каждая бусина представляет собой набор (скажем, 10) атомов и их взаимодействия. Определенные бусины (скажем, красные бусины) притягиваются к другим конкретным бусинкам (скажем, синим). Эта простая модель смогла обеспечить адекватное и полезное объяснение сворачивания белков (рис. 2В) и была принята в качестве модели для многих других молекулярных вычислений [2]. Эти симуляции позволяют нам понять и даже предсказать трехмерную структуру различных белков и лучше понять их биологическую активность. Мы также можем использовать компьютер для создания молекул, которые можно использовать в качестве лекарств.

Компьютерное моделирование за пределами биологии — взгляд в будущее

Разнообразие, разнообразие, разнообразие

Биологические системы сталкиваются с уникальной проблемой: они должны быть готовы к непредвиденным ситуациям, которые могут возникнуть в будущем. Как любая система может быть подготовлена к сценариям, с которыми никогда раньше не сталкивались? Ответ прост: через разнообразие. Природа пытается создать в системе широкий диапазон вариаций, чтобы система могла адаптироваться и модифицировать свои процессы для решения непредвиденных проблем.

У животных, например, каждое потомство получает случайную половину генетической информации (ДНК) каждого из своих родителей, поэтому каждое потомство уникально и увеличивает разнообразие видов. Таким образом, у целой группы животных повышается готовность реагировать на возможные будущие сценарии, а это повышает коллективную устойчивость вида к непредвиденным ситуациям.

Я думаю, что этот принцип разнообразия, которому учит нас биология, применим и ко многим другим аспектам жизни. Например, сильное общество — это многообразное общество, в котором разные люди разного социального происхождения, пола и образования должны научиться жить вместе, понимать и принимать друг друга. Действительно, в школе или дома нам всегда приходится находить способы договориться с окружающими нас людьми. Иногда нам приходится иметь дело с трудными и сложными социальными ситуациями, и, конечно, некоторые из нас лучше других решают конфликты, с которыми мы сталкиваемся. Кроме того, наша жизнь сама по себе разнообразна, со взлетами и падениями и неожиданными ситуациями.Ключ к лучшему будущему и стабильному обществу зависит от нашей способности успешно справляться с разнообразием жизни. Чтобы справиться с разнообразными социальными и личными ситуациями, требуется хорошо развитый эмоциональный интеллект. Я считаю, что мы можем использовать компьютерное моделирование, чтобы улучшить свой эмоциональный интеллект.

Компьютерное моделирование для развития эмоционального интеллекта

Компьютерное моделирование для улучшения эмоционального интеллекта может быть выполнено в форме интерактивной игры, моделирующей сложную социальную ситуацию и позволяющей использовать различные стратегии для решения проблемы (рис. 3). Например, кто-то оскорбляет вас в классе. Как вы должны реагировать, чтобы полностью не разрушить любую возможность сотрудничества с этим человеком? Используя компьютерную симуляцию, вы могли увидеть результаты разнообразных действий, которые вы могли бы предпринять. Этот вид деятельности, выполняемый как индивидуально, так и в рамках образовательной системы, может сыграть важную роль в развитии эмоционального интеллекта.

Рисунок 3. Компьютерное моделирование для развития эмоционального интеллекта.
Компьютерное моделирование может помочь нам понять сложные жизненные ситуации. Представьте себе игру, подобную показанной, которая позволяет вам испытать сложную социальную ситуацию и попробовать разные способы реагирования и реакции на ситуацию. Такая игра может подготовить вас к тому, чтобы лучше справляться с реальными жизненными ситуациями и разнообразными реакциями разных людей: она может помочь вам развить более сложный эмоциональный интеллект (взято из Rockpapershotgun).

Дополнительные материалы

Майкл Левитт рассказывает о своей работе учащимся – YouTube.

Глоссарий

Компьютерное моделирование: ↑ Инструмент для проведения научных исследований на основе вычислений с использованием компьютера. Вы можете думать о компьютерных симуляциях как о компьютерных играх, которые помогают ученым учиться и лучше понимать явления, которые они исследуют.

Белки: ↑ Большие биологические молекулы, которые выполняют все функции жизни — строят тело, участвуют в химических реакциях, переваривают пищу и т. д. Белки можно представить себе как ожерелья, состоящие из разных типов бусин, которые складываются в уникальные 3D-формы, так что каждый белок имеет свою уникальную свернутую форму.

Структурная биология: ↑ Область исследований, изучающая структуру больших молекул (макромолекул), построенных из наборов более мелких молекул. Исследователи пытаются понять принципы, по которым молекулы складываются для создания определенной трехмерной структуры.

Эмоциональный интеллект: ↑ Способность распознавать эмоции в себе и других, понимать их и использовать для лучшего взаимодействия с разными людьми.

Конфликт интересов

Автор заявляет, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Ссылки

[1] ↑ Левитт, М., и Уоршел, А. 1975. Компьютерное моделирование сворачивания белков. Природа 253:694–8. дои: 10.1038/253694a0

[2] ↑ Cragnell, C., Rieloff, E., and Skepö, M. 2018.Использование крупнозернистого моделирования и моделирования Монте-Карло для оценки конформационного ансамбля внутренне неупорядоченных белков и областей. <Я> Дж. Мол. Biol. 430:2478–92. doi: 10.1016/j.jmb.2018.03.006

Информация о статье

Цитирование

Левитт М. (2021) Компьютерное моделирование на службе биологии. Передний. Молодые умы. 9:603629. doi: 10.3389/frym.2020.603629

Читайте также: