1. Введение

Численное моделирование стало незаменимым инструментом в широком спектре научных и инженерных дисциплин. Численные модели позволяют исследователям и практикам моделировать сложные системы и прогнозировать их поведение в различных условиях – от прогнозирования погодных условий и понимания изменения климата до проектирования передовых инженерных систем и оптимизации экономических стратегий. Сущность численного моделирования заключается в его способности переводить физические, биологические, экономические или социальные явления в математические формулы, которые можно решить с помощью вычислительных алгоритмов. Этот преобразующий подход позволяет исследовать сценарии, которые часто непрактично или невозможно изучить только посредством прямых экспериментов.

Целью работы является концептуальное рассмотрение общих вопросов теории составления численных моделей в современной реальности. Постоянно появляются новые научные труды по разработке новых моделей применительно к какому-либо частному случаю. Между тем постоянное развитие области знания невозможно без периодического осмысления достижений и систематизации накопленных подходов к рассмотрению проблемы.

Задачами работы является определение и описание ключевых моментов составления моделей, которые актуальны в настоящее время, включая методы и средства.

Актуальность работы обуславливается стремительным развитием и проникновением численного моделирования во все сферы человеческой деятельности, что тесно связано с достижениями в области вычислительных технологий. Появление высокопроизводительных вычислений значительно расширило возможности решения крупномасштабных и сложных задач, которые ранее были недоступны. Суперкомпьютеры, параллельная обработка и сложные алгоритмы раздвинули границы возможного, превратив численное моделирование в постоянно развивающуюся область, которая постоянно адаптируется к растущим требованиям к точности и вычислительной мощности.

В основе численного моделирования лежит процесс абстракции и упрощения, при котором системы реального мира представляются посредством математических уравнений. Эти уравнения часто принимают форму дифференциальных уравнений, которые описывают, как переменные изменяются во времени и пространстве. Переход от непрерывных уравнений к дискретным формам, которые можно решать численно, включает ряд шагов, каждый из которых имеет решающее значение для обеспечения точности и надежности модели. Этот процесс включает определение проблемы, математическую формулировку, дискретизацию, реализацию, анализ и верификацию

[1][2][3][4][5][6]

Поскольку численное моделирование продолжает становиться все более сложным и масштабным, эффективное использование вычислительных ресурсов становится все более важным. Высокопроизводительные вычислительные системы, включая суперкомпьютеры и архитектуры параллельных вычислений, играют решающую роль в управлении крупномасштабным моделированием. Достижения в области вычислительной мощности, памяти, хранения и использования графических процессоров значительно расширили возможности решения сложных задач. Стратегии оптимизации, включая оптимизацию алгоритмов, параллельные вычисления и эффективное управление данными, необходимы для обеспечения эффективности вычислений и масштабируемости

[7][8][9][10]

Модели проникают в самые разные сферы. Например, экспериментальные методы для новых сплавов Mg, недостаточны для полного понимания этих процессов., но многомасштабное моделирование и симуляция позволяют глубже понять микроструктуру и механизмы деформации

[11][11]

Численное моделирование помогает в проектировании машин, выборе параметров и оптимизации размеров, позволяя сравнивать различные схемы и процессы. Так, например, численное моделирование стало мощным инструментом для изучения процессов барабанной сушки, свойств газо-твердотельной флюидизации, исследований механизмов потока и оптимизацию дизайна и масштабирования

[12]

В механике твердых тел численный многообразный метод (NMM) используется для решения задач с переходами между непрерывностью и разрывами, используя двойную систему покрытия

[13][13]

В работе

[14]

В работе

[15]

В работе

[16]

В работе

[17]

В статье

[18][18]

В статье

[19]

Будущее численного моделирования связано со значительными достижениями, обусловленными новыми технологиями и методологическими инновациями; интеграция с машинным обучением и искусственным интеллектом позволяет повысить точность модели и сократить вычислительные затраты. Квантовые вычисления, хотя и находятся на ранних стадиях своего развития, обещают совершить революцию в численном моделировании, решая определенные классы задач экспоненциально быстрее, чем классические алгоритмы.

2. Методы и анализ

Численное моделирование, краеугольный камень современных научных исследований и инженерной практики, предполагает использование математических моделей для моделирования и анализа сложных систем.

Истоки численного моделирования можно проследить до середины 20-го века, когда достижения в области вычислительных технологий сделали возможным решение сложных математических уравнений, которые ранее были неразрешимы. Ранние применения были в основном в физике и технике, где модели использовались для решения дифференциальных уравнений, управляющих динамикой жидкости, теплопередачей и строительной механикой. За прошедшие десятилетия объем численного моделирования резко расширился, включая достижения в вычислительных методах, разработку алгоритмов и увеличение вычислительной мощности

[20][21][22][23]

По своей сути численное моделирование включает в себя дискретизацию непрерывных математических уравнений в форму, которую можно решить с помощью численных методов. Этот процесс обычно включает в себя следующие этапы: определение проблемы, математическая формулировка, дискретизация, реализация, анализ и проверка.

Численные модели незаменимы для исследований климата, где они моделируют атмосферные и океанические процессы для прогнозирования будущих климатических условий. Такие модели, как модели общей циркуляции, помогают понять динамику климата и оценить влияние выбросов парниковых газов на глобальную температуру, характер осадков и экстремальные погодные явления. Эти прогнозы формируют международную климатическую политику и стратегии по смягчению последствий и адаптации.

В машиностроении численные модели используются для проектирования и оптимизации систем и конструкций, обеспечивающих безопасность, эффективность и надежность. Например, модели вычислительной гидродинамики (CFD) моделируют поток жидкости вокруг самолетов, автомобилей и промышленных процессов, что приводит к улучшению конструкции и производительности. Модели структурного анализа прогнозируют поведение зданий, мостов и другой инфраструктуры при различных нагрузках, способствуя более безопасным и устойчивым методам строительства

[24][25][26][27]

Экономические модели используют численные методы для моделирования динамики рынка, оценки экономической политики и прогнозирования финансовых тенденций. Эти модели помогают политикам и предприятиям принимать обоснованные решения, предоставляя представление о потенциальных результатах различных экономических сценариев. Например, агентные модели моделируют взаимодействие между отдельными агентами для изучения поведения рынка и возникновения сложных экономических явлений.

В здравоохранении численное моделирование помогает понять развитие заболеваний, оптимизировать планы лечения и проектировать медицинские устройства. Модели биологических систем, такие как симуляция сердца, дают представление о физиологических процессах и помогают в разработке новых методов лечения и лекарств. Во время пандемии COVID-19 эпидемиологические модели сыграли решающую роль в прогнозировании распространения вируса и оценке воздействия мер общественного здравоохранения.

В основе численного моделирования лежат математические уравнения, описывающие поведение физических, биологических или экономических систем. Обыкновенные дифференциальные уравнения (ОДУ) описывают системы относительно одной переменной, обычно времени. Например, скорость изменения численности населения в экосистеме. Уравнения с частными производными (PDE) описывают системы относительно нескольких переменных, таких как время и пространство. Например, уравнение теплопроводности моделирует изменение температуры с течением времени и в разных точках среды.

Чтобы решить эти непрерывные уравнения численно, их необходимо дискретизировать. Дискретизация предполагает разбиение уравнений на конечный набор точек, которые можно обработать вычислительным путем. К наиболее распространенным методам дискретизации относятся: метод конечных разностей (FDM), метод конечных элементов (FEM), метод конечных объемов (FVM).

FDM аппроксимирует производные разностями между значениями функции в дискретных точках. Он прост и широко используется для решения задач, заданных на регулярных сетках.

FEM делит область на более мелкие простые формы (элементы) и использует тестовые функции для аппроксимации решения. FEM очень гибок и может обрабатывать сложную геометрию.

FVM интегрирует уравнения по контрольным объемам и обеспечивает сохранение свойств. Это особенно полезно в гидродинамике и других законах сохранения.

После дискретизации уравнений для решения полученной системы уравнений используются численные алгоритмы. Некоторые ключевые алгоритмы включают в себя: прямые методы, итеративные методы. Прямые методы решают систему уравнений за конечное число операций. Исключение Гаусса – распространенный прямой метод для линейных систем. Итеративные методы начинаются с первоначального предположения и итеративно уточняют решение. Такие методы, как Якоби, Гаусса-Зейделя и сопряженный градиент, популярны для больших систем, где прямые методы требуют больших вычислительных затрат.

Для обеспечения надежности численной модели необходимо учитывать стабильность, согласованность и сходимость. Численное решение не должно демонстрировать неограниченный рост по мере выполнения вычислений. Стабильность часто зависит от выбора параметров дискретизации, таких как размер временного шага. Дискретизированные уравнения должны точно аппроксимировать исходные дифференциальные уравнения (согласованность). Когда параметры дискретизации приближаются к нулю, численное решение должно сходиться к истинному решению дифференциальных уравнений. Решение дискретизированных уравнений должно приближаться к точному решению непрерывных уравнений по мере измельчения сетки (сходимости). Модель, которая одновременно непротиворечива и стабильна, обычно сходится (теорема Лакса об эквивалентности).

Численные модели по своей сути содержат ошибки, которые могут возникать по нескольким причинам. Результат аппроксимации бесконечного процесса конечным, например, использование конечных разностей для аппроксимации производных (ошибка усечения). Ошибка, вызванная конечной точностью компьютерной арифметики (ошибка округления). Ошибка дискретизации возникает в результате аппроксимации непрерывной задачи дискретной. Тщательный анализ ошибок помогает понять точность модели и способствовать совершенствованию численных методов

[28][29][30]

Верификация и валидация являются важными шагами, гарантирующими, что численная модель правильно реализована и точно представляет реальную систему. Проверка включает проверку того, что числовые алгоритмы реализованы правильно и что модель решает уравнения так, как предполагалось. Это можно сделать с помощью проверок кода, аналитических решений и тестов производительности. Валидация включает сравнение предсказаний модели с экспериментальными или наблюдательными данными, чтобы гарантировать, что модель точно представляет реальную систему. В этом процессе часто используются статистические методы и анализ чувствительности.

Численное моделирование часто требует значительных вычислительных ресурсов и специализированного программного обеспечения. Популярные инструменты включают языки программирования (Python, C++, Fortran и т. д.) и пакеты программного обеспечения (ANSYS, COMSOL Multiphysics, Abaqus и т. д.).

Эффективность и результативность численного моделирования во многом зависят от доступных вычислительных ресурсов и стратегий, используемых для оптимизации их использования. Поскольку модели становятся более сложными, а наборы данных увеличиваются, потребность в вычислительной мощности возрастает. Понимание и управление вычислительными ресурсами имеет решающее значение для обеспечения эффективной работы численных моделей и получения точных результатов в разумные сроки.

Системы высокопроизводительных вычислений, включая суперкомпьютеры и архитектуры параллельных вычислений, необходимы для крупномасштабного численного моделирования. Системы высокопроизводительных вычислений состоят из нескольких процессоров, работающих в тандеме, что позволяет решать сложные задачи быстрее, чем традиционные однопроцессорные системы. Это особенно важно для моделирования, включающего большие наборы данных, модели высокого разрешения или требования к обработке в реальном времени. Оперативная память и хранилище являются важнейшими компонентами вычислительных ресурсов. Достаточный объем памяти гарантирует, что большие наборы данных могут быть загружены и эффективно обработаны. Решения для хранения данных, такие как твердотельные накопители и распределенные файловые системы, обеспечивают необходимую емкость и скорость для управления операциями ввода и вывода данных (I/O), которые в противном случае могут стать узкими местами при моделировании. процесс. Графические процессоры, изначально предназначенные для рендеринга графики, оказались очень эффективными для численных вычислений благодаря своим возможностям параллельной обработки. Они могут ускорить многие вычислительные задачи, особенно те, которые включают матричные операции и моделирование, значительно сокращая время обработки по сравнению с традиционными центральными процессорами.

Выбор и оптимизация численных алгоритмов имеет решающее значение для повышения эффективности вычислений. Эффективные алгоритмы снижают сложность вычислений и повышают скорость моделирования. Например, итеративные решатели, такие как методы сопряженного градиента и многосеточные методы, часто предпочтительнее прямых решателей для больших систем из-за их меньших вычислительных требований. Параллельные вычисления подразумевают разделение большой вычислительной задачи на более мелкие подзадачи, которые могут обрабатываться одновременно. При параллельных вычислениях балансировка нагрузки гарантирует, что все процессоры выполняют примерно равный объем работы. Неравномерное распределение задач может привести к тому, что одни процессоры будут простаивать, а другие перегружены, что снизит общую эффективность. Методы динамической балансировки нагрузки корректируют распределение задач во время выполнения для поддержания оптимальной производительности. Масштабируемость означает способность модели поддерживать производительность по мере увеличения размера проблемы или количества процессоров. Проблемы масштабируемости возникают из-за таких факторов, как накладные расходы на связь в параллельных системах и ограничения численных алгоритмов. Разработка масштабируемых алгоритмов и оптимизация шаблонов связи необходимы для эффективного использования ресурсов высокопроизводительных вычислений.

Постоянное развитие численного моделирования обусловлено повышением вычислительной мощности, разработкой алгоритмов и интеграцией с новыми технологиями, такими как машинное обучение и искусственный интеллект. Высокопроизводительные вычисления и параллельная обработка позволяют моделировать все более сложные системы с более высоким разрешением. Методы машинного обучения интегрируются с традиционными численными методами для повышения точности модели и снижения вычислительных затрат. Эти достижения открывают новые горизонты в таких областях, как персонализированная медицина, управление интеллектуальными сетями и автономные системы. Достижения в области вычислительной мощности, алгоритмов и интеграции машинного обучения расширяют возможности и приложения численного моделирования. Будущее численного моделирования лежит в более точном, эффективном и универсальном моделировании, позволяющем обрабатывать все более сложные и крупномасштабные системы.

3. Заключение

В связи с интенсивным темпом исследований и развитием технологий, исследования, включающие концептуальные рассмотрения общих вопросов современного состояния моделирования, должны обновляться для поддержания актуальности и новизны, что отражено в работе. В результате работы были сделаны выводы о состоянии развития численного моделирования в современной реальности, как большой области пересекающихся научных направлений, методах и средствах составления моделей, перспективах развития.

1. Численное моделирование находится на стыке теоретического анализа, вычислительных методов и практического применения. За последние несколько десятилетий он превратился в незаменимый инструмент для ученых, инженеров, экономистов и других специалистов, стремящихся понять и предсказать поведение сложных систем. Разработка и применение числовых моделей охватывают широкий спектр действий: от первоначального определения проблемы и математической формулировки до дискретизации, реализации и тщательного анализа и проверки.

2. Эффективность численного моделирования неразрывно связана с наличием и эффективным использованием вычислительных ресурсов. Системы высокопроизводительных вычислений, включая суперкомпьютеры и архитектуры параллельных вычислений, необходимы для крупномасштабного моделирования. Достижения в области вычислительной мощности, памяти, хранения и использования графических процессоров значительно расширили возможности решения сложных проблем.

3. Для полного использования вычислительных ресурсов необходимо решить такие проблемы, как масштабируемость, энергоэффективность и интеграция программного обеспечения. По мере роста спроса на более сложные и крупномасштабные модели необходимость эффективного использования вычислительных ресурсов становится все более важной.

4. Будущее численного моделирования связано со значительными достижениями, обусловленными новыми технологиями и методологическими инновациями. Интеграция с машинным обучением и искусственным интеллектом позволяет повысить точность модели и сократить вычислительные затраты. Машинное обучение может помочь в оценке параметров, калибровке модели и определении оптимальных численных методов, тем самым повышая общую эффективность. Квантовые вычисления, хотя и находятся на начальной стадии своего развития, обещают совершить революцию в численном моделировании. Облачные вычисления предлагают масштабируемые и гибкие вычислительные ресурсы по требованию, что делает высокопроизводительные вычисления более доступными.

The additional file for this article can be found as follows: