ESTIMASI PARAMETER

Tujuan dari permodelan didefinisikan sebagai prediksi dalam pengertian umum. Model menunjukkan bagaimana lingkungan sistem berkembang, mulai dari keadaan awal, dibatasi oleh beberapa kondisi batas dibawah asumsi bahwa beberapa parameter dapat ditentukan dan diketahui. Sebagian besar, sebelum dapat memulai setiap prediksi, parameter berubah menjadi sebuah masalah: nilai untuk parameter perlu diketahui. Ada beberapa cara untuk memperoleh nilai parameter. Dapat diambil dari literature. Dapat berupa konstanta yang diketahui : percepatan gravitasi (=9.807 m2/s), contohnya, dapat diperlakukan sebagai konstanta dalam persoalan lingkungan. Nilainya dapat diambil dari tabel: data termodinamika diperoleh dari tabel uap, contohnya konstanta reaksi dapat ditemukan dari data base yang bersangkutan. Dalam beberapa kondisi, nilai parameter dapat diperoleh dari eksperiment, contohnya lingkungan yang dikontrol yang sama dengan kondisi di lapangan. Beberapa parameter hanya dapat diukur secara langsung pada satu tempat, seperti perubahan spasial, suhu , waktu dan lainya. Setelah memanfaatkan semua kemungkinan ini, mungkin masih ada beberapa parameter tertinggal. Ini harus ditentukan dengan estimasi parameter. Estimasi parameter dapat dilakukan menggunakan model tersebut atau untuk set-up eksperimental yang dirancang secara khusus. Ketika pengamatan dari satu atau lebih variabel yang tersedia, modelnya dapat dijalankan dengan berbagai nilai parameter untuk check, yang nilai parameternya sesuai dengan pengamatan. Mengikuti prosedur, peran asli dari parameter dan variabel ditukar: sekarang parameter tidak

81

diketahui sedangkan varibel dikenal. Untuk itu alasanya fitting parameter dinamakan permodelan inversi.

Tabel 3.1 contoh kumpulan data dari percobaan sekelompok microcystin Waktu (h) Konsentrasi ( 0.25 0.9405 1 0.5537 2 0.3994 4 0.1509 8 0.0592

Contoh 10.1. MMicrosystins (MCYST) merupakan kumpulan dari zat beracun yang diproduksi oleh cyanobacteria (algae-biru-hijau). Pada kasus mekarnya cyanobakteri konsentrasi microcystin pada permukaan air dapat mencapai nilai jauh diatas nilai yang diperbolehkan oleh WHO untuk air minum 1 untuk MCYST-LR. Ketika sumur dipasang dekat tepi sungai atau danau, bagian dari air yang dipompa berasal dari air permukaan, yang disebut filtrat Bank. Ketika filtrat Bank digunakan untuk air minum, harus dipastikan bahwa konsentrasi dalam air dipompa dari bawah ambang batas. Untuk alasan ini, penting untuk memahami proses penyerapan dan degradasi selama perjalanan dari Bank penyaringan air bawah permukaan. Batch percobaan menggunakan air permukaan dan karakteristik bahan berpori adalah pendekatan pertama seperti tinjauan. Dalam banyak eksperimen microcystin, yang larut pada air, dan dikontakan pada sedimen berpori. Konsentrasi original adalah 1 . Pada sedimen air microsystin merupakan subjek sorpsi dan biodegradasi. Untuk memperoleh factor retardasi dan laju degradasi banyak eksperimen dapat dijalankan. Penurunan konsentrasi telah terukur pada beberapa waktu saat pertama kontak.

82

3.1 Polinomial Curve Fitting

Untuk menggambarkan konsep dasar pemodelan invers, pertama kita fokus pada situasi yang sederhana, di mana variabel dependen mematuhi formula analitis sehubungan dengan waktu . Bayangkan variabel dependen menjadi konsentrasi polutan. Pembaca mungkin berpikir sebagai waktu. Untuk pendekatan pertama

bahkan diasumsikan bahwa formula ini adalah polinomial. Koefisien dari polinomial, yang terhubung dengan parameter, tidak diketahui dan harus ditentukan oleh prosedur pemodelan inversi. Yang paling cocok adalah polinomial (diwakili oleh satu set koefisien yang merupakan parameter), deviasi antara nilai yang diberikan dan nilai-nilai model minim.

3.2 Eksponensial Curve Fitting

Pada sistem lingkungan eksponensial fit seringkali lebih sesuai dibandingkan polynomial fit. Umumnya terdapat beberapa alasan solusi memiliki bentuk eksponensial. ( ( (3.1.1)

3.3 Estimasi Parameter dengan Penurunan

MATLAB menawarkan kemungkinan untuk menemukan fit eksponensial yang terbaik oleh prosedur lain. Memperkecil norm dari faktor residu: || || ( ( ) (3.1.2)

Operasi akar kuadrat dalam rumus tidak mengubah hasil dan dapat diabaikan. Dengan demikian, hasil tersebut juga dapat dirumuskan tanpa akar kuadrat-:

83

tujuannya adalah untuk meminimalkan nilai parameter : ( ( (

yang dipahami sebagai fungsi dari

(3.1.3)

Perhatikan bahwa c juga dipahami sebagai fungsi dari parameter . Kondisi yang diperlukan untuk nilai minimum adalah bahwa penurunan dari menjadi 0 : ( ( ) ) ( ) (3.1.4) untuk

Secara jelas nilai 2 diatas (3.1.4) dapat dihilangkan. Faktor terakhir dapat diperoleh dari (10.2), ( Mengarah ke perumusan berikutnya dari kondisi: ( ( ) ) ( ) (3.1.6) (3.1.5)

Menggunakan notasi vector, perumusan terakhir dapat ditulis juga: ( ) ( ( ( ( ) ) ) ( ) (3.1.7) (3.1.8)

Nilai 2 dapat dihilangkan. Evaluasi dari factor terakhir membuat kondisi: ( ( ) ) ( ) (3.1.9)

84

Gambar 3.1 Fit eksponensial untuk dan c0

Contoh Evaluasi: Bagi banyak zat dalam kompartemen lingkungan dapat diasumsikan bahwa proses penyerapan lebih cepat daripada proses degradasi. Jika ini benar, penurunan pertama dari konsentrasi ke konsentrasi original cref dalam larutan (dalam contoh l 1 ) dengan nilai dapat dikaitkan dengan penyerapan: bagian dari total massa

yang tersedia melekat pada permukaan bahan berpori. Mengamati penurunan lambat sesudahnya karena proses degradasi. Mengenai degradasi dapat diasumsikan karakteristik degradasi linier (Bab 5.). Temporal pengembangan sistem dapat dijelaskan oleh persamaan diferensial: (3.1.10)

85

Perhatikan bahwa faktor keterbelakangan menghilang,

sebagai koefisien dalam

dua istilah yang relevan dalam persamaan. Solusi dari persamaan diferensial adalah ( Untuk konsentrasi awal ( (3.1.11)

. Laju degradasi dapat langsung diperoleh dari optimasi

set parameter. Parameter sorpsi

(3.1.12) Berdasarkan formula (3.1.12), microcystin memiliki nilai retardasi R =1.2

3.5 Fitting Parameter Trasport

Algoritma yang telah dijelaskan juga dapat diterapkan untuk mengestimasi parameter-parameter transportasi. Berikut ditampilkan untuk transportasi 1D seperti yang dijelaskan oleh solusi Ogata-Bank: ( (( ( )) ( ) ( ))

(3.1.13)

Situasi ini diperiksa di mana kecepatan

adalah parameter yang paling

dikenal. Situasi seperti ini dapat ditemui cukup sering dalam deskripsi sistem lingkungan. Untuk menerapkan prosedur yang diperkenalkan di atas, derivatif dari solusi kecepatan dibutuhkan. Turunan dari fungsi kesalahan pelengkap diberikan oleh ( Dengan aturan rantai menghasilkan: ( (3.1.14)

86

( )

) ) ) ) ( ) ( ) (3.1.15)

( (

Persamaan yang diperoleh diimplementasikan program. Seperti dalam contoh disebutkan, pengukuran diwakili dalam dua vektor diukur pada waktu setelah dimulainya migrasi. inflow. dan . Mereka diasumsikan

menunjukkan difusivitas relevan,

adalah konsentrasi awal dan

Algoritma ditampilkan untuk konsentrasi klorida misalnya diukur dalam inti sedimen Laut Marmara (Pekdeger 2006). Hal ini diasumsikan bahwa profil konsentrasi, seperti yang diamati saat ini, hasil dari interaksi dua proses. Lapisan sedimen senyawa sedimentasi. Untuk kesederhanaan diasumsikan laju sedimentasi yang konstan sesuai dengan kecepatan sedimentasi . Proses kedua adalah difusi. Ketika tidak ada perbedaan horisontal dalam variabel atau parameter, deskripsi 1D dapat digunakan. Sedimen antarmuka air dikurangi menjadi satu posisi. Satu dapat memilih asal untuk diletakan pada antarmuka sedimen air untuk simulasi lengkap. Perhatikan bahwa titik ini bergerak dalam sistem koordinat tetap untuk bumi, tapi itu tidak mengubah keabsahan persamaan diferensial. Perubahan dalam profil konsentrasi dapat dijelaskan oleh persamaan transportasi yang biasa dengan difusivitas efektif dan sedimentasi positif kecepatan .

3.6 Prosedur Umum

Prosedur pencarian nol yang dijelaskan untuk menghitung pencocokan yang optimal juga dapat diterapkan untuk parameter persamaan diferensial, yaitu jika solusi tersebut tidak diberikan oleh rumus eksplisit seperti pada contoh dirawat di atas. Nilai untuk difusi ditentukan dalam contoh demonstrasi baru, (1) dengan menggunakan rumus analitik, dan (2) dengan menggunakan persamaan diferensial.

87

Contoh: Estimasi Difusifitas Sistem lingkungan dianggap dengan dua proses yang mengatur distribusi spesies (bio) kimia. Untuk tetap sederhana, kita memeriksa sebuah 1-dimensi set-up. Ada dua reservoir dipisahkan oleh penghalang. Penghalang tidak memungkinkan aliran fluida, tetapi spesies kimia yang dapat menembus berarti dengan proses difusi. Kekuatan pendorong untuk difusi adalah fakta bahwa kedua reservoir memiliki berbagai tingkat konsentrasi . Selain itu, ada sumber konstan atau sink untuk spesies diperiksa: itu diproduksi atau dikonsumsi melalui penghalang dengan laju yang konstan . persamaan diferensial untuk keadaan tunak sistem adalah: ( Difusivitas ) (3.1.16)

dapat diestimasikan berdasarkan pengukuran terhadap

penghalang. Kondisi untuk estimasi terbaik adalah dengan meminimalkan fungsi . ( ( Seperti pada tugas sebelumnya mempertimbangkan penurunan terbaik: ( ( Penurunan ) ) ( ) (3.1.18) ) ) (3.1.17)

permasalahan diselesaikan dengan

, yang harus dibuat 0 untuk fit difusivitas yang

, yang muncul pada (3.1.18), memenuhi persamaan diferensial

yang diperoleh dari penurunan (3.1.16) dengan memperhitungkan : ( Atau, kembali memperhitungkan (3.1.16): ( ) (3.1.20) ) (3.1.19)

88

Untuk melakukan percobaan pendekatan kita dapat mengerjakannya dengan solusi analitik dari (3.1.16) dan (3.1.20). Solusi umum untuk yang diberikan oleh: ( Dengan syarat batas ( Diperoleh: dan dan ( (3.1.22) (3.1.21)

. Sekilas, solusi umum dari (3.1.20) diberikan oleh: ( (3.1.23) diperoleh

Sebagai syarat Dirichlet untuk di batas kiri adalah independen dari kondisi batas ( Kondisi kedua mengikuti aturan rantai diberikan oleh (3.1.22). Mengikuti dan dan (

(3.1.24)

( ) ( ) dan syarat batas kedua . (3.1.25)

(3.1.26)

Dua fungsi guess1 dan guess memberikan tebakan awal untuk kedua fungsi memenuhi kondisi batas. Output grafis yang dihasilkan dari algoritma ini adalah identik dengan Gambar. 3,2. Telah ditunjukkan bahwa prosedur, menggunakan solusi dari persamaan diferensial dalam modul-fzero, berlaku untuk estimasi parameter dalam situasi di mana rumus eksplisit untuk solusi tidak tersedia. Kami memilih satu dimensi set-up sebagai contoh demonstrasi dan harus memecahkan masalah batas nilai untuk persamaan diferensial biasa. Namun, konsep yang sama

89

dapat diterapkan untuk lebih umum set-up, stabil atau goyah, dalam satu atau lebih dimensi ruang. Secara umum, solusi dari persamaan diferensial parsial yang diperlukan di nol-algoritma pencarian.

Gambar 3.2 Fit yang optimal untuk contoh persoalan estimasi difusivitas

90