4. Алгоритмизация математической модели

Следующим этапом моделирования является алгоритмизация разработанной математической модели и выбор метода ее решения. В случае достаточно простых процессов описывающая их система уравнений может быть решена аналитически. Когда же математическая модель представляет собой сложную систему дифференциальных уравнений, выбор эффективного алгоритма решения приобретает большое значение. При выборе метода решения необходимо учитывать многие факторы: тип уравнений, входящих в систему математического описания модели (обыкновенные дифференциальные уравнения, дифференциальные уравнения в частных производных и т. п.), размерность задачи и т.п. Таким образом, на данном этапе следует выбрать общий подход к решению задачи и определить совокупность критериев, которым должна удовлетворять полученная система уравнений модели. Кроме того, здесь же необходимо провести анализ задачи (математический и физический), который должен подтвердить существование и единственность решения.

После того как составлено полное математическое описание модели, выбирают метод решения, который представляется наиболее приемлемым, разрабатывают его во всех деталях и записывают в виде алгоритма. Затем алгоритм нужно изложить на одном из языков программирования (фортран, бейсик, паскаль и др.), т. е. составить программу для ЭВМ.

5. Параметрическая идентификация модели

Под параметрами математической модели понимают коэффициенты, которые учитывают те или иные особенности объекта-натуры и характеризуют свойства данной натуры, отличающие ее от других натур подобного класса. Поэтому чем больше параметров входит в модель, тем подробнее и точнее удается описать и охарактеризовать данную натуру. Однако многопараметрические математические модели имеют и существенные недостатки: это прежде всего трудность обработки таких моделей и высокая чувствительность к экспериментальным ошибкам. Может возникнуть такая ситуация, когда вследствие недостаточно высокой точности эксперимента физический смысл модели может быть потерян, хотя модель в целом будет давать достаточно точное совпадение с экспериментальными данными. Это происходит потому, что ошибки в величинах разных параметров взаимно компенсируются. При этом количественное описание натуры в определенных интервалах переменных остается пригодным, но физический смысл модели искажается и параметры модели получают смысл подгоночных параметров, назначение которых сводится к приведению в соответствие экспериментальных данных и модели. Часто некоторые параметры модели неизвестны, и оценить их значение можно только с помощью дополнительных экспериментов, т. е. в этом случае необходимо провести параметрическую идентификацию модели.

6. Проверка адекватности математической модели

Объективным критерием качества моделей является их адекватность или степень приближения данных, прогнозируемых по модели, к экспериментальным данным. Для проверки адекватности математической модели реальному процессу необходимо сравнить наблюдаемые в ходе эксперимента величины с прогнозами по модели при определенных параметрах процесса. Обычно это сравнение осуществляется путем проверки некоторой статистической гипотезы.