Modellering af afløbssystemer, Usikkerheder, stokastiske modeller ecipient og Sundhed • Udvikling af metoder til at assimilere målinger fra afløbssystemet i fysisk baserede modeller som Mike Urban samt at undersøge, hvorledes de assimilerede målinger påvirkes af diverse fejlkilder. • Stokastisk forecasts af regnvandsmængder i forbindelse med afløbsmodellering, herunder real time control. Dette gøres med Greybox modellering. ræsentation af det ambitiøse forskningsprojekt Storm- and Waste water Informatics SWI..

1. Modellering af afløbssystemer, usikkerheder,
stokastiske modeller
Peter Steen Mikkelsen, DTU Miljø, lektor
Morten Borup, DTU Miljø, ph.d. studerende
Roland Löwe, DTU Compute, ph.d. studerende
EVA temadag – Ude af øje, ude af sind, ude af kontrol
Danmarks Tekniske Universitet, 11. marts 2013
Aalborg Universitet, 13. marts 2013

2. Brug af modeller
modelinput ? … prediktér
?input output … forstå
modelinput output … kommunikér

3. 3
The model building exercise
priorknowledge
data
purpose
Framework Definition
Model Selection
ValidationValidation
Model
Parameter estimation
Slides lånt af: Prof. Peter Vanrolleghem,
gæsteprofessor på DTU Miljø, juni 12 – februar 13

4. 4
priorknowledge
data
Parameter estimation
purpose
Framework Definition
Model Selection
Validation
Model
The model building exercise

5. 5
priorknowledge
data
Parameter estimation
Chemistry
Physics
Economy
Politics
Biology
Karplus’ arc
The model building exercise

6. Traditionel modellering af afløbssystemer
og renseanlæg – og nogle nye værktøjer
Teori,aystemdata
On-linemålinger
MOUSE / MIKE
URBAN
RenseanlægAfløbsystemer
Ingen
modeller !
Water Aspects - Lumped
CTSM – Stokastisk
WEST - Processer
Open Foam - CFD

7. Distribueret vs. Lumped (sammenklumpet)
Mekanistisk vs. Konceptuel
Detaljeret vs. Simpel
Deterministisk vs. Stokastisk
Baseret på data om
systemet
vs. Baseret på observationer (on-line
målinger)
Kan undertiden benyttes
uden kalibrering
vs. Kræver altid kalibrering
Gode til planlægning
baseret på fysisk indsigt
vs. Gode til on-line formål, hvor hurtig
opdatering er vigtig
Typer af modeller

8. Data assimilering
state
variables
parameters
Input
Variables
1
Measured
Variables
2 3 4
Forecast
or
Output
Variables
state
variables
parameters
Input
Variables
11
Measured
Variables
22 33 44
Forecast
or
Output
VariablesNumerical Model Data
assimilation
procedure
• Forbedre startbetingelserne for en forecast model ved at
inddrage målinger frem til TOF (model opdatering)
• Reducere modellens prædiktionsfejl indenfor forecast perioden

9. Beregnet til
t1=t0+dT
Beregnet til t0
Målt til
t1=t0+dT
Beregnet
korrektion!
Opdatering af tilstande i afløbsmodeller, tidligt eksempel
Evaluering af eksisterende MOUSE
Update værktøj, nogen forecast skill
Tilsvarende værktøj udviklet til
MOUSE RDII, bedre forecast skill
Seneste udvikling, opdatering vha:
- Stokastiske GB modeller
- Ensemble Kalman filtrering i MU

10. Indhold
Peter
Morten
Roland
Morten
Roland
Indledning, om modeltyper og anvendelser
Om tidsforskudte og forkerte data ifm.
opdatering af modeller
Stokastisk flow forecasting for simple
hydrologiske modeller
Ensemble Kalman filtrering ifm. detaljerede
hydrauliske modeller
Eksempler på
• Brug af radar data ved stokastisk flow forecasting
• Brug af stokastiske flow forecasts ved realtidsstyring