Mô phỏng monte carlo là gì? Các công bố khoa học về Mô phỏng monte carlo
Mô phỏng Monte Carlo là một phương pháp tính toán dựa trên việc tạo ra các số ngẫu nhiên để mô phỏng và ước tính kết quả cho các vấn đề có thể có nhiều kết quả ...
Mô phỏng Monte Carlo là một phương pháp tính toán dựa trên việc tạo ra các số ngẫu nhiên để mô phỏng và ước tính kết quả cho các vấn đề có thể có nhiều kết quả khác nhau. Phương pháp này được đặt tên theo thành phố Monte Carlo ở Monaco, nơi có sòng bạc và các trò chơi may rủi phổ biến.
Trong mô phỏng Monte Carlo, một hệ thống cần được mô tả bằng một số thông tin cơ bản và một số loại số ngẫu nhiên được tạo ra để đại diện cho các biến không chắc chắn và các sự kiện ngẫu nhiên. Dựa trên các số ngẫu nhiên này, một số lượng lớn các mô phỏng được thực hiện để ước tính kết quả của hệ thống.
Việc lặp lại quá trình mô phỏng này hàng nghìn hoặc hàng triệu lần giúp chúng ta tiếp cận ước tính chính xác hơn về kết quả và phân tích các thống kê của hệ thống. Phương pháp mô phỏng Monte Carlo được sử dụng rộng rãi trong nhiều lĩnh vực như tài chính, phân tích rủi ro, vật lý và kỹ thuật.
Mô phỏng Monte Carlo là một phương pháp tính toán dựa trên việc tạo ra các số ngẫu nhiên để mô phỏng và ước tính kết quả cho các vấn đề phức tạp.
Phương pháp này được áp dụng trong các bài toán mà kết quả không thể tính toán chính xác và mức độ không chắc chắn. Thay vào đó, chúng ta tạo ra các số ngẫu nhiên để đại diện cho các biến không chắc chắn và mô phỏng các sự kiện ngẫu nhiên.
Cách thức hoạt động của mô phỏng Monte Carlo bao gồm các bước sau:
1. Định nghĩa vấn đề: Chúng ta xác định các thông số và biến liên quan đến vấn đề cần mô phỏng. Điều này thường bao gồm việc xác định các ràng buộc, các biến và mục tiêu của mô phỏng.
2. Tạo số ngẫu nhiên: Chúng ta tạo ra các số ngẫu nhiên thể hiện các biến không chắc chắn và các sự kiện ngẫu nhiên trong vấn đề. Điều này có thể được thực hiện bằng cách sử dụng các phương pháp như phân phối Gaussian (chuẩn) hoặc phân phối đều.
3. Thực hiện mô phỏng: Với các số ngẫu nhiên đã tạo, chúng ta thực hiện mô phỏng để ước tính kết quả của vấn đề. Mô phỏng này thường được thực hiện bằng cách lặp lại quy trình hoặc sử dụng các phương trình và quy tắc đã được xác định trước.
4. Tiến hành ước tính: Sau khi hoàn thành các mô phỏng, chúng ta sẽ thu thập dữ liệu và tính toán các kết quả thống kê của vấn đề. Điều này có thể là giá trị trung bình, độ lệch chuẩn, phần trăm, hay bất kỳ thống kê khác phù hợp với vấn đề cần giải quyết.
Mô phỏng Monte Carlo cho phép chúng ta ước tính kết quả và đánh giá tính không chắc chắn của các vấn đề phức tạp mà không cần tính toán chính xác. Nó cũng giúp chúng ta hiểu rõ hơn về biến đổi và thống kê của dữ liệu.
Danh sách công bố khoa học về chủ đề "mô phỏng monte carlo":
Một Phương Pháp Mô Hình Biến Khóa Tiềm Ẩn Bằng Phương Pháp Tối Thiểu Bình Phương Để Đo Lường Các Hiệu Ứng Tương Tác: Kết Quả Từ Nghiên Cứu Mô Phỏng Monte Carlo và Nghiên Cứu Cảm Xúc/Áp Dụng Thư Điện Tử Dịch bởi AI Khả năng phát hiện và ước lượng chính xác cường độ của các hiệu ứng tương tác là những vấn đề quan trọng có tính nền tảng trong nghiên cứu khoa học xã hội nói chung và nghiên cứu Hệ thống Thông tin (IS) nói riêng. Trong lĩnh vực IS, một phần lớn nghiên cứu đã được dành để xem xét các điều kiện và bối cảnh mà trong đó các mối quan hệ có thể thay đổi, thường dưới khung lý thuyết tình huống (xem McKeen et al. 1994, Weill và Olson 1989). Trong khảo sát của chúng tôi về các nghiên cứu như vậy, phần lớn không thể phát hiện hoặc cung cấp ước lượng về kích thước hiệu ứng. Trong các trường hợp mà kích thước hiệu ứng được ước tính, các số liệu thường nhỏ. Những kết quả này đã dẫn đến việc một số nhà nghiên cứu đặt câu hỏi về cả tính hữu ích của lý thuyết tình huống và sự cần thiết phải phát hiện các hiệu ứng tương tác (ví dụ, Weill và Olson 1989). Bài báo này giải quyết vấn đề này bằng cách cung cấp một phương pháp mô hình biến khóa tiềm ẩn mới có thể cung cấp các ước lượng chính xác hơn về các hiệu ứng tương tác bằng cách tính đến lỗi đo lường làm giảm xói mòn các mối quan hệ ước tính. Năng lực của phương pháp này trong việc phục hồi các hiệu ứng thực tế so với hồi quy tổng hợp được chứng minh qua một nghiên cứu Monte Carlo tạo ra một tập dữ liệu giả lập trong đó các hiệu ứng thực sự bên dưới được biết đến. Phân tích một tập dữ liệu thực nghiệm thứ hai cũng được bao gồm để chứng minh việc áp dụng kỹ thuật này trong lý thuyết IS. Trong phân tích thứ hai này, các hiệu ứng trực tiếp và tương tác đáng kể của sự thích thú đối với việc áp dụng thư điện tử được chỉ ra là tồn tại.
Information Systems Research - Tập 14 Số 2 - Trang 189-217 - 2003
Ước lượng hiệu quả các biến không thay đổi theo thời gian và hiếm khi thay đổi trong phân tích bảng mẫu hữu hạn với hiệu ứng cố định theo đơn vị Dịch bởi AI
Political Analysis - Tập 15 Số 2 - Trang 124-139 - 2007
Bài báo này đề xuất một quy trình ba giai đoạn để ước lượng các biến không thay đổi theo thời gian và hiếm khi thay đổi trong các mô hình dữ liệu bảng có hiệu ứng đơn vị. Giai đoạn đầu tiên của ước lượng đề xuất chạy một mô hình hiệu ứng cố định để thu được các hiệu ứng đơn vị, giai đoạn thứ hai phân tách các hiệu ứng đơn vị thành một phần được giải thích bởi các biến không thay đổi theo thời gian và/hoặc hiếm khi thay đổi và một hạng mục sai số, và giai đoạn thứ ba tái ước tính giai đoạn đầu tiên bằng phương pháp OLS kết hợp (với hoặc không có điều chỉnh tự tương quan và với hoặc không có SE điều chỉnh theo bảng) bao gồm các biến không thay đổi theo thời gian cùng với hạng mục sai số ở giai đoạn 2, từ đó giải thích cho phần không được giải thích của các hiệu ứng đơn vị. Chúng tôi sử dụng các mô phỏng Monte Carlo để so sánh các tính chất mẫu hữu hạn của ước lượng của chúng tôi với các tính chất mẫu hữu hạn của các ước lượng cạnh tranh. Qua đó, chúng tôi chứng minh rằng kỹ thuật được đề xuất của chúng tôi cung cấp các ước lượng đáng tin cậy nhất dưới một loạt các đặc điểm thường gặp trong dữ liệu thực tế.
#biến không thay đổi theo thời gian #hiệu ứng cố định #ước lượng OLS #mô hình dữ liệu bảng #mô phỏng Monte Carlo
So sánh các phương pháp để tính đến tự tương quan trong phân tích tương quan dữ liệu cá Dịch bởi AI Tự tương quan trong tuyển cá và dữ liệu môi trường có thể làm phức tạp sự suy diễn thống kê trong các phân tích tương quan. Để giải quyết vấn đề này, các nhà nghiên cứu thường điều chỉnh các thủ tục kiểm định giả thuyết (ví dụ: điều chỉnh bậc tự do) để tính đến tự tương quan hoặc loại bỏ tự tương quan bằng cách tiền làm trắng hoặc chênh lệch lần đầu trước khi phân tích. Tuy nhiên, hiệu quả của các phương pháp điều chỉnh thủ tục kiểm định giả thuyết vẫn chưa được nghiên cứu đầy đủ một cách định lượng. Do đó, chúng tôi đã so sánh một số phương pháp điều chỉnh thông qua mô phỏng Monte Carlo và phát hiện rằng một phiên bản sửa đổi của các phương pháp này giữ tỷ lệ lỗi loại I gần với . Ngược lại, các phương pháp loại bỏ tự tương quan kiểm soát tốt tỷ lệ lỗi loại I nhưng có thể trong một số trường hợp làm tăng tỷ lệ lỗi loại II (xác suất không phát hiện được một số ảnh hưởng từ môi trường) và do đó giảm sức mạnh thống kê, so với việc điều chỉnh quy trình kiểm tra. Cụ thể, các mô phỏng Monte Carlo của chúng tôi cho thấy rằng tiền làm trắng và đặc biệt là chênh lệch lần đầu làm giảm sức mạnh trong các tình huống phổ biến, khi các quá trình tần số thấp (thay đổi chậm) là những nguồn quan trọng của sự tương quan trong tuyển cá hoặc trong các biến môi trường. Ngược lại, việc loại bỏ tự tương quan có thể gia tăng sức mạnh khi các quá trình tần số thấp chỉ chiếm một phần sự tương quan. Vì vậy, chúng tôi khuyên các nhà nghiên cứu nên xem xét cẩn thận tầm quan trọng của các thang thời gian khác nhau của biến động khi phân tích dữ liệu có tự tương quan.
Canadian Journal of Fisheries and Aquatic Sciences - Tập 55 Số 9 - Trang 2127-2140 - 1998
#tự tương quan #phân tích tương quan #dữ liệu cá #kiểm định giả thuyết #mô phỏng Monte Carlo
Tính chất của các bài kiểm tra phụ thuộc không gian trong mô hình hồi quy tuyến tính Dịch bởi AI Dựa trên một số lượng lớn các thí nghiệm mô phỏng Monte Carlo trên một mạng lưới đều đặn, chúng tôi so sánh các tính chất của kiểm tra Moran's I và kiểm tra nhân tử Lagrange đối với phụ thuộc không gian, tức là đối với cả tự tương quan lỗi không gian và biến phụ thuộc được suy rộng không gian. Chúng tôi xem xét cả độ chệch và sức mạnh của các bài kiểm tra cho sáu cỡ mẫu, từ hai mươi lăm đến 225 quan sát, cho các cấu trúc khác nhau của ma trận trọng số không gian, cho nhiều phân bố lỗi bên dưới, cho các ma trận trọng số được chỉ định sai, và cho tình huống khi có hiệu ứng ranh giới. Kết quả cung cấp chỉ số về các cỡ mẫu mà các tính chất tiệm cận của các bài kiểm tra có thể được xem là có hiệu lực. Chúng cũng minh họa sức mạnh của các bài kiểm tra nhân tử Lagrange để phân biệt giữa phụ thuộc không gian thực chất (trễ không gian) và phụ thuộc không gian như một phiền nhiễu (tự tương quan lỗi).
Geographical Analysis - Tập 23 Số 2 - Trang 112-131 - 1991
#Moran's I #nhân tử Lagrange #phụ thuộc không gian #tự tương quan lỗi #trễ không gian #ma trận trọng số không gian #mô phỏng Monte Carlo #mô hình hồi quy tuyến tính #hiệu ứng ranh giới
Ảnh hưởng của phân chia dữ liệu đến hiệu suất của các mô hình học máy trong dự đoán độ bền cắt của đất Dịch bởi AI Mục tiêu chính của nghiên cứu này là đánh giá và so sánh hiệu suất của các thuật toán học máy (ML) khác nhau, cụ thể là Mạng Nơron Nhân Tạo (ANN), Máy Học Tăng Cường (ELM) và thuật toán Cây Tăng Cường (Boosted), khi xem xét ảnh hưởng của các tỷ lệ đào tạo đối với kiểm tra trong việc dự đoán độ bền cắt của đất, một trong những tính chất kỹ thuật địa chất quan trọng nhất trong thiết kế và xây dựng công trình. Để thực hiện điều này, một cơ sở dữ liệu gồm 538 mẫu đất thu thập từ dự án nhà máy điện Long Phú 1, Việt Nam, đã được sử dụng để tạo ra các bộ dữ liệu cho quá trình mô hình hóa. Các tỷ lệ khác nhau (tức là 10/90, 20/80, 30/70, 40/60, 50/50, 60/40, 70/30, 80/20, và 90/10) đã được sử dụng để chia bộ dữ liệu thành bộ dữ liệu đào tạo và kiểm tra nhằm đánh giá hiệu suất của các mô hình. Các chỉ số thống kê phổ biến, chẳng hạn như Lỗi Bình Phương Trung Bình (RMSE), Lỗi Tuyệt Đối Trung Bình (MAE) và Hệ Số Tương Quan (R), đã được sử dụng để đánh giá khả năng dự báo của các mô hình dưới các tỷ lệ đào tạo và kiểm tra khác nhau. Ngoài ra, mô phỏng Monte Carlo đã được thực hiện đồng thời để đánh giá hiệu suất của các mô hình đề xuất, có tính đến ảnh hưởng của lấy mẫu ngẫu nhiên. Kết quả cho thấy mặc dù cả ba mô hình ML đều hoạt động tốt, nhưng ANN là mô hình chính xác nhất và ổn định nhất về mặt thống kê sau 1000 lần mô phỏng Monte Carlo (R Trung Bình = 0.9348) so với các mô hình khác như Boosted (R Trung Bình = 0.9192) và ELM (R Trung Bình = 0.8703). Điều tra về hiệu suất của các mô hình cho thấy khả năng dự báo của các mô hình ML bị ảnh hưởng lớn bởi các tỷ lệ đào tạo/kiểm tra, trong đó tỷ lệ 70/30 thể hiện hiệu suất tốt nhất của các mô hình. Một cách ngắn gọn, kết quả được trình bày ở đây thể hiện một cách thức hiệu quả trong việc lựa chọn các tỷ lệ dữ liệu phù hợp và mô hình ML tốt nhất để dự đoán chính xác độ bền cắt của đất, điều này sẽ hữu ích trong các giai đoạn thiết kế và kỹ thuật của các dự án xây dựng.
Mathematical Problems in Engineering - Tập 2021 - Trang 1-15 - 2021
#Học máy #độ bền cắt của đất #Mạng Nơron Nhân Tạo #Máy Học Tăng Cường #thuật toán Cây Tăng Cường #mô phỏng Monte Carlo #địa chất công trình #phân chia dữ liệu #chỉ số thống kê #kỹ thuật dân dụng
Khảo sát đặc trưng phổ gamma để đánh giá tính chính xác của mô hình mô phỏng Monte Carlo đối với đầu dò nhấp nháy NaI(Tl)
Nghiên cứu này được thực hiện nhằm mục đích đánh giá sự phù hợp của mô hình mô phỏng Monte Carlo dùng trong chương trình MCNP với thực nghiệm. Để tăng độ tin cậy của mô hình mô phỏng, bên cạnh các đặc trưng như dạng đáp ứng của phổ và hiệu suất đỉnh hấp thụ năng lượng toàn phần đã khảo sát trong nghiên cứu trước đây, chúng tôi tiếp tục đánh giá các đặc trưng phổ khác bao gồm độ phân giải năng lượng (R(E)) và tỉ số đỉnh trên Compton (R PC ). Kết quả cho thấy, đối với độ phân giải năng lượng có sự phù hợp rất tốt giữa mô phỏng và thực nghiệm với độ lệch tương đối không vượt quá 3,59% trong khi đó giá trị này đối với tỉ số đỉnh trên Compton là 5,58%. Kết quả này khẳng định tính tin cậy của mô hình mô phỏng mà chúng tôi đã đưa ra. Normal 0 false false false EN-US X-NONE X-NONE
/* Style Definitions */
table.MsoNormalTable
{mso-style-name:"Table Normal";
mso-tstyle-rowband-size:0;
mso-tstyle-colband-size:0;
mso-style-noshow:yes;
mso-style-priority:99;
mso-style-parent:"";
mso-padding-alt:0cm 5.4pt 0cm 5.4pt;
mso-para-margin:0cm;
mso-para-margin-bottom:.0001pt;
mso-pagination:widow-orphan;
font-size:10.0pt;
font-family:"Times New Roman","serif";}
#độ phân giải năng lượng #tỉ số đỉnh trên Compton #đầu dò NaI(Tl).
Ảnh hưởng của sự suy giảm hệ số khuếch tán clorua đến tuổi thọ của kết cấu bê tông dựa trên phân tích xác suất
Hiện nay có nhiều mô hình tính toán tuổi thọ của kết cấu bê tông cốt thép ở môi trường chứa clorua. Các mô hình này đều dựa trên Định luật khuếch tán thứ hai của Fick, trong đó, tham số quan trọng thể hiện sức kháng của bê tông với xâm nhập clorua từ môi trường bên ngoài là hệ số khuếch tán clorua D(t). Hầu hết các mô hình tính toán tuổi thọ đều cho rằng hệ số D(t) suy giảm theo thời gian, tuy nhiên, sự suy giảm của D(t) theo thời gian trong các mô hình là không nhất quán. Bài báo này phân tích ảnh hưởng của sự suy giảm hệ số D(t) của bê tông theo thời gian đến xác suất sự cố ăn mòn cốt thép dựa trên mô phỏng Monte Carlo. Đồng thời, ảnh hưởng của chiều dày lớp bê tông bảo vệ đến xác suất sự cố ăn mòn cốt thép cũng được xem xét.
#Hệ số khuếch tán clorua #kết cấu bê tông #xâm nhập clorua #mô phỏng Monte Carlo #xác suất sự cố ăn mòn
Mô phỏng Monte Carlo về hiệu suất hệ thống của máy PET trường nhìn trục dài dựa trên các cảm biến LYSO đơn khối Dịch bởi AI Tóm tắt
Đặt vấn đề
Trước những thành tựu đạt được trong thiết kế PET cho đến nay, việc cải thiện độ nhạy hơn nữa nhằm tối ưu hóa các yếu tố như liều lượng, thông lượng và phát hiện các tổn thương nhỏ. Mặc dù đã lắp đặt một số hệ thống PET trường nhìn trục dài (aFOV) dựa trên các cảm biến pixel hóa, nhưng các cảm biến scintillation đơn khối gần đây đã thu hút được sự chú ý tăng lên nhờ khả năng tương tác độ sâu và độ phân giải nội tại vượt trội. Vì vậy, mục tiêu của công việc này là trình bày và đánh giá hiệu suất của hai thiết kế máy quét PET dựa trên LYSO với trường nhìn trục dài.
Phương pháp
Phần mềm Geant4 Application for Tomographic Emission (GATE) v9.1 được sử dụng để thực hiện các mô phỏng. Các thiết kế máy quét A và B có trường nhìn thẳng đứng aFOV lần lượt là 36.2 cm (7 vòng) và 72.6 cm (14 vòng), với 40 mô-đun cảm biến mỗi vòng và một đường kính lỗ 70 cm. Mỗi mô-đun là một tinh thể LYSO đơn khối kích thước 50 × 50 × 16 mm3 . Độ nhạy, tỷ lệ đếm tương đương tiếng ồn (NECR), tỷ lệ tán xạ, độ phân giải không gian và các bài kiểm tra chất lượng hình ảnh được tiến hành dựa trên tiêu chuẩn NEMA NU-2018.
Kết quả
Độ nhạy của thiết kế A được tính là 29.2 kcps/MBq ở trung tâm và 27 kcps/MBq ở khoảng cách 10 cm theo hướng bán kính; tương tự, độ nhạy của thiết kế B được tìm thấy là 106.8 kcps/MBq và 98.3 kcps/MBq ở khoảng cách 10 cm theo hướng bán kính. Các đỉnh NECR đạt được ở nồng độ hoạt động vượt quá phạm vi hoạt động được sử dụng cho các nghiên cứu lâm sàng. Về độ phân giải không gian, các giá trị cho các nguồn điểm đều dưới 2 mm đối với độ cao tối thiểu theo hướng bán kính, tang và trục. Hệ số hồi phục độ tương phản dao động từ 53% cho thiết kế B và tỷ lệ tương phản 4:1 đến 90% cho thiết kế A và tỷ lệ 8:1, với sự biến động nền tương đối thấp.
Kết luận
Thiết kế PET với aFOV dài hơn sử dụng LYSO đơn khối có độ phân giải không gian vượt trội hơn so với các máy quét toàn thân PET (TB-PET) pixel hóa hiện tại. Các hệ thống này kết hợp độ nhạy cao với độ hồi phục tương phản được cải thiện.
EJNMMI Physics -
KHẢO SÁT ĐẶC TÍNH CỦA ĐẦU DÒ NHẤP NHÁY PVT THỂ TÍCH LỚN LẮP ĐẶT TRÊN CỔNG GIÁM SÁT PHÓNG XẠ SỬ DỤNG MÔ PHỎNG MONTE CARLO
Bài báo này trình bày quá trình sử dụng mô phỏng Monte Carlo (MCNP5) nhằm xác định các đặc tính của đầu dò nhấp nháy Polyvinyl Toluence (PVT) thể tích lớn thông việc xác định phổ năng lượng sử dụng nguồn đồng vị 137Cs, hiệu suất ghi tuyệt đối trong dải năng lượng 50 ÷ 3000 keV và xác định đáp ứng góc của detector PVT 50×50×5 cm3 và 25×25×5 cm3. Phổ năng lượng thu được từ quá trình mô phỏng phù hợp tốt với kết quả đo thực nghiệm. Kết quả xác định hiệu suất ghi tuyệt đối cho thấy detector PVT 50×50×5 cm3 và 25×25×5 cm3 có hiệu suất ghi lần lượt là 16,3% và 9,2% tại khoảng cách đặt nguồn 10 cm và giảm xuống 0,6% và 0,17% tại khoảng cách 100 cm. Kết quả khảo sát sự phụ thuộc của hiệu suất ghi theo góc cho thấy giá trị hiệu suất ghi đạt ≥ 90% hiệu suất ghi cực đại với góc đặt nguồn ≤ 5π/6. Các kết quả nghiên cứu có thể áp dụng trong quá trình tối ưu hóa thiết kế các cổng giám sát phóng xạ sử dụng detector plastic kích thước lớn.
#Radiation portal monitors (RPMs); Scintillation detectors; Monte Carlo simulation method.
Ứng dụng thuật toán Metropolis – Hasting của phương pháp xích Markov Monte Carlo trong phân tích độ tin cậy
Trong phân tích độ tin cậy, phương pháp mô phỏng Monte Carlo (MCS) cung cấp một công cụ đơn giản và mạnh mẽ để ước lượng xác suất phá hủy kết cấu, không phụ thuộc vào độ phức tạp của hàm trạng thái phá hủy kết cấu. Tuy nhiên không thích hợp cho việc tính toán các xác suất bé, bởi vì cần số lượng mẫu lớn và khi đó số lượng phân tích kết cấu cần thiết sẽ lớn. Một phương pháp tiên tiến hơn là xích Markov Monte Carlo (MCMC) có thể bù đắp cho nhược điểm này. Bài viết này trình bày ứng dụng của Markov Chain phương pháp Monte Carlo (MCMC) dựa trên thuật toán Metropolis-Hastings để phân tích độ tin cậy của kết cấu với các tham số không chắc chắn. Bài báo sẽ minh chứng khả năng áp dụng phương pháp thông qua hai ví dụ đơn giản. Cuối cùng, sự so sánh giữa hai phương pháp MCS và MCMC được thực hiện để tính xác suất phá hủy của hệ một bậc tự do phi tuyến chịu tác động của các gia tốc nền động đất được mô phỏng bởi mô hình Boore
#mô phỏng Monte Carlo #xích Markov Monte Carlo #thuật toán Metropolis-Hastings #độ tin cậy #động đất
Tổng số: 108
- 1
- 2
- 3
- 4
- 5
- 6
- 10