Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 2. szám
56 Hidrológiai Közlöny 2020. 100. évf. 2. sz. Míg a vezetőképesség értékei az esetek nagy részében jól közelíthetők, a tározási paramétereket illetően kevesebb adat áll rendelkezésre, kevesebb az ilyen irányú hidraulikai teszt, és emiatt nagyobb az adatok bizonytalansága. A tranziens modellek — az egyéb tényezők mellett — tehát jóval több bizonytalanságot hordoznak, mint a stacionárius szimulációk. Kezdeti és peremfeltételek megadása A realisztikus kezdeti feltételek permanens szimulációk esetén a megoldási algoritmust segítik, de nem befolyásolják a modell eredményét, mindössze gyorsabb futtatási időt eredményeznek. Tranziens szimulációk esetén a kezdeti feltételek a modellezett változások kiinduló pontját jelentik, így nagyban megszabják a modell eredményeket. A legtöbb esetben kezdeti feltételnek a természetes állapotra számított permanens modell eredményeit alkalmazzuk, hiszen minden egyéb potenciál-eloszlás (pl. mért adatokból interpolált) belső inkonzisztenciát hordoz, és torz modell eredményekhez vagy a numerikus megoldás sikertelenségéhez vezethet. Fontos tehát olyan időszak kijelölése, amikor a termelések vagy elhanyagolhatók vagy állandóak voltak, és feltételezhető volt a rendszer kvázi-permanens állapota. A permanens modell kalibrációt érdemes ilyen időszakra elvégezni, és a tranziens szimulációt innen indítani. A peremfeltételek megfelelő megválasztása csak helyesen megalkotott koncepcionális modell és a szükséges adatok rendelkezésre állása esetén lehetséges. Mindig törekedni kell a természetes peremfeltételek alkalmazására, és arra, hogy ne „definiáljuk túl” a modellt. Egy négyszögletes modell terület, amely konstans potenciál peremfeltételekkel van körülhatárolva értelemszerűen érzéketlen lesz a hidraulikai paraméterekre, és emiatt előrejelzésekre sem használható megbízhatóan. A peremfeltételeknek három alapvető fajtája van: 1. típusú peremfeltétel: Dirichlet vagy potenciál perem. Ez a leggyakrabban alkalmazott peremfeltétel, mivel a potenciál könnyen mérhető. Ismert potenciálú helyeken (pl. folyó, forrás, tó stb.) alkalmazzuk. 2. típusú peremfeltétel: Neumann vagy fluxus perem: Itt a peremen átfolyó fluxust definiáljuk. Amennyiben nincs a peremen átfolyó fluxus, szintén ezt a peremfeltételt alkalmazzuk, vagyis „vízzárónak” feltételezzük az adott perem szakaszt. Ilyen peremet alkalmazunk pl. vízválasztónak feltételezett zónákban, vízrekesztő képződmények mentén, ismert hozamú zónákban. 3. típusú peremfeltétel: Cauchy vagy kombinált potenciál és gradiens perem. Ebben az esetben mind a potenciált, mind pedig a gradienst definiáljuk, ami egy konduktancia paraméter megadásán keresztül történik. Ilyen típusú peremfeltételt tartalmaznak a LAKE, DRAIN, RIVER stb. peremfeltételek. Modell kalibráció A modell kalibráció a modellezési folyamat legkritikusabb és legidőigényesebb fázisa. Ennek során a modelleredményeket összevetjük a mért potenciálszintekkel, vagy hozamokkal és a modell paramétereket — illetve a kalibráció korai fázisában akár a peremfeltételeket — módosítjuk, hogy a modell eredményeket a mérésekhez minél közelebb hozzuk. A kalibráció nagymértékben függ a rendelkezésre álló adatok mennyiségétől, területi elhelyezkedésétől és minőségétől. A kalibrációt először „manuálisan”, vagyis a paraméterek szisztematikus változtatásával kezdjük. A kalibráció jelentősége — a modell finomításán túl — hogy a modellező közvetlen információt kap a rendszer reakcióiról, ami nagyban segíti a hidrogeológiai folyamatok és az adott szituáció megértését. A kalibráció tehát az egyik leghatékonyabb hidrogeológiai tanulási folyamat. Amennyiben a manuális kalibráció elérte a megfelelő szintet, automatizált kalibrációs eljárásokat alkalmazhatunk a modell pontosságának javítására. A leggyakrabban alkalmazott szoftver a PEST. A PEST (WNC 2004) egy nem-lineáris paraméterbecslő kód, ami a Gauss-Marquand-Levenberg módszer alapján a legkisebb négyzetek módszerével minimalizálja a mért és számított értékek közötti eltéréseket. A modell kalibrációt kalibrációs statisztikával szükséges jellemezni. A kalibrációs statisztika ad információt a modell jóságáról”, ami az eredmények megbízhatóságát nagymértékben jellemzi, tehát nem elkerülhető. Az elsődleges módszer a modell kalibráció jellemzésére a Négyzetes Középérték Hiba (Root Mean Square Error, RMS). Az RMS - vagy standard deviáció - az alábbiak szerint számítható: RMS = Yj(Xa,lc ~XobsY 1=1 ahol n a kalibrációs adatok száma. A másik, a kalibráció minőségét jellemző módszer a Normált Négyzetes Középérték Hiba (Scaled Root Mean Square Error, SRMS): RMS SRMS = (*oJ max "(Xobs) r Érzékenység vizsgálat Az érzékenység vizsgálat célja azon paraméterek azonosítása, amelyek leginkább befolyásolják a vízadó viselkedését. Ezáltal fókuszálhatóak a monitoring vizsgálatok, és a terepi vizsgálatok is, valamint nagyban segíti a modell kalibrációját is. Az érzékenység vizsgálat elvégezhető manuálisan a legfontosabb modell paraméterek szisztematikus változtatása és az eredmények kiértékelése útján. Ilyenkor a kulcs paramétereket szorzóval látjuk el (pl. K*5, K*0,5 stb.), és a modellt minden kombinációra lefuttatjuk és értékeljük. Az az adott paraméter érzékenysége számszerűsíthető az RMS vagy SRMS hiba alapértéktől való eltérésének és a paraméter alapértéktől való eltérésének a hányadosaként. A PEST alkalmazásának előnye, hogy a PEST futtatás során elvégzi az érzékenység vizsgálatot, és kiszámítja annak paramétereit.
