Все выпуски

Классические численные методы, применяемые для предсказания эволюции гидродинамических систем, предъявляют высокие требования к вычислительным ресурсам и накладывают ограничения на число вариантов геолого-гидродинамических моделей, расчет эволюции состояний которых возможно осуществлять в практических условиях. Одним из перспективных подходов к разработке эвристических оценок, которые могли бы ускорить рассмотрение вариантов гидродинамических моделей, является имитационное моделирование на основе обучающих данных. В рамках этого подхода методы машинного обучения используются для настройки весов искусственной нейронной сети (ИНС), предсказывающей состояние физической системы в заданный момент времени на основе начальных условий. В данной статье описаны оригинальная архитектура ИНС и специфическая процедура обучения, формирующие эвристическую модель двухфазного течения в гетерогенной пористой среде. Основанная на ИНС модель с приемлемой точностью предсказывает состояния расчетных блоков моделируемой системы в произвольный момент времени (с известными ограничениями) на основе только начальных условий: свойств гетерогенной проницаемости среды и размещения источников и стоков. Предложенная модель требует на порядки меньшего процессорного времени в сравнении с классическим численным методом, который послужил критерием оценки эффективности обученной модели. Архитектура ИНС включает ряд подсетей, обучаемых в различных комбинациях на нескольких наборах обучающих данных. Для обучения ИНС в рамках многоэтапной процедуры применены техники состязательного обучения и переноса весов из обученной модели.

The numerical methods used to simulate the evolution of hydrodynamic systems require the considerable use of computational resources thus limiting the number of possible simulations. The data-driven simulation technique is one promising approach to the development of heuristic models, which may speed up the study of such models. In this approach, machine learning methods are used to tune the weights of an artificial neural network that predicts the state of a physical system at a given point in time based on initial conditions. This article describes an original neural network architecture and a novel multi-stage training procedure which create a heuristic model of a two-phase flow in a heterogeneous porous medium. The neural network-based model predicts the states of the grid cells at an arbitrary timestep (within the known constraints), taking in only the initial conditions: the properties of the heterogeneous permeability of the medium and the location of sources and sinks. The proposed model requires orders of magnitude less processor time in comparison with the classical numerical method, which served as a criterion for evaluating the effectiveness of the trained model. The proposed architecture includes a number of subnets trained in various combinations on several datasets. The techniques of adversarial training and weight transfer are utilized.

В данной работе предлагается и исследуется дискретная по времени математическая модель динамики численности популяции с сезонным характером размножения, позволяющая учесть влияние плотностно-зависимой регуляции и половой структуры на динамику численности животных. При построении модели предполагается, что рождаемость популяции зависит от численности самок. Регуляция роста численности осуществляется путем лимитирования выживаемости молоди, когда с увеличением численности популяции экспоненциально уменьшается выживаемость неполовозрелых особей. Проведено аналитическое и численное исследование предложенной модели. Показано, что когда в популяции выживает более половины самок и самцов, то популяция характеризуется устойчивой динамикой в большей части параметрического пространства при весьма высоком коэффициенте рождаемости. При этом колебания возникают, когда лимитирование выживаемости самок более выражено, чем лимитирование выживаемости самцов. Примечательно, что увеличение интенсивности лимитирования выживаемости самцов может стабилизировать динамику популяции, что особенно ярко проявляется при малой доле новорожденных самок. В результате исследования выявлено, что в зависимости от значений популяционных параметров модель может демонстрировать стабильную, периодическую и нерегулярную динамику. При этом возможно возникновение мультистабильности, когда вариация текущей численности в результате внешних факторов может привести к смене наблюдаемого режима динамики. С целью апробации предложенной структурированной модели предложен подход, позволяющий оценивать демографические параметры реальных популяций на основе их общей численности. Ключевая идея заключается в сведении дискретной во времени двухкомпонентной модели динамики численности лимитированной популяции с половой структурой к уравнению с запаздыванием, зависящему только от общей численности. В этом случае начальная половая структура определяется через общую численность популяции и зависит от демографических параметров популяции. Полученное одномерное уравнение применялось к описанию и оценке популяционных параметров, характеризующих половую структуру популяции конкретных видов, а именно охотничьих видов копытных Еврейской автономной области. Продемонстрировано, что уравнение с запаздыванием от общей численности довольно хорошо описывает реальную динамику копытных, улавливая тенденции изменения численности, и, как результат, вполне может применяться к описанию и анализу их динамики. Полученные в рамках работы точечные оценки располагаются в области биологически содержательных значений параметров и демонстрируют динамику численности популяций, подобную наблюдаемой в природе. Показано, что динамика численности популяций лося, косули и кабарги соответствует стабильному типу. Возникающие ежегодные колебания численности копытных в основном обусловлены влиянием внешних факторов и представляют собой отклонения от состояния равновесия. В целом полученные точечные оценки позволяют анализировать динамику структурированной популяции с сопутствующим краткосрочным прогнозом.

This study proposes and analyzes a discrete-time mathematical model of population dynamics with seasonal reproduction, taking into account the density-dependent regulation and sex structure. In the model, population birth rate depends on the number of females, while density is regulated through juvenile survival, which decreases exponentially with increasing total population size. Analytical and numerical investigations of the model demonstrate that when more than half of both females and males survive, the population exhibits stable dynamics even at relatively high birth rates. Oscillations arise when the limitation of female survival exceeds that of male survival. Increasing the intensity of male survival limitation can stabilize population dynamics, an effect particularly evident when the proportion of female offspring is low. Depending on parameter values, the model exhibits stable, periodic, or irregular dynamics, including multistability, where changes in current population size driven by external factors can shift the system between coexisting dynamic modes. To apply the model to real populations, we propose an approach for estimating demographic parameters based on total abundance data. The key idea is to reduce the two-component discrete model with sex structure to a delay equation dependent only on total population size. In this formulation, the initial sex structure is expressed through total abundance and depends on demographic parameters. The resulting one-dimensional equation was applied to describe and estimate demographic characteristics of ungulate populations in the Jewish Autonomous Region. The delay equation provides a good fit to the observed dynamics of ungulate populations, capturing long-term trends in abundance. Point estimates of parameters fall within biologically meaningful ranges and produce population dynamics consistent with field observations. For moose, roe deer, and musk deer, the model suggests predominantly stable dynamics, while annual fluctuations are primarily driven by external factors and represent deviations from equilibrium. Overall, these estimates enable the analysis of structured population dynamics alongside short-term forecasting based on total abundance data.