Mathematical modeling — مدل‌سازی ریاضی

مدل‌سازی ریاضی روشی پژوهشی است که در آن یک شیء، فرآیند یا پدیدهٔ واقعی با مدل ریاضی آن جایگزین می‌شود تا رفتار سیستم با استفاده از روش‌های ریاضی قابل تحلیل باشد.

ماهیت مدل‌سازی ریاضی

مدل‌سازی ریاضی شامل موارد زیر است:

• صورت‌بندی ویژگی‌های اساسی شیء مورد مطالعه؛
• ساخت مدل ریاضی‌ای که روابط میان پارامترها را بیان می‌کند؛
• بررسی مدل با روش‌های تحلیلی، عددی یا شبیه‌سازی؛
• تفسیر نتایج در رابطه با سیستم واقعی.

مدل همواره ساده‌سازی واقعیت است و تنها آن جنبه‌هایی را منعکس می‌کند که برای اهداف پژوهش یا طراحی اهمیت دارند.

اهداف مدل‌سازی ریاضی

مدل‌های ریاضی برای موارد زیر توسعه می‌یابند:

• توصیف ساختار، خواص و عملکرد سیستم‌ها؛
• تبیین پدیده‌های مشاهده‌شده از طریق کشف قانون‌مندی‌ها؛
• پیش‌بینی رفتار آتی سیستم‌ها در شرایط تأثیرات مشخص؛
• بهینه‌سازی فرآیندها و سیستم‌های کنترل؛
• انجام آزمایش‌های مجازی که در واقعیت ممکن یا مطلوب نیستند.

طبقه‌بندی مدل‌های ریاضی

• از نظر شیوهٔ توصیف: قطعی و تصادفی (احتمالی).
• از نظر ماهیت زمان: ایستا و پویا.
• از نظر ماهیت متغیرها: گسسته و پیوسته.
• از نظر درجهٔ جزئیات: ماکروسکوپی، میکروسکوپی، مزوسکوپی.
• از نظر دستگاه مورد استفاده: تحلیلی، عددی، شبیه‌سازی.
• از نظر هدف: توصیفی، پیش‌بینی، بهینه‌سازی، شبیه‌سازی.
• از نظر ساختار: خطی و غیرخطی.
• از نظر رویکرد ساخت: پدیدارشناختی (تجربی) و مکانیستی (نظری).

مراحل مدل‌سازی ریاضی

به طور کلی، مراحل مدل‌سازی ریاضی به شرح زیر است:

1. تعریف مسئله:
   • تعیین هدف مدل‌سازی (چه می‌خواهیم بدانیم یا انجام دهیم؟).
   • توصیف شیء یا فرآیند و مرزهای آن.
   • شناسایی عوامل و ویژگی‌های کلیدی که باید در نظر گرفته شوند.
2. ساخت (یا انتخاب) مدل:
   • صورت‌بندی: تبدیل توصیف شیء و روابط آن به زبان ریاضی (معادلات، توابع، قواعد منطقی، الگوریتم‌ها و غیره).
   • معرفی فرض‌ها و ساده‌سازی‌ها برای برجسته‌کردن اصل موضوع.
   • تعیین پارامترهای مدل و روابط میان آن‌ها.
3. بررسی مدل:
   • حل مسئلهٔ ریاضی (به صورت تحلیلی، عددی یا شبیه‌سازی).
   • انجام آزمایش‌های محاسباتی برای مطالعهٔ رفتار مدل در شرایط مختلف.
4. بررسی تناسب (اعتبارسنجی) مدل:
   • مقایسهٔ نتایج مدل‌سازی با داده‌های واقعی (آزمایشگاهی، مشاهداتی) یا حقایق شناخته‌شده.
   • ارزیابی اینکه مدل تا چه حد واقعیت را برای هدف مشخص‌شده منعکس می‌کند.
5. تفسیر و کاربرد نتایج:
   • تحلیل داده‌های به‌دست‌آمده از مدل‌سازی.
   • بازگرداندن نتایج به زبان مسئلهٔ اصلی.
   • صورت‌بندی نتیجه‌گیری‌ها، پیش‌بینی‌ها، تدوین توصیه‌ها یا اتخاذ تصمیم بر اساس مدل.

این فرآیند اغلب تکراری است. نتایج نامطلوب در اعتبارسنجی یا تفسیر ممکن است نیازمند بازگشت به مراحل پیشین (اصلاح تعریف مسئله، تغییر فرض‌ها، اصلاح مدل) باشد.

رویکرد اصولی

رویکرد اصولی، مبتنی بر آثار کلایو دایم (Principles of Mathematical Modeling)، پیشنهاد می‌کند که مدل‌سازی به‌صورت دنباله‌ای از پاسخ به پرسش‌های کلیدی در نظر گرفته شود:

• Why? (چرا؟): نیاز به مدل چیست؟ باید هدف مدل‌سازی و مسئله‌ای که مدل باید به حل آن کمک کند به‌وضوح تعریف شود.
• Find? (یافتن؟): چه می‌خواهیم بدانیم؟ مدل باید چه داده‌های خروجی، ویژگی‌ها یا اطلاعات مشخصی را برای دستیابی به هدف ارائه دهد؟
• Given? (داده‌شده؟): چه می‌دانیم؟ چه اطلاعات، داده‌ها (آزمایشی، آماری)، دانش دربارهٔ سیستم و منابع موجود از پیش در دسترس است؟
• Assume? (فرض‌ها؟): چه فرض‌هایی می‌کنیم؟ تعیین ساده‌سازی‌ها، ایده‌آل‌سازی‌ها، فرضیه‌ها دربارهٔ رفتار سیستم و مرزهای کاربرد مدل. این گام از اهمیت حیاتی برخوردار است زیرا تناسب مدل را تعیین می‌کند.
• How? (چگونه؟): سیستم چگونه عمل می‌کند؟ شناسایی قوانین اساسی (فیزیکی، شیمیایی، بیولوژیکی، اقتصادی و غیره)، مکانیسم‌ها و روابطی که رفتار شیء مدل‌سازی‌شده را هدایت می‌کنند.
• Predict? (پیش‌بینی؟): مدل چه چیزی را پیش‌بینی می‌کند؟ صورت‌بندی معادلات ریاضی، نامعادلات، قواعد منطقی یا الگوریتم‌هایی که هستهٔ مدل را تشکیل می‌دهند و تعیین محاسباتی که انجام خواهد شد.
• Valid? (اعتبار؟): پیش‌بینی‌های مدل تا چه حد با واقعیت مطابقت دارند؟ مقایسهٔ نتایج مدل‌سازی با داده‌های واقعی یا حقایق شناخته‌شده برای بررسی تناسب مدل با اهداف تعیین‌شده.
• Verified? (سودمندی/بررسی؟): آیا مدل برای دستیابی به هدف اولیه (Why?) مفید است؟ آیا نتایج به‌دست‌آمده و دقت مدل نیاز اولیه را برآورده می‌کنند؟ (در این مرحله همچنین ممکن است راستی‌آزمایی — بررسی صحت محاسبات ریاضی و پیاده‌سازی نرم‌افزاری — انجام شود).
• Improve? (بهبود؟): آیا می‌توان و باید مدل را بهبود داد؟ شناسایی پارامترهایی که نیاز به اصلاح دارند، فرض‌هایی که می‌توان تضعیف کرد، یا جنبه‌های نادیده‌گرفته‌شده‌ای که باید برای دقت یا گستردگی بیشتر کاربرد اضافه شوند.
• Use? (استفاده؟): چگونه نتایج را به‌کار گیریم؟ تفسیر پیش‌بینی‌ها و نتیجه‌گیری‌های مدل برای اتخاذ تصمیم، کسب دانش جدید، پیش‌بینی، بهینه‌سازی یا کنترل سیستم.

مسئلهٔ مستقیم و معکوس در مدل‌سازی ریاضی

به‌طور سنتی دو دستهٔ اصلی از مسائل مرتبط با مدل‌های ریاضی تمایز داده می‌شود:

• مسئلهٔ مستقیم عبارت است از بررسی مدلی با ساختار از پیش تعیین‌شده و پارامترهای شناخته‌شده به‌منظور کسب اطلاعات دربارهٔ رفتار شیء.
• مسئلهٔ معکوس عبارت است از انتخاب مدل مشخص یا تعیین پارامترهای آن بر اساس داده‌های آزمایشی یا تجربی موجود.

مسئلهٔ مستقیم

هدف مسئلهٔ مستقیم — بر اساس خواص شناخته‌شدهٔ سیستم، پاسخ به این پرسش است که سیستم در برابر تأثیرات خارجی چه واکنشی نشان می‌دهد یا ویژگی‌های آن در شرایط مختلف چیست. جنبه‌های اصلی هدف مسئلهٔ مستقیم:

• بررسی رفتار شیء بر اساس مدل ریاضی داده‌شده با ساختار و پارامترهای شناخته‌شده.
• به‌دست آوردن ویژگی‌های کمّی یا کیفی سیستم: مانند تعیین تنش‌ها، میدان‌های دمایی، واکنش‌های دینامیکی به بارگذاری و غیره.
• پیش‌بینی حالت شیء در تأثیرات خارجی مختلف (بارگذاری‌ها، تغییر شرایط محیطی، اقدامات کنترلی).
• تحلیل پایداری و قابلیت اطمینان سیستم‌ها، تعیین رژیم‌های کاری حدی آن‌ها.
• آزمون فرضیه‌ها دربارهٔ رفتار شیء که بر اساس مدل صورت‌بندی شده‌اند.
• بهینه‌سازی فرآیندهای کنترل از طریق محاسبهٔ واکنش مدل به تأثیرات کنترلی.
• ارزیابی حساسیت راه‌حل‌ها نسبت به تغییر شرایط اولیه و پارامترهای مدل.

مسئلهٔ معکوس

هدف مسئلهٔ معکوس — تعیین ساختار مدل یا پارامترهای آن بر اساس داده‌های موجود دربارهٔ رفتار سیستم واقعی است.

جنبه‌های اصلی هدف مسئلهٔ معکوس:

• یافتن پارامترهای ناشناختهٔ مدل (مانند ضرایب کشسانی، هدایت گرمایی، مقاومت و غیره).
• تعیین ساختار پنهان فرآیندها بر اساس داده‌های خروجی مشاهده‌شده.
• ساخت یا اصلاح مدل ریاضی به‌گونه‌ای که رفتار آن با داده‌های آزمایشی یا تجربی همخوانی داشته باشد.
• توسعهٔ روش‌های مناسب پردازش و تفسیر داده‌های مشاهدات و آزمایش‌ها.

راستی‌آزمایی و اعتبارسنجی

پس از ساخت مدل ریاضی و به‌دست آوردن پیاده‌سازی نرم‌افزاری یا الگوریتمی آن، ارزیابی صحت و قابلیت کاربرد آن گامی حیاتی است. برای این منظور دو فرآیند مرتبط اما متمایز به‌کار می‌روند: راستی‌آزمایی و اعتبارسنجی.

• راستی‌آزمایی (Verification):
  • پرسش: آیا مدل را به‌درستی پیاده‌سازی (می‌سازیم) می‌کنیم؟
  • معنا: بررسی اینکه پیاده‌سازی نرم‌افزاری یا الگوریتم محاسباتی مدل دقیقاً با صورت‌بندی ریاضی و توصیف مفهومی آن مطابقت دارد. به عبارت دیگر، راستی‌آزمایی تأیید می‌کند که معادلات به‌درستی حل می‌شوند و الگوریتم مطابق منطق پیاده‌سازی‌شده بدون خطا عمل می‌کند.
  • روش‌ها: تحلیل و بررسی کد، آزمایش با راه‌حل‌های تحلیلی شناخته‌شده (در صورت وجود)، مقایسه با نتایج سایر برنامه‌های آزموده‌شده، بررسی پایداری عددی و همگرایی الگوریتم‌ها.
• اعتبارسنجی (Validation):
  • پرسش: آیا مدل درستی ساخته‌ایم؟
  • معنا: تعیین درجهٔ تطابق مدل با شیء، فرآیند یا پدیدهٔ واقعی که قرار است توصیف کند، در راستای اهداف مدل‌سازی. اعتبارسنجی به این پرسش پاسخ می‌دهد که مدل تا چه حد جنبه‌های مورد نظر ما از واقعیت را منعکس می‌کند.
  • روش‌ها: مقایسهٔ نتایج مدل‌سازی با داده‌های آزمایشی، داده‌های مشاهدات سیستم واقعی، داده‌های آماری، حقایق شناخته‌شده یا نتایج مدل‌های دیگری که از پیش اعتبار خود را اثبات کرده‌اند. ارزیابی حساسیت مدل نسبت به تغییر پارامترها.

تفاوت کلیدی:

• راستی‌آزمایی پیاده‌سازی مدل را با مشخصات آن (توصیف ریاضی) مقایسه می‌کند.
• اعتبارسنجی مدل (به‌طور کلی) را با واقعیت مقایسه می‌کند.

ممکن است مدلی از نظر ریاضی صحیح اما ناسازگار با فرآیند واقعی باشد (راستی‌آزمایی‌شده اما اعتبارسنجی‌نشده)، یا مدلی که به‌عنوان سازگار طراحی شده اما با خطاهایی پیاده‌سازی شده باشد (راستی‌آزمایی‌نشده).

فرآیندهای راستی‌آزمایی و اعتبارسنجی بخشی جدایی‌ناپذیر از فرآیند مدل‌سازی ریاضی هستند. آن‌ها اطمینان به نتایج مدل‌سازی را فراهم می‌کنند و امکان ارزیابی مرزهای کاربرد مدل را می‌دهند. بدون آن‌ها، استفاده از مدل برای پیش‌بینی، بهینه‌سازی یا اتخاذ تصمیم ممکن است نادرست باشد.

محدودیت‌ها و فرض‌ها

هر مدل ریاضی یک انتزاع است — ساده‌سازی هدف‌مند واقعیت مورد مطالعه. بر پایهٔ مجموعه‌ای از فرض‌ها استوار است و مانند هر نقشه‌ای، خودِ سرزمین نیست بلکه تنها توصیفی از آن برای اهداف مشخص است. این امر محدودیت‌های زیر را پدید می‌آورد:

1. ناکامل‌بودن: مدل تنها عوامل و روابطی را در نظر می‌گیرد که (از دیدگاه هدف پژوهش و فرض‌های انجام‌شده) اساسی هستند و آگاهانه سایر جزئیات را برای ساده‌سازی تحلیل نادیده می‌گیرد.
2. وابستگی به فرض‌ها: صحت، دقت و حوزهٔ کاربرد مدل مستقیماً به موجه‌بودن فرض‌های انجام‌شده بستگی دارد. فرض‌های نادرست یا نقض‌شده به نتایج نادقیق یا نادرست منجر می‌شوند.
3. حوزهٔ کاربرد محدود: مدل تنها در شرایط مشخص (متناسب با فرض‌ها) و برای حل دستهٔ معینی از مسائلی که برای آن‌ها ساخته و آزموده شده، واقعیت را به‌درستی توصیف می‌کند. برون‌یابی خارج از این محدوده نادرست است.
4. خطا: به دلیل ساده‌سازی‌ها، نتایج مدل‌سازی همواره دارای خطایی در مقایسه با رفتار واقعی شیء هستند.
5. ضرورت اعتبارسنجی: از آنجا که مدل ساده‌سازی است، تناسب آن همواره نیاز به بررسی (اعتبارسنجی) بر اساس داده‌های واقعی (آزمایشی یا مشاهداتی) دارد.
6. حساسیت: نتایج مدل‌سازی ممکن است نسبت به تغییر داده‌های ورودی، پارامترهای مدل و فرض‌های انجام‌شده حساس باشند، که اغلب نیازمند انجام تحلیل حساسیت است.

نمونه‌های کاربرد

• در فیزیک: مدل‌سازی هدایت گرمایی، هیدرودینامیک، فرآیندهای الکترومغناطیسی.
• در مهندسی: محاسبهٔ استحکام سازه‌ها، بهینه‌سازی فرآیندهای تکنولوژیکی.
• در زیست‌شناسی: مدل‌سازی دینامیک جمعیت و گسترش بیماری‌ها.
• در اقتصاد: ساخت مدل‌های کلان‌اقتصادی و مدل‌های کنترل بهینه.
• در جامعه‌شناسی: مدل‌سازی فرآیندهای مهاجرت و دینامیک اجتماعی.

ارتباط با سایر مفاهیم

• مدل ریاضی
• مدل سیستم
• فرآیند مدل‌سازی
• صورت‌بندی مدل‌های سیستم‌ها
• مدل‌سازی
• پژوهش عملیات

منابع

• مقدمه‌ای بر مدل‌سازی ریاضی / به ویراستاری پ.و. تروسوف. — مسکو: کتاب دانشگاه، لوگوس، ۲۰۰۷.
• مدل‌سازی ریاضی. ایده‌ها. روش‌ها. مثال‌ها. موی‌سی‌یف ن.ن. — مسکو: ناوکا، ۱۹۸۱.
• مدل‌سازی ریاضی. گالانین م.پ.، گالانینا ی.م.، سرگه‌یف آ.و.، شالایوا آ.ک. — مسکو: ل.ک.ای، ۲۰۲۲.
• Principles of Mathematical Modeling Dym, C.L. (2004)