[游戏开发]【Dakota】05 新安江模型不确定性量化

2022/3/2-2022/3/11
本地地址：E:\software\dakotacase\dakota_gui_workspace\XAJ

文档说明

Calibration：新安江模型参数率定

DesignofExperiments：试验设计

ParameterStudy：参数研究

SensitivityAnalysis：敏感性分析

UncertaintyQuantification：不确定性量化

templatedir：模板目录，包含模拟脚本及其所需文件，用于给上述分析调用

研究对象

新安江模型采用笔者自己用C++编写的三水源版本。
Dakota采用6.14版本的命令行可执行程序dakota.exe。

采用Dakota对新安江模型进行试验设计、参数研究、敏感性分析、不确定性量化和参数率定。

新安江模型

在E:\software\dakotacase\dakota_gui_workspace\XAJ\templatedir路径下，存放着新安江模型程序及运行所需文件。

Dakota对新安江模型进行上述一系列分析的接口是simulator_script.bat。simulator_script.bat批处理脚本主要完成三件事：一、前处理；二、运行可执行程序，即黑箱代码；三、后处理。

前处理

使用Dakota自带的dprepro根据params.in、parameter.template写parameter.txt参数文件，如下所示，%1%表示命令行params.in

dprepro.py %1% parameter.template parameter.txt

运行待分析模型

在这里就是指运行新安江模型

XAJ.exe

后处理

从出口断面流量过程Q.txt到确定性系数DC 写入results.out

首先，读取Q.txt，将其转化为Q.ssf格式；

txt2ssf.py

然后，运行时间序列处理程序tsproc.exe，计算确定性系数DC，写入est.txt；

tsproc.exe tsproc.dat tsproc_record.txt est

最后，运行qoi.py从est.txt中取出确定性系数DC，写入%2%即命令行results.out。

试验设计

文件夹目的

本地路径E:\software\dakotacase\dakota_gui_workspace\XAJ\DesignofExperiments

该文件夹包含使用Dakota对新安江模型进行试验设计所需所有文件。

简单评估参数灵敏度。

文件说明

• Dakota 输入文件：DesignofExperiments.in
• 操作说明文档：ReadMe.md
• 可执行程序黑箱代码：template/XAJ.exe
• 分析驱动：template/simulator_script.bat
• 参数模板文件：parameter.template
• 后处理程序：template/txt2ssf.py、qoi.py
• 时间序列处理程序：template/tsproc.exe
• 时间序列处理程序配置文件：template/tsproc.dat
• 新安江模型输入文件：template/P.txt、EM.txt、watershed.txt、time.txt、parameter.txt
• 新安江模型输出文件：template/Q.txt

运行程序

1. 下载安装Dakota，并将dakota/bin、dakota/lib、dakota\test添加进环境变量
2. 下载安装Python，并将Python添加进环境变量
3. 在本目录下，点击菜单 文件 $\to$ 打开 Windows PowerShell? $\to$ 打开 Windows PowerShell? ，在命令行输入dakota -i DesignofExperiments.in -o DesignofExperiments.out > DesignofExperiments.stdout，回车运行试验设计程序。

查看结果

1. 运行结束后，以记事本打开DesignofExperiments.out查看每次参数评估参数值及结果，文件最后为整个评估所花费的时间。
2. 以记事本打开DesignofExperiments.stdout可查看每次评估的命令行输出，用于检查错误。在文件最后有MOAT方法计算得到的灵敏度。
3. 以记事本打开dakota.err可查看Dakota运行错误日志；以记事本打开tabular.data，可查看每次评估的参数值及输出
4. dakota.rst为二进制重启(restart)文件，用于暂停后从暂停位置开始评估，具体用法暂不详
5. 类似LHS.*文件为Dakota采样生成的临时文件，都可以删除
6. 打开workdir/文件夹，查看每次评估的新安江模型输入和输出文件

参数研究

文件夹目的

本地路径E:\software\dakotacase\dakota_gui_workspace\XAJ\ParameterStudy

该文件夹包含使用Dakota对新安江模型进行参数研究所需所有文件。

通过对参数按照等距采样等方式，计算模型输出值，分析参数相关性，得到参数相关矩阵。

文件说明

• Dakota 输入文件：parameterstudy.in
• 操作说明文档：ReadMe.md
• 其余同试验设计

运行程序

1. 下载安装Dakota，并将dakota/bin、dakota/lib、dakota\test添加进环境变量
2. 下载安装Python，并将Python添加进环境变量
3. 在本目录下，点击菜单 文件 $\to$ 打开 Windows PowerShell? $\to$ 打开 Windows PowerShell? ，在命令行输入dakota -i parameterstudy.in -o parameterstudy.out > parameterstudy.stdout，回车运行参数研究程序。

查看结果

1. 运行结束后，以记事本打开parameterstudy.out查看每次参数评估参数值及结果，文件最后为参数相关矩阵和整个评估所花费的时间。
2. 以记事本打开parameterstudy.stdout可查看每次评估的命令行输出，用于检查错误
3. 以记事本打开dakota.err可查看Dakota运行错误日志
4. 以记事本打开tabular.data，可查看每次评估的采样数据，包含参数值及输出
5. dakota.rst为二进制重启(restart)文件，用于暂停后从暂停位置开始评估，具体用法暂不详
6. 类似LHS.*文件为Dakota采样生成的临时文件，都可以删除
7. 打开workdir/文件夹，查看每次评估的新安江模型输入和输出文件

敏感性分析

文件夹目的

本地路径E:\software\dakotacase\dakota_gui_workspace\XAJ\SensitivityAnalysis

该文件夹包含使用Dakota对新安江模型进行敏感性分析所需所有文件。

主要计算Sobol’全局参数灵敏度

文件说明

• Dakota 输入文件：SensitivityAnalysis.in
• 操作说明文档：ReadMe.md
• 其余同试验设计

注：SensitivityAnalysis.in比UncertaintyQuantification.in多了一句variance_based_decomp基于方差分解，因此可以计算灵敏度。

运行程序

1. 下载安装Dakota，并将dakota/bin、dakota/lib、dakota\test添加进环境变量
2. 下载安装Python，并将Python添加进环境变量
3. 在本目录下，点击菜单 文件 $\to$ 打开 Windows PowerShell? $\to$ 打开 Windows PowerShell? ，在命令行输入dakota -i SensitivityAnalysis.in -o SensitivityAnalysis.out > SensitivityAnalysis.stdout，回车运行灵敏度分析程序。

查看结果

1. 运行结束后，以记事本打开SensitivityAnalysis.out查看每次参数评估参数值及结果，文件最后为全局敏感性分析结果和整个评估所花费的时间。
2. 以记事本打开SensitivityAnalysis.stdout可查看每次评估的命令行输出，用于检查错误。
3. 以记事本打开dakota.err可查看Dakota运行错误日志
4. 以记事本打开tabular.data，可查看每次评估的采样数据，包含参数值及输出
5. dakota.rst为二进制重启(restart)文件，用于暂停后从暂停位置开始评估，具体用法暂不详
6. 类似LHS.*文件为Dakota采样生成的临时文件，都可以删除
7. 打开workdir/文件夹，查看每次评估的新安江模型输入和输出文件，默认不输出，删除SensitivityAnalysis.in中interface的directory_tag和directory_save前的#注释即可输出每次评估的文件，但所有文件通常较大

不确定性量化

文件夹目的

本地路径E:\software\dakotacase\dakota_gui_workspace\XAJ\SensitivityAnalysis

该文件夹包含使用Dakota对新安江模型进行不确定性量化所需所有文件。

主要计算目标函数均值、方差、置信区间、PDF、CDF、相关性

文件说明

• Dakota 输入文件：UncertaintyQuantification.in
• 操作说明文档：ReadMe.md
• 其余同试验设计

运行程序

1. 下载安装Dakota，并将dakota/bin、dakota/lib、dakota\test添加进环境变量
2. 下载安装Python，并将Python添加进环境变量
3. 在本目录下，点击菜单 文件 $\to$ 打开 Windows PowerShell? $\to$ 打开 Windows PowerShell? ，在命令行输入dakota -i UncertaintyQuantification.in -o UncertaintyQuantification.out > UncertaintyQuantification.stdout，回车运行不确定性量化程序。

查看结果

1. 运行结束后，以记事本打开UncertaintyQuantification.out查看每次参数评估参数值及结果，文件最后为目标函数均值、方差、置信区间、PDF、CDF、相关性和整个评估所花费的时间。
2. 以记事本打开UncertaintyQuantification.stdout可查看每次评估的命令行输出，用于检查错误。
3. 以记事本打开dakota.err可查看Dakota运行错误日志
4. 以记事本打开tabular.data，可查看每次评估的采样数据，包含参数值及输出
5. dakota.rst为二进制重启(restart)文件，用于暂停后从暂停位置开始评估，具体用法暂不详
6. 类似LHS.*文件为Dakota采样生成的临时文件，都可以删除
7. 打开workdir/文件夹，查看每次评估的新安江模型输入和输出文件

参数率定

文件夹目的

本地路径E:\software\dakotacase\dakota_gui_workspace\XAJ\SensitivityAnalysis

该文件夹包含使用Dakota自动率定新安江模型参数所需所有文件。

主要计算最优参数、最小残差

文件说明

• Dakota 输入文件：calibration.in
• 操作说明文档：ReadMe.md
• 可执行程序黑箱代码：template/XAJ.exe
• 分析驱动：template/simulator_script.bat
• 参数模板文件：parameter.template
• 后处理程序：template/txt2ssf.py、qoi.py
• 时间序列处理程序：template/tsproc.exe
• 时间序列处理程序配置文件：template/tsproc.dat
• 新安江模型输入文件：template/P.txt、EM.txt、watershed.txt、time.txt、parameter.txt
• 新安江模型输出文件：template/Q.txt

运行自动率定程序

1. 下载安装Dakota，并将dakota/bin、dakota/lib、dakota\test添加进环境变量
2. 下载安装Python，并将Python添加进环境变量
3. 在本目录下，点击菜单 文件 $\to$ 打开 Windows PowerShell? $\to$ 打开 Windows PowerShell? ，在命令行输入dakota -i calibration.in -o calibration.out > calibration.stdout，回车运行自动率定程序。

查看自动率定结果

1. 运行结束后，以记事本打开calibration.out查看每次参数率定参数值及结果，文件最后为最优参数和整个率定所花费的时间。
2. 以记事本打开calibration.stdout可查看每次率定的命令行输出，用于检查错误
3. 以记事本打开dakota.err可查看Dakota运行错误日志
4. 以记事本打开tabular.data，可查看每次评估的采样数据，包含参数值及输出
5. dakota.rst为二进制重启(restart)文件，用于暂停后从暂停位置开始评估，具体用法暂不详
6. 类似LHS.*文件为Dakota自动率定过程中采样生成的临时文件，都可以删除
7. 打开workdir/文件夹，查看每次评估的新安江模型输入和输出文件

与SCE-UA算法对比

• 从效率上讲，Dakota高于SCE-UA，同样是率定新安江模型的7个敏感参数，Dakota共调用模型136次，而SCE-UA则调用模型1240次，是Dakota的9.1倍。
• 从质量上讲，SCE-UA高于Dakota，同样是率定新安江模型的7个敏感参数，SCE-UA的纳什效率系数为0.882869，Dakota的纳什效率系数为0.8677575，SCE-UA比Dakota高0.015，1.74%。
• 从时间上讲，Dakota耗时81.068 s，SCE-UA耗时80.252 s，大致相同。

总的来讲，SCE-UA算法收敛效率明显低于Dakota，率定质量与Dakota大致相当，优先选择Dakota进行模型的参数率定。