Vairāk

ModelBuilder parametri nemainās, darbojoties partijā?

ModelBuilder parametri nemainās, darbojoties partijā?


Man ir vienkāršs modelis, kas atlasa slāni pēc objektu klases atribūta ar sākuma gada un beigu gada parametriem, kas ir iestatīti kā dubultspēles, un pēc tam atlases slānī pēc atribūta izmanto izteiksmi: dateample_1> = % Start Year % AND dateample_1 < = %Beigu gads %. Pēc tam tā izmanto kopēšanas funkciju, lai izveidotu izvades funkciju klasi. Palaižot modeli atsevišķi, tas darbojas labi, bet, palaižot to kā partiju, lai gan es tam dodu dažādus parametrus, kad tas darbojas, tas izmanto pirmos parametrus, kurus es ievadīju atkal un atkal, tāpēc manas izvades funkcijas ir vienādas.


Vai esat apsvēris iespēju ievietot savus parametrus tabulā vai sarakstā? Tad jūs varētu ievietot iteratoru modelī un atkārtot gadu gaitā. Attiecībā uz tabulas formātu, iespējams, vislabāk darbosies DBF, taču CSV joprojām labi spēlē ar Arc un ir daudz vieglāk rediģējamas, tāpēc tas ir izvēles jautājums.

Kā piezīmi, jūsu aprakstītajiem parametriem var būt pārklāšanās gadījumi, ja datumi nav pareizi iestatīti. Pieņemsim, ka divi vēlamie datumu diapazoni bija 1991. – 95. Un 1995. – 2000. Gads 1990 <= DATE1 <= 1995 un 1995 <= DATE2 <= 2000. Tādējādi abos diapazonos tiktu ieskaitīti visi 1995. gada dati. Ir daži veidi, kā to novērst, pareizi nosakot sākuma datuma vērtības (šajā piemērā tas būtu diapazona sākuma datuma iestatīšana no DATE2 līdz 1996), taču varētu būt daudz vieglāk mainīt vienu no <=ir uz a <.


Attiecībā uz jūsu problēmu ar modeļa sērijveida izpildi, ja tā darbojas, izvēloties no slāņiem, jums, iespējams, būs jāpievieno atlases notīrīšanas posms paša modeļa beigās pēc tam, kad būs izvadīti pašreizējās darbības rezultāti. Tas ir viens no atlases veidiem Atlasiet Slānis pēc atribūtiem rīks. Tādā veidā nākamā rīka palaišana tiks sākta no nulles, slāņu ziņā.
Atjaunināt

Izlasiet saiti @PolyGeo publicēts un saites šajā pavedienā. Acīmredzot, kad rīks tiek izpildīts pakešu režīmā, tas palaiž procesus paralēli, nevis secīgi. Secīgai izpildei vai nu vēlaties ModelBuilder iteratoru, vai arī python skriptu.


AWS izlaiž viedo skaitītāju datu analīzi

Utilities ir izvietojuši MDMS (skaitītāju datu pārvaldības sistēmas) kopš 90. gadu beigām, un MDMS izvietošana ir paātrinājusies līdztekus viedās mērīšanas un iepriekšējās mērīšanas infrastruktūras (AMI) izvietošanai komunālajos pakalpojumos visā pasaulē. MDMS apkopo enerģijas patēriņa datus no viedajām skaitītāju ierīcēm un nosūta tos uz komunālo klientu informācijas sistēmām (NVS) norēķinu veikšanai un turpmākai apstrādei. Visizplatītākais MDMS lietojums komunālajiem pakalpojumiem ir pamata datu validācijas, verifikācijas un rediģēšanas (VEE) funkciju veikšana un norēķinu noteicošo faktoru izveide no milzīga skaitītāju datu daudzuma. Neskatoties uz to, petabaiti vērtīgu enerģijas patēriņa datu paliek ieslodzīti mantotajā lietderības MDMS.

Komunālie dienesti, kas saskaras ar vajadzību pēc pārejas, ko veicina dekarbonizācija un decentralizācija, var gūt labumu, izmantojot mērīšanas datu iespējas un bagātinot tās ar citiem informācijas avotiem, piemēram, ģeogrāfiskās informācijas sistēmām (ĢIS), NVS un laika apstākļu datiem. Tas sniedz pārliecinošu ieskatu dažādos lietošanas gadījumos, piemēram, enerģijas patēriņa prognozēšanā, sistēmas anomāliju noteikšanā un īslaicīgu pakalpojumu pārtraukumu analīzē. Kopā šie lietošanas gadījumi sniedz komunālajiem pakalpojumiem iespējas uzlabot klientu apmierinātību, vienlaikus palielinot darbības efektivitāti.

AWS ātrais sākums, kas AWS mākonī izmanto viedo skaitītāju datu analīzes (MDA) platformu, palīdz komunālajiem pakalpojumiem izmantot nerealizēto enerģijas patēriņa datu vērtību, vienlaikus novēršot nediferencētu smago celšanu komunālajiem pakalpojumiem. Tas ļauj komunālajiem pakalpojumiem sniegt jaunus pakalpojumus, piemēram:

  • Slodzes prognozēšana mājsaimniecības, ķēdes un sadales sistēmas līmenī
  • Dziļāka klientu piesaiste, izmantojot proaktīvus paziņojumus par lielu patēriņu vai strāvas padeves pārtraukumu
  • Prognozējama izplatīšanas līdzekļu apkope, ķēdes kvalitātes analīze un daudz kas cits

Šajā emuārā ir apskatīta AWS MDA Quick Start arhitektūra un tās dizains, kura mērķis ir nodrošināt komunālajiem pakalpojumiem izmaksu ziņā efektīvu datu platformu darbam ar petabaitu enerģijas patēriņa datiem.

Ko ietver MDA Quick Start?

AWS MDA izmanto datu ezera un mašīnmācīšanās iespējas, lai saglabātu ienākošo skaitītāju rādījumus, tos analizētu un sniegtu vērtīgu ieskatu. Ātrajam sākumam ir trīs iebūvēti algoritmi, lai:

  • Prognozējiet turpmāko enerģijas patēriņu, pamatojoties uz vēsturiskiem datiem
  • Noteikt neparastu enerģijas patēriņu
  • Sniedziet informāciju par skaitītāju pārtraukumiem

MDA platforma katru dienu spēj apstrādāt līdz 250 TB skaitītāju rādījumus partijās. Tas arī apstrādā datus, kas tiek saņemti vēlāk, un sagatavo datus dažādiem patēriņa parametriem, piemēram, datu noliktavai (Amazon Redshift), mašīnmācīšanās procesam (Amazon SageMaker) vai API, lai padarītu datus patērējamus trešo pušu lietojumprogrammām.


Sintakse

Skatam INFORMATION_SCHEMA, iespējams, būs jāpiemēro datu kopa vai reģions.

Datu kopas kvalifikācija

Ja datu kopas kvalifikators ir pieejams, tas ierobežo rezultātus ar norādīto datu kopu. Piemēram:

Šie INFORMATION_SCHEMA skati atbalsta datu kopu kvalifikatorus:

  • SLEJAS
  • COLUMN_FIELD_PATHS
  • PARAMETRI
  • RUTINI
  • ROUTINE_OPTIONS
  • TABULAS
  • TABLE_OPTIONS
  • SKATI

Reģiona kvalifikācija

Reģiona kvalifikācijas attēlo, izmantojot reģiona-REGION sintaksi. REGION var izmantot jebkuru datu kopas reģiona nosaukumu. Piemēram, tie visi ir derīgi reģiona kvalifikācijas kritēriji:

Ja reģiona kvalificētājs ir pieejams, tas ierobežo rezultātus tikai norādītajā reģionā. Piemēram:

Šie INFORMATION_SCHEMA skati atbalsta reģiona kvalifikācijas:

  • Visi skati, kas atbalsta datu kopu kvalifikatorus
  • ASSIGNMENT_CHANGES_BY_PROJECT
  • ASSIGNMENTS_BY_PROJECT
  • CAPACITY_COMMITMENT_CHANGES_BY_PROJECT
  • CAPACITY_COMMITMENTS_BY_PROJECT
  • JOBS_BY_ORGANIZATION
  • JOBS_BY_FOLDER
  • JOBS_BY_PROJECT
  • JOBS_BY_USER
  • JOBS_TIMELINE_BY_ORGANIZATION
  • JOBS_TIMELINE_BY_FOLDER
  • JOBS_TIMELINE_BY_PROJECT
  • JOBS_TIMELINE_BY_USER
  • OBJECT_PRIVILEGES
  • RESERVATION_CHANGES_BY_PROJECT
  • RESERVATIONS_PROJECT
  • STREAMING_TIMELINE_BY_ORGANIZATION
  • STREAMING_TIMELINE_BY_FOLDER
  • STREAMING_TIMELINE_BY_PROJECT
  • SCHEMATA
  • SCHEMATA_OPTIONS

Projekta kvalifikācija

Ja ir pieejams projekta kvalifikators, rezultāti tiek ierobežoti līdz noteiktajam projektam. Piemēram:

Šie INFORMATION_SCHEMA skati atbalsta projekta ID kvalificētājus:


SELDM: Stohastiskais empīriskās iekraušanas un atšķaidīšanas modelis - programmatūras lapa

Granato, G.E., 2013, Stohastiskā empīriskā iekraušanas un atšķaidīšanas modeļa (SELDM) versija 1.0.0: ASV Ģeoloģijas dienesta tehnikas un metodes, 4. grāmata, 4. nodaļa. C3, 112 lpp., CD-ROM. Pilns CD-ROM un ziņojums tiešsaistē

Granato, G.E., 2021. gads, Stohastiskā empīriskā iekraušanas un atšķaidīšanas modeļa (SELDM) programmatūras arhīvs: ASV Ģeoloģijas dienesta programmatūras izlaidums, https://doi.org/10.5066/P9PYG7T5

Skatiet SELDM projekta tīmekļa lapu šeit

Stohastiskais empīriskās iekraušanas un atšķaidīšanas modelis (SELDM) ir izstrādāts, lai sarežģītus zinātniskos datus pārvērstu jēgpilnā informācijā par noteces negatīvās ietekmes risku uz uztverošajiem ūdeņiem, iespējamo nepieciešamību pēc riska mazināšanas pasākumiem un šādu pārvaldības pasākumu iespējamo efektivitāti, lai tos samazinātu. riskus. ASV Ģeoloģijas dienests sadarbībā ar Federālo šosejas administrāciju izstrādāja SELDM, lai palīdzētu izstrādāt plānošanas līmeņa aprēķinus par notikumu vidējo koncentrāciju, plūsmām un slodzēm lietus ūdenī no interesējošās vietas un augšteces baseina. Plānošanas līmeņa aplēses tiek definētas kā analīzes rezultāti, kas izmantoti alternatīvu pārvaldības pasākumu novērtēšanai. Tiek atzīts, ka plānošanas līmeņa aplēses ietver būtiskas nenoteiktības (parasti lieluma kārtas). SELDM izmanto informāciju par automaģistrāles vietu, saistīto ūdens ņemšanas baseinu, nokrišņu gadījumiem, vētras plūsmu, ūdens kvalitāti un seku mazināšanas pasākumu veikšanu, lai radītu stohastisku noteces kvalitātes mainīgo populāciju. SELDM nodrošina ievades statistiku par nokrišņiem, pirmsvētras plūsmu, noteces koeficientiem un izvēlēto ūdens kvalitātes sastāvdaļu koncentrāciju no nacionālajām datu kopām. Ievades statistiku var izvēlēties, pamatojoties uz interesējošās vietas un augšteces baseina platuma, garuma un fiziskajām īpašībām. Lietotājs var arī iegūt un ievadīt statistiku par katru mainīgo, kas ir raksturīgs noteiktai interesējošai vietnei vai noteiktai teritorijai.

SELDM ir stohastisks modelis, jo tas izmanto Montekarlo metodes, lai iegūtu nejaušas ievades mainīgo vērtību kombinācijas, kas nepieciešamas, lai ģenerētu stohastisku vērtību kopu katram komponenta mainīgajam. SELDM aprēķina noteces atšķaidījumu uztverošajos ūdeņos un no tā izrietošās pakārtotās notikuma vidējās koncentrācijas un gada vidējo ezera koncentrāciju. Rezultāti tiek sarindoti un aprēķinātas diagrammas pozīcijas, lai norādītu nelabvēlīgās ietekmes riska līmeni, ko izraisa noteces koncentrācijas, plūsmas un slodzes uz saņemtajiem ūdeņiem vētras un gada laikā. Atšķirībā no deterministiskiem hidroloģiskiem modeļiem, SELDM netiek kalibrēts, mainot ievades mainīgo vērtības, lai tās atbilstu vēsturiskajam vērtību ierakstam. Tā vietā SELDM ievades vērtības ir balstītas uz vietas īpašībām un reprezentatīvu statistiku par katru hidroloģisko mainīgo. Tādējādi SELDM ir empīrisks modelis, kura pamatā ir dati un statistika, nevis teorētiski fizikāli ķīmiskie vienādojumi.

SELDM ir vienreizējs parametru modelis, jo šosejas vieta, augšteces baseins un ezera baseins ir attēloti kā viena viendabīga vienība. Katru no šīm avota zonām attēlo vidējās baseina īpašības, un SELDM rezultāti tiek aprēķināti kā interesējošās vietas punktu aprēķini. Vienotu parametru pieejas izmantošana veicina ātru modeļa parametru precizēšanu, lai ar pieejamiem datiem izstrādātu plānošanas līmeņa aplēses. Šī pieeja pieļauj atteikšanos no modeļa nepieciešamajām izejvielām un rezultātiem, kā arī elastību modeļa izmantošanā. Piemēram, SELDM var izmantot, lai modelētu noteci no dažādiem zemes segumiem vai zemes izmantošanas veidiem, izmantojot šosejas definīciju, ja vien ir pieejami reprezentatīvi ūdens kvalitātes un necaurlaidīgas frakcijas dati.

SELDM versija: 1.1.0 - versija 1.1.0 Atjaunināta, lai pievienotu sērijveida apstrādi, mainīja šosejas noteces ilgumu, ko izmanto augšupējās transporta līknēs, no izplūdes ilguma, kas var atšķirties no BMP līdz BMP līdz noteces vienlaicīgajam ilgumam un tilpumam, un fiksēts problēma, kas lietotājiem ļāva simulēt atkarīgo mainīgo ezera analīzē bez paskaidrojošā mainīgā, kas izraisīja kļūdu.

SELDM versija 1.0.3.0 - atjauninājums, lai mainītu datubāzi un kodu, lai mainītu dažus vienumus: (1.) Nokrišņu stacijas ar platuma grādiem režģlīnijās netika rādītas ekoreģionu statistikā vaicājuma dēļ. Pārbaudītie ekoreģioni norāda, ka vidējie rādītāji atšķiras par mazāk nekā 1% un mediānas vidēji par aptuveni 2,7%, bet rezultāti 95% ticamības intervālā būtiski neatšķiras. (2.) 13. un 80. eģions, gan Ziemeļu baseins, gan ampluā. #13 jābūt centrālajam baseinam un diapazonam #14 vajadzētu būt Mojave/dienvidu baseinam un amp diapazonam. (3.) Failā Out.txt, BMP izvade, mainiet nesamazināmo minimālo koncentrāciju uz minimālo nesamazināmo koncentrāciju. (4.) Pievienota komanda DoEvents, lai palaistu rutīnu, lai samazinātu vai likvidētu ziņojumus “Neatbild” modeļa darbības laikā. (5.) Failam out.txt pievienots pilns SELDM faila nosaukums un amp ceļš. (6.) Labota problēma, kurā noklusējuma projektu direktorijā tika izveidotas kopētas analīzes. (7.) Fiksētās problēmas slodzes aprēķinos ng/L, pg/L, fg/L un citām vienībām. (8.) Pievienotas CalTrans TMDL sastāvdaļas. 2018. gada 24. jūlijs

SELDM versija 1.0.2.0 - Atjauniniet, lai mainītu kodu, lai analīzes kopijās tiktu izmantota Cunnane diagrammas pozīcijas formula, nevis Blom diagrammas pozicionēšanas formula. Katrā sākotnējā analīzē tiktu izmantota Cunnane formula. Abas zīmēšanas pozīciju formulas ir pareizas, tāpēc analīzes, kas veiktas ar versiju 1.0.1, nav nepareizas šīs atšķirības dēļ. Tomēr abas formulas rada nedaudz atšķirīgas pārsniegšanas procentīles, un rokasgrāmatā ir sniegta informācija un vienādojumi, lai izmantotu Cunnane diagrammas pozīcijas formulu. Izmaiņas ir analīzes veidlapas kopēšanas komandas kodā. 2016. gada 1. jūnijs

SELDM versija 1.0.1.0 - atjauninājums, lai pareizi aprēķinātu augšteces un ezera baseina transporta līknes. 2013. gada 16. jūlijs

SELDM versija 1.0.0.0 - sākotnējā versija. 2013. gada 27. marts

Sistēmas prasības

SELDM ir uzrakstīts Visual Basic for Applications, tāpēc to var izmantot tikai Microsoft Windows operētājsistēmās. Grafisko displeju formām nepieciešama ekrāna izšķirtspēja, kas pārsniedz 1024 x 768 pikseļus.

Datu prasības

SELDM ir nepieciešami pētījuma vietas platums un garums, platība, necaurlaidība, galvenā kanāla garums, galvenā kanāla slīpums un baseina attīstības faktors šosejas vietai un interesējošajai vietai. SELDM pieprasa arī reprezentatīvu ūdens kvalitātes statistiku par interesējošo vietu un augšteces baseinu. Atlasītās sastāvdaļas ir iepriekš ievadītas.

Šīs programmatūras atbalsts ietvers gaidāmās tiešsaistes apmācības un apmācības klasē noteiktās vietās, ierobežotu programmatūras atbalstu un ieteikto uzlabojumu apkopošanu. SELDM piemērošanai konkrētām problēmām var tikt sniegta tikai ierobežota palīdzība, taču ar gaidāmajiem mācību moduļiem vajadzētu pietikt lielākajai daļai lietotāju.

Tiek nodrošināts ierobežots atbalsts kļūdu labošanai un koda paredzētās darbības skaidrošanai.


Atļaujas un lomas

Šajā sadaļā ir aprakstīta identitātes un piekļuves pārvaldības (IAM) atļauja, kas nepieciešama, lai skatītu tabulas momentuzņēmuma metadatus, un iepriekš definētās IAM lomas, kas piešķir šīs atļaujas.

Atļaujas

Lai skatītu tabulas momentuzņēmuma metadatus, jums ir nepieciešama šāda atļauja:

Atļauja Resurss
bigquery.tables.get Tabulas momentuzņēmums

Lomas

Minimālā iepriekš definētā loma, kas nepieciešama tabulas momentuzņēmuma metadatu skatīšanai, ir šāda:

Loma Resurss
bigquery.metadataViewer Tabulas momentuzņēmums


Kā izmantot darbu secības, lai saglabātu datus pēc modeļa atrisināšanas

Maz zināmā funkcionalitāte Pētījums mezgls ir tā spēja veikt programmatisku darbību secību, tostarp atrisināt modeļa saglabāšanu failā un izveidot un eksportēt diagrammu grupas, rezultātus un attēlus. Šajā emuāra ierakstā mēs sīkāk aplūkojam šo iespēju. Ja izmantojat programmatūru COMSOL Multiphysics®, pastāv liela iespēja, ka šī informācija jums noderēs modelēšanas darbā.

Piemērs: Mikromiksētāja modelis

Lai demonstrētu šo funkcionalitāti, vispirms no lietojumprogrammu bibliotēkām ielādēsim Micromixer apmācības modeli. Šis modelis ir pieejams mapē COMSOL Multiphysics & gt Šķidruma dinamika un ilustrē šķidruma plūsmu un masas transportēšanu laminārajā statiskajā maisītājā.

Modelis veic šķidruma plūsmas simulāciju, izmantojot a Lamināra plūsma interfeisu. Nākamajā solī tas parāda, kā aprēķināt sajaukšanas efektivitāti, izmantojot a Atšķaidītu sugu pārvadāšana interfeisu, kā ievadi izmantojot šķidruma plūsmas simulācijas rezultātus. Sugas tiks transportētas lejup pa straumi, pamatojoties uz šķidruma ātrumu.

Šī modeļa aprēķināšanas laiks ir dažas minūtes. Lai nedaudz vienkāršotu modeli, lai mēs varētu ātrāk veikt aprēķinus, mēs nesagādājām risinājumu sugu pārvadāšanai. Lai to panāktu, mēs veiksim vienu izmaiņas otrā pētījuma posma iestatījumu logā, 2. solis: stacionārs 2, notīrot Atšķaidītu sugu pārvadāšana izvēles rūtiņu.

Mēs varam veikt papildu izmaiņas modelī, lai tas darbotos ātrāk. Iestatiet Secības veids tīklam līdz Fizikas kontrolēta acs un elementa lielums līdz Ārkārtīgi rupji.

Tagad mēs varam aprēķināt 1. pētījums lai pārliecinātos, ka viss darbojas. Iegūtais grafiks parāda ātruma lielumu dažās šķēlēs maisītāja ģeometrijā.

Darba secību izmantošana datu saglabāšanai

Šeit mēs koncentrēsim uzmanību uz vienu svarīgu darba konfigurācijas daļu: Secība iespēja.

Lai varētu definēt darbību secību zem Pētījums mezgls, mēs iespējojam Papildu studiju iespējas. Šī ir pieejama izvēlnes opcija rīkjoslā Model Builder. Noklikšķiniet uz simbola “eye ”, lai redzētu izvēlni.

Iespējojot šo iestatījumu, tiek atklāts slēpts Darba konfigurācijas mezglu modeļa kokā. Šis mezgls jums nav jāuztraucas, veicot parasto modelēšanu. Tajā būtībā tiek glabāta zema līmeņa informācija, kas attiecas uz secību, kādā jāīsteno risinājuma process. Parasti to kontrolē netieši no pētījuma augstākā līmeņa, bez nepieciešamības to iespējot Papildu studiju iespējas.

Noklikšķiniet ar peles labo pogu Darba konfigurācijas un izvēlieties Secība.

Tālāk ar peles labo pogu noklikšķiniet Secība redzēt zemāk Palaist opciju, dažādas iespējas, kuras var pievienot kā sakārtotu darbību secību, kas tiek veikta, palaižot secību:

Darbs attiecas uz citu secību, kas jāizpilda no šīs secības, kamēr Risinājums brauc a Risinājums mezgls, kas pieejams sadaļā Risinātāju konfigurācijas mezgls, pieejams tālāk Pētījums koks.

Zem Citi, tu vari izvēlēties Ārējā klase, kas izsauc ārēju Java® klases failu. Vēl viena iespēja, Ģeometrija, būvē Ģeometrija mezgls. To var izmantot, piemēram, kombinācijā ar parametru slaucīšanu, lai ģenerētu MPH failu secību ar dažādiem ģeometrijas parametriem. Acs opcija veido Acs mezgls.

Saglabājiet modeli failā saglabā atrisināto modeli MPH failā.

Saskaņā Rezultāti iespēju, jūs varat izvēlēties Sižeta grupa lai palaistu visas vai atlasīto diagrammu grupu kopu. Tas ir noderīgi, lai pēc risināšanas automatizētu diagrammu grupu ģenerēšanu. Lai ģenerētu atbilstošās vizualizācijas, jums arī nav manuāli jānoklikšķina uz visām diagrammu grupām. Atvasinātā vērtība opcija ir pieejama mantotu iemeslu dēļ, un mēs iesakām izmantot Novērtējiet atvasinātās vērtības opcija, kas novērtēs zemāk esošos mezglus Rezultāti & gt Atvasinātās vērtības. Iespēja Eksportēt uz failu palaiž jebkuru mezglu datu eksportēšanai zem Eksportēt mezgls.

Tagad izveidosim vienkāršu secību. Ar peles labo pogu noklikšķiniet uz Secība mezgls un izvēlieties Risinājums.

Noklusējuma opcija a Risinājums mezgls secībā ir palaist visus risinājuma mezglus. Palaist opciju sadaļā Vispārīgi sadaļā varat norādīt, kuru Risinājums ir jāaprēķina datu struktūras. Risinājums datu struktūras ir pieejamas kā bērnu mezgli kopā ar citiem mezgliem zem Risinātāju konfigurācijas. Tos var atpazīt pēc īsā vārda, kas rakstīts iekavās, piemēram, (sol1) un (sol2). Risinājumu datu struktūras ir risinājumu zema līmeņa attēlojumi.

Šajā piemērā varat saglabāt noklusējumu Visi priekš Risinājums datu struktūras.

Mēs vēlētos saglabāt failu, kad atrisinātājs ir pabeigts. Ar peles labo pogu noklikšķiniet uz Secība mezglu un izvēlieties Saglabājiet modeli failā.

Logā Iestatījumi varat redzēt vairākas iespējas, kas saistītas ar iespēju saglabāt virkni MPH failu ar parametriem, kas pievienoti faila nosaukuma beigās. Tas ir ļoti noderīgi parametru slaucīšanai, piemēram, sērijveida slaucīšanai. Tomēr mums tas nebūs jādara tik vienkāršā piemērā, tāpēc mēs mainām iespēju Pievienojiet parametrus faila nosaukumam uz Nav. Šajā posmā mums arī jāpiešķir faila nosaukums vietai, kur mums ir atļauja rakstīt. Šajā piemērā faila nosaukums un ceļš ir C: COMSOL myfile.mph.

Lai veiktu šīs darbības, atlasiet Secība mezglu un noklikšķiniet Palaist.

Datu ierakstīšana failā pēc atrisināšanas COMSOL Multiphysics®

Bibliotēkas modelim, no kura mēs sākām, jau ir viena definēta atvasināta vērtība. To varat redzēt zemāk Rezultāti & gt Atvasinātās vērtības & gt Globālais novērtējums. Mainīgo sauc S_outlet un ir relatīvā koncentrācijas dispersija pie izejas. Zemāk tas ir definēts kā mainīgs Komponents & gt Definīcijas & gt Mainīgie.

Vērtība S_outlet tiek nosūtīts uz 1. tabula. Mēs varam izvēlēties saglabāt šo vērtību failā, mainot iestatījumu logā Iestatījumi 1. tabula. Mainīt Glabāšanas galds uz Failā un ierakstiet, piemēram, faila nosaukumu, C: COMSOL my_data.txt.

Tagad pievienojiet Novērtējiet atvasinātās vērtības darbību secībā.

Iekš Vispārīgi sadaļā varat mainīt Novērtējiet iestatot uz Vispārējais novērtējums 1. Tomēr šajā vienkāršajā parauga modelī šo darbību varat izlaist. Ņemiet vērā, ka mezgla nosaukums modeļa kokā tiek mainīts uz Novērtēt: globālais novērtējums 1.

Tagad secību var palaist vēlreiz. Tomēr, lai šim pēdējam solim būtu jēga, jums ir jāiespējo Atšķaidītu sugu pārvadāšana saskarni iestatījumu logā 2. solis: stacionārs 2.

Darbu secību palaišana no komandrindas

Ja vēlaties palaist darba secību no komandrindas Windows® vai Linux® operētājsistēmās vai macOS, nevarat izmantot iepriekš parādīto metodi, bet tā vietā jāpievieno parametru slaucīšana ar fiktīvu parametru. Tomēr, ja jūs jau veicāt parametru tīrīšanu, jums jāzina tikai tas, ka parametru slaucīšana ir tikai īpaša veida darbu secība, un pēc tam izpildiet iepriekš sniegtos norādījumus, bet Darba konfigurācijas un gtParametric Sweep mezgls, kas aizstāj a Darba konfigurācijas un gtSequence mezgls.

Iemesls tam ir vēsturisks un atspoguļo Pētījums mezgla funkcionalitāte laika gaitā. Operētājsistēmas komandu saskarne neļauj palaist nevienu a Pētījums mezgls, kas netiek kontrolēts augšējā līmenī Pētījums mezgls. Varat norādīt tikai to, kuru pētījumu veikt, piemēram, operētājsistēmā Linux®:

comsol batch -inputfile mymodel.mph -study std1

priekš 1. pētījums ar tagu std1.

Jūs nevarat izpildīt secību šādā veidā, jo augstākā līmeņa pētījuma solis nezina par jūsu labojumiem sadaļā Darba konfigurācija mezgls. Lai mācību solis būtu augšpusē Pētījums mezglu koks un#8220apzinies ” par saviem labojumiem zem Darba konfigurācijas mezglā, vienkāršākais veids ir pievienot parametru slaucīšanu ar patvaļīgu parametru, kas definēts zemāk Globālās definīcijas & gt Parametri saki, manekens ar vērtību 1. Slaucot pār šo parametru, tiek pievienotas papildu izmaksas, kas nepieciešamas, lai iegūtu rokturi Darba konfigurācija mezgls no augšējā līmeņa Pētījums mezgls. Pēc tam varat izdot komandrindas pakešu komandu, lai to palaistu.

Šādi izskatīsies atbilstošais “dummy ” slaucīšana:

Nākamajā attēlā ir parādīta attiecīgā fiktīvā parametra slaucīšana pa vienu parametra vērtību.

Tagad, zinot, ka Parametriskā slaucīšana 1 mezgls ir tikai īpašs veids Secība mezgls, bērns mezglos 1. risinājums, Saglabāt modeli failā 1, un Novērtēt: globālais novērtējums 1 ir tādi paši kā iepriekšējā piemērā Secība.

Iespējojiet modeļa koka tagu parādīšanu, atlasot Tag no Modeļa koka mezgla teksts izvēlnē, kas pieejama modeļu veidotāja rīkjoslā.

Pētījuma birka std1 tagad ir redzams modeļu kokā:

Iepriekš parādītā Linux® komanda tagad izpildīs darbību secību, kas atrisinās, saglabās modeli failā un visbeidzot novērtēs Globālais novērtējums mezgls. Ņemiet vērā: ja jums ir tikai viens Pētījums mezglu savā modelī, tad varat izlaist ievades argumentu pētījums std1.

Ņemiet vērā, ka, ja jūsu modelī jau ir parametru tīrīšana, tie var būt divu veidu, un tos var dēvēt par “inner sweep ” un “outer sweep ”. Slaucīšana iepriekš minētajā piemērā, izmantojot fiktīvo parametru, ir “outer sweep ”. Pētījums mezgls automātiski noteiks, kāda veida slaucīšana jāizmanto, lai nodrošinātu vislabāko veiktspēju, taču, ja nepieciešams, jūs varat pārņemt kontroli manuāli. Lai komandrindā varētu izmantot uzdevumu secību, slaucīšanai ir jābūt “outer sweep ”.

Vairāk vai mazāk visus slaucīšanas veidus var mainīt no iekšējās slaucīšanas uz ārējo, bet ne otrādi. Iekšējā slaucīšana var būt ātrāka, jo, lai paātrinātu, tā izmantos kādu no aprēķina pamatā esošajām struktūrām. Tomēr ne visi slaucīšanas veidi var būt iekšēji. Piemēram, pārmeklēšanai pār ģeometrijas parametru vienmēr ir jābūt ārējai slaucīšanai, to risina automātiski. Lai pārliecinātos, ka parametru slaucīšana ir ārējā slaucīšana, nomainiet Izmantojiet parametru risinātāju uz Izslēgts iekš Parametriska slaucīšana iestatījumus, pēc tam veiciet a Rādīt noklusējuma risinātāju darbību un turpināt no turienes.

Kopsavilkums

Darba secības var izmantot, lai automatizētu vairākus izplatītus uzdevumus pēc modeļa risināšanas. Šajā emuāra ierakstā mēs esam redzējuši šādus piemērus:

  • Pēc risinājuma modeļa saglabāšana failā kā MPH fails
  • Eksportēšana Atvasinātās vērtības pēc atrisināšanas automātiski iesniegt failu

Ir arī citi uzdevumi, kuros tiek izmantotas darbu secības, kuras varat izmēģināt pats, tostarp:

  • Visu zemes gabalu atjaunošana pēc risināšanas
  • Sižeta datu eksportēšana failā
  • Attēlu datu eksportēšana failā

Mēs ceram, ka jūs secināsit, ka darba secības ir noderīga funkcija ikdienas modelēšanas darbā!

Oracle un Java ir Oracle un/vai tā saistīto uzņēmumu reģistrētas preču zīmes. Microsoft un Windows ir Microsoft Corporation reģistrētas preču zīmes vai preču zīmes ASV un/vai citās valstīs. Linux ir Linus Torvalds reģistrēta preču zīme ASV un citās valstīs. macOS ir Apple Inc. preču zīme, kas reģistrēta ASV un citās valstīs.

Kategorijas

Norādot savu e -pasta adresi, jūs piekrītat saņemt e -pastus no COMSOL AB un tā saistītajiem uzņēmumiem par COMSOL emuāru un piekrītat, ka COMSOL var apstrādāt jūsu informāciju saskaņā ar savu konfidencialitātes politiku. Šo piekrišanu var atsaukt.


3 atbildes 3

Vidējā vai summas izmantošana ir līdzvērtīga tādā nozīmē, ka pastāv mācīšanās līmeņu pāri, par kuriem tie sagatavo vienu un to pašu atjauninājumu.

Lai to apstiprinātu, vispirms atcerieties atjaunināšanas noteikumu:

Pēc tam $ mu_E $ ir vidējā kļūda datu kopai, kuras lielums ir $ n $ laikmetā. Kļūdas summa ir $ n mu_E $, un tā kā $ n $ nav atkarīga no $ w $, tas attiecas uz:

Uz jūsu otro jautājumu frāze "delta svaru uzkrāšana" nozīmētu, ka viena no šīm metodēm saglabā svara atjauninājumus. Tas tā nav: partiju mācīšanās uzkrājas kļūda. Noteiktā laikmetā ir tikai viens vektors $ Delta w $. (Jūsu pseidokoda kods izlaiž svaru atjaunināšanas soli, pēc kura var izmest $ Delta w $.)

Abas atbildes ir līdzvērtīgas. Es personīgi to uzskatītu par vidējo kļūdu summas vietā. Bet atcerieties, ka nolaišanās gradientam ir parametrs, ko sauc par mācīšanās ātrumu, un ka tiek atņemta tikai daļa no kļūdas gradienta. Tātad, vai kļūda ir definēta kā vidējā summa, to var kompensēt, mainot mācību līmeni.

Kāds paskaidroja, piemēram, partijas lielums ir hiperparametrs, kas nosaka paraugu skaitu, kas jāizstrādā pirms iekšējo modeļu parametru atjaunināšanas.

Iedomājieties partiju kā atkārtotu ciklu, kas atkārto vienu vai vairākus paraugus un veic prognozes. Partijas beigās prognozes tiek salīdzinātas ar gaidāmajiem izvades mainīgajiem un tiek aprēķināta kļūda. No šīs kļūdas atjaunināšanas algoritms tiek izmantots modeļa uzlabošanai, piem. virzīties uz leju pa kļūdu gradientu.

Mācību datu kopu var iedalīt vienā vai vairākās partijās.

Ja visas apmācības paraugi tiek izmantoti vienas partijas izveidošanai, mācību algoritmu sauc par partijas gradienta nolaišanos. Ja partija ir viena parauga lielums, mācīšanās algoritmu sauc par stohastisku gradienta nolaišanos. Ja partijas lielums ir vairāk nekā viens paraugs un mazāks par apmācības datu kopas lielumu, mācīšanās algoritmu sauc par mini-partijas gradienta nolaišanos.


Kontrolēt, kur tiek ierakstīti starpposma dati

Ģeogrāfiskās apstrādes rīki, kas izveido jaunas izvades datu kopas, automātiski ģenerē izvades datu kopas nosaukumu (kā aprakstīts sadaļā Darbvietas pašreizējās un nulles vides izmantošana). Šis automātiski ģenerētais nosaukums ietver ceļu uz darbvietu vai mapi, kurā ir datu kopa. ModelBuilder izmanto šo automātiski ģenerēto izvades nosaukumu, lai rakstītu starpposma datus. Jūs vienmēr varat ignorēt šo izvades datu kopas nosaukumu, ievadot citu izvades datu kopas nosaukumu un atrašanās vietu, un ir veidi, kā norādīt darbvietu, kas tiek izmantota, lai izveidotu automātiski ģenerētu izvades nosaukumu.

  • Jebkura darbvieta (ģeodatubāze, ģeodatubāzes funkciju datu kopa vai mape), ar peles labo pogu noklikšķinot uz starpdatu mainīgajiem un mainot to rakstīšanas vietu. Ja jums ir daudz starpposma datu, jūs varat padarīt starpposma datus pārvaldītus, kā aprakstīts sadaļā Starpposma datu pārvaldības datu veidošana.
  • Uz Scratch GDB (Scratch Geodatabase) vai Scratch mapi. Šīs divas tikai lasāmās vides tika ieviestas ArcGIS 10.1. Zemāk redzamajā ilustrācijā ir redzams Centroids Intersect datu mainīgais, kas atzīmēts kā starpposms, un tā izvades vieta ir nulles ģeodatubāze ( % scratchGDB %). Procentu zīmes ( %) apzīmē mainīgo aizstāšanu - palaižot modeļa rīku, scratchGDB vērtība tiek paplašināta, un nulles ģeodatubāzē tiek ierakstīta funkciju klase ar nosaukumu poly_Intersect. Līdzīgi varat izmantot % scratchFolder %, lai rakstītu uz datiem balstītus datus, piemēram, .lyr vai .txt failus.

Ir daži ieteikumi starpposma datu ierakstīšanai modelī, kā aprakstīts tālāk:


Publicēt

Pēc papildu atsvaidzināšanas politikas konfigurēšanas jūs publicējat modeli pakalpojumā. Kad publicēšana ir pabeigta, varat veikt sākotnējo atsvaidzināšanas darbību datu kopa.

Datu kopām, kas publicētas darbvietām, kas piešķirtas Premium jaudām, ja domājat, ka datu kopa palielināsies vairāk nekā par 1 GB vai vairāk, varat uzlabot atsvaidzināšanas darbības veiktspēju un nodrošināt, ka datu kopa nepārsniedz lieluma ierobežojumus, iespējojot lielu datu kopas krātuves formātu pirms tam veicot pirmo atsvaidzināšanas darbību pakalpojumā. Lai uzzinātu vairāk, skatiet sadaļu Lielas datu kopas programmā Power BI Premium.

Pēc publicēšanas pakalpojumā jūs nevarat lejupielādēt PBIX atpakaļ.


5 atbildes 5

Jums ir taisnība, 8 parametri - visas virknes - padara konstruktoru par labu kandidātu koda pārskatīšanai.

Apsveriet dažus no nākamajiem punktiem.

Vispirms būtiskās īpašības

Apskatiet ziņojuma modeli un noskaidrojiet, kādi atribūti ir nepieciešami, lai inicializētu instanci konsekventā stāvoklī. Samaziniet argumentu skaitu līdz būtiskajam. Pārējiem pievienojiet iestatītājus vai funkcijas.

Ja visi 8 atribūti ir obligāti un tikai lasāmi, darāmā nav pārāk daudz.

Iekapsulēšana

Apsveriet saistīto parametru iekapsulēšanu. Piemēram, A, B un C. var ievietot jaunā klasē. Uzziniet, kuri parametri vienlaicīgi mainās to pašu iemeslu dēļ.

Tas samazina argumentu skaitu par vēl vienu klasi (sarežģītība).

Izmantojiet radīšanas modeļus

Tā vietā, lai inicializētu ziņojumus tieši no jebkuras vietas koda avotā, dariet to no rūpnīcām vai celtniekiem.

Masīvi

Ja nekas no iepriekšminētā nedarbojas, izmēģiniet parametru masīvu. Ņemot vērā nozīmīgu param vārdu trūkumu, iespējams, tas ir vienkāršākais risinājums.

Attiecībā uz masīviem es ievietoju jautājumu, kurā jautāju par tā piemērotību. Es nelabprāt uzticējos šādam risinājumam. Tomēr atbildes man palīdzēja būt mazāk atturīgām, tāpēc pārbaudiet to, vai arī jums nepatīk šis risinājums. Tas varētu mainīt jūsu domas par šo.

Mantojums

Galu galā jūs sapratīsit, ka vēstījumi ir labi mantojuma kandidāti. Ziņojumu segmentēšana pēc atribūta rada nelielu pieskaitāmību, jo ātrāk nekā vēlāk jūs pieprasa tipa kodu (message.getType () ==.) Visā kodā.

Šeit ir ķecerīga atbilde: Es neredzu neko sliktu, ja ir daudz parametru.

Funkcijas, kas prasa daudz parametru, bieži tiek pārfaktorētas, taču tas, ka mēs kaut ko esam pārveidojuši vēsākā koda daļā, nenozīmē, ka mēs vajadzētu to ir darījuši.

Masīva vai masīva argumentu izmantošana 8 atsevišķu parametru vietā nozīmē, ka jums būs nepieciešama papildu loģika, lai pārliecinātos, ka ir ievadīts pareizais parametru skaits. Izmantojot veidotāja modeli, viss ir kārtībā, izņemot to, ka, ja es aiz muguras, lai uzturētu kodu un jums ir veidotāja modelis katrai stulbai mazai datu struktūrai, tad es, visticamāk, pazudīšu jūsu bajillion koda rindās. Ja jums tiešām ir vajadzīgi visi 8 argumenti, tad dažus nevar pārvietot tikai uz uzstādītāju rekvizītiem, jo ​​jums varētu būt klases eksemplārs bez visiem nepieciešamajiem datiem.

Pēc savas pieredzes es zinu, ka, ja mantošu koda bāzi, es labprātāk gribētu, lai kods tiktu izveidots nedaudz garlaicīgā, garlaicīgā, acīmredzamā stilā (piemēram, jūsu 8 konstruktoru argos utt.), Nevis ar kādu vēsu/ sarežģīts jauns DI ietvars/modelis, ko nekad agrāk neesmu izmantojis.

Ja jūsu augstāk minētā klase ir vienkārša (cerams, ka nemainīga) datu struktūra, kurai patiesi nepieciešami tieši 8 virkņu argumenti, lai tā būtu derīga, tad es saku, ka 8 parametru izmantošana ir lielisks veids, kā to sasniegt.


Skatīties video: Part 9 Overriding stored procedure defaults with entity framework code first approach