Más

Visualizaciones y simulaciones - Geociencias


Visualizaciones y simulaciones

Fritzing: ideal para crear & # 8220Breadboard Drawings & # 8221

Utilizo Fritzing principalmente para crear dibujos de tablero o diagramas de cableado. Por ejemplo, aquí & # 8217s un dibujo que utilicé en mi Tutorial Pan-Tilt Servo.

No he usado & # 8217t Fritzing para esquemas, PCB & # 8217s o programación (aunque hay opciones para cada uno de estos). Fritzing ha sido el programa probado y verdadero para ayudar a documentar circuitos en un formato muy legible. Si no lo está usando para dibujar sus circuitos Arduino, ¡le recomiendo que lo revise!


La guía completa de AUC y precisión promedio: simulaciones y visualizaciones

Esta publicación ofrece la explicación más clara en la web de cómo se pueden usar las métricas populares AUC (AUROC) y la precisión promedio para comprender cómo se desempeña un clasificador en datos equilibrados, y la siguiente publicación se enfoca en datos desequilibrados. Esta publicación incluye numerosas simulaciones y gráficos de precisión media / AUROC para clasificadores con diferentes propiedades. Todo el código para replicar los gráficos y las simulaciones se proporciona en GitHub.

Primero, aquí hay una breve introducción a AUROC y precisión promedio:

AUROC: área bajo la característica operativa del receptor

El AUROC indica si su modelo puede clasificar correctamente los ejemplos. El AUROC es la probabilidad de que un ejemplo positivo seleccionado al azar tenga una probabilidad más alta de ser positivo que un ejemplo negativo seleccionado al azar. El AUROC se calcula como el área debajo de una curva que mide la compensación entre la tasa de verdaderos positivos (TPR) y la tasa de falsos positivos (FPR) en diferentes umbrales de decisión d:

Un clasificador aleatorio (por ejemplo, el lanzamiento de una moneda) tiene un AUROC de 0.5, mientras que un clasificador perfecto tiene un AUROC de 1.0. Para obtener más detalles sobre AUROC, consulte esta publicación.

Precisión promedio (también conocida como AUPRC): área bajo la curva de precisión-recuperación

La precisión media indica si su modelo puede identificar correctamente todos los ejemplos positivos sin marcar accidentalmente demasiados ejemplos negativos como positivos. Por lo tanto, la precisión promedio es alta cuando su modelo puede manejar correctamente los positivos. La precisión promedio se calcula como el área bajo una curva que mide el equilibrio entre precisión y recuperación en diferentes umbrales de decisión:

Un clasificador aleatorio (por ejemplo, un lanzamiento de moneda) tiene una precisión media igual al porcentaje de positivos en la clase, por ejemplo, 0,12 si hay un 12% de ejemplos positivos en la clase. Un clasificador perfecto tiene una precisión media de 1,0. Para obtener más detalles sobre la precisión promedio, consulte esta publicación.

Simulación Configuración

En las simulaciones, genero un vector de verdad fundamental que indica la etiqueta verdadera para una serie de ejemplos (por ejemplo, [0,0,1] para tres ejemplos que son [negativo, negativo, positivo]) y un vector de predicción que indica un modelo hipotético & # 8217s predicciones sobre esa serie de ejemplos (por ejemplo, [0.1,0.25,0.99]).

Genero la verdad básica y las predicciones para que haya diferentes números de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos:

Para obtener una revisión más detallada de las matrices de confusión, consulte esta publicación.

Los resultados del modelo simulado en esta publicación se crearon en relación con un umbral de decisión asumido de 0,5. Por ejemplo, para crear verdaderos positivos a partir de un umbral de decisión asumido de 0.5, muestreé uniformemente valores de predicción entre 0.5001 y 1.0, y marqué la verdad básica como 1 para cada valor muestreado. Tenga en cuenta que se utilizó un umbral de decisión de 0,5 solo para simular los vectores de predicción y verdad del terreno. El AUROC y la precisión media se calculan con un umbral de decisión deslizante, siguiendo sus definiciones.

Todo el código para replicar los resultados y las cifras de esta publicación se puede encontrar en GitHub.

Simulaciones para datos equilibrados

Observemos los gráficos del AUROC y la precisión media en un conjunto de datos equilibrado, es decir, un conjunto de datos para el que el número de positivos reales y el número de negativos reales es igual.

Modelo aleatorio

En la figura anterior para & # 8220ModelBalanced & # 8221, el gráfico de la izquierda (rojo) muestra la característica operativa del receptor (ROC), con el título que informa el área bajo el ROC, o AUROC, en este caso 0,48.

El gráfico de la derecha (azul) muestra la curva de recuperación de precisión, y el título informa el área bajo la curva de recuperación de precisión (AUPRC) calculada utilizando el método de precisión promedio.

0.5, la línea de base y la precisión promedio también son

0.5, la línea de base ya que la fracción de positivos es 0.50. Los valores no son exactamente 0.500 debido al muestreo uniforme aleatorio involucrado en la simulación. & # 8220ModelBalanced & # 8221 significa que el modelo no está & # 8217t sesgado hacia la realización de predicciones positivas o negativas, y tampoco está & # 8217t sesgado hacia la realización de predicciones correctas. En otras palabras, este es un modelo aleatorio e inútil equivalente al lanzamiento de una moneda.

La línea debajo del título de la trama informa el número de verdaderos positivos (tp), falsos negativos (fn), verdaderos negativos (tn) y falsos positivos (fp) en un umbral de decisión de 0.5 (d = 0.5): & # 8220at d = 0.5, tp = 100, fn = 100, tn = 100, fp = 100. & # 8221 Este punto también se traza en la curva como el punto etiquetado & # 8220d = 0.5 & # 8221 para & # 8220decision umbral = 0.5. & # 8221

Además, muestro los puntos en las curvas donde el umbral de decisión es igual a 0.9, 0.5 y 0.1. Estos puntos están etiquetados como d = 0.9, d = 0.5 yd = 0.1. Podemos ver que el umbral de decisión va de 1 a 0 a medida que hacemos un barrido de izquierda a derecha. Las curvas en sí mismas son relativamente suaves porque se crearon utilizando numerosos umbrales de decisión; solo 3 umbrales de decisión se muestran explícitamente como puntos para enfatizar las propiedades de las curvas.

Predicciones de modelos incorrectos

En & # 8220ModelPredBad & # 8221, el modelo está sesgado hacia la realización de malas predicciones, es decir, tiende a obtener la respuesta incorrecta y tiene muchos falsos negativos y muchos falsos positivos. Observe que aquí, el AUROC y la precisión promedio están por debajo de la línea de base. Esto ilustra un hecho interesante sobre los clasificadores & # 8211 en la práctica, si tiene un modelo que es & # 8220 extremadamente malo & # 8221, entonces puede cambiar la decisión de clasificación y obtener un modelo que sea bueno. Si cambiamos todas las decisiones de clasificación aquí, podríamos obtener un modelo con 1.0 & # 8211 0.11 = 0.89 AUROC. Es por eso que la línea de base para AUROC es siempre 0.5 si tenemos un clasificador con AUROC por debajo de 0.5 cambiamos sus decisiones y obtenemos un mejor clasificador con un AUROC entre 0.5 y 1.0.

El & # 8220codo & # 8221 en el AUROC y los gráficos de precisión promedio en d = 0.5 se deben a la forma en que se crearon los resultados simulados en relación con un umbral de decisión de d = 0.5.

Buenas predicciones del modelo

En & # 8220ModelPredGood & # 8221 tenemos un buen modelo que produce muchos verdaderos positivos y verdaderos negativos. Podemos ver que el AUROC y la precisión media son altos.

Predicciones de modelos con sesgos negativos

En & # 8220ModelPredNeg (HighTN, HighFN) & # 8221 tenemos datos equilibrados y un modelo que está sesgado hacia la predicción de negativos. Aunque predice más negativos en total, predice el mismo número de verdaderos negativos que falsos negativos. Debido a que tp == fp y tn == fn, el AUROC y la precisión promedio están una vez más alrededor de sus valores de línea base de 0.5, lo que significa que este es un modelo inútil.

Podemos confirmar esto considerando las fórmulas para TPR (tasa de verdaderos positivos, recuperación), FPR (tasa de falsos positivos) y precisión. Como tenemos tp == fp, podemos llamar a este valor a, es decir, tp == fp == a. Como tenemos tn == fn, podemos llamar a este valor b, es decir, tn == fn == b. Entonces podemos escribir:

Para AUROC: TPR = tp / (tp + fn) = a / (a ​​+ b) y FPR = fp / (fp + tn) = a / (a ​​+ b). Por lo tanto, TPR y FPR son siempre iguales entre sí, lo que significa que la ROC es una línea recta en y = x, lo que significa que el AUROC es 0.5.

Para precisión promedio: precisión = tp / (tp + fp) = a / (a ​​+ a) = 1/2, y desde antes, TPR = recall = tp / (tp + fn) = a / (a ​​+ b). Por lo tanto, independientemente del valor de recuperación, la precisión siempre es aproximadamente 1/2, por lo que obtenemos un área bajo la curva PR de 0,5.

Predicciones de modelos con sesgos positivos

En & # 8220ModelPredPos (HighTP, HighFP) & # 8221 podemos ver el mismo efecto que vimos en & # 8220ModelPredNeg (HighTN, HighFN) & # 8221. Este modelo está sesgado hacia la predicción de positivos, pero aunque predice un mayor número de positivos en total, predice el mismo número de verdaderos positivos que falsos positivos, por lo que es un modelo inútil con AUROC y precisión media en sus valores basales.

También es interesante observar los puntos de las curvas correspondientes a d = 0,9, 0,5 y 0,1. Aquí, cuando el modelo tiende a predecir positivos, los puntos para d = 0.5 yd = 0.1 se aprietan más juntos. Inmediatamente arriba, en & # 8220DataBalanced / ModelPredNeg & # 8221, en su lugar, tenemos d = 0.5 aplastado más cerca de d = 0.9.

Buenas predicciones del modelo: TN altos

En & # 8220ModelPredGoodTN (HighTN) & # 8221, el modelo es particularmente bueno para identificar verdaderos negativos. Esto produce un AUROC mejor que el aleatorio y una precisión promedio mejor que la aleatoria.

En el gráfico ROC (rojo), vemos que los umbrales de decisión d = 0,9 ad = 0,5 abarcan un pequeño intervalo de FPR = fp / (fp + tn). Esto se debe a que para estos umbrales de decisión altos, los fps son especialmente bajos y los tns son especialmente altos, lo que produce un FPR pequeño.

Tenga en cuenta que la precisión promedio no mejora explícitamente por el número de verdaderos negativos, porque los verdaderos negativos no se utilizan en el cálculo de la precisión promedio. La precisión promedio se mejora por la disminución de falsos positivos que se produce porque algunos ejemplos pasaron de ser falsos positivos a verdaderos negativos, lo que era necesario para mantener la suposición de que el conjunto de datos está equilibrado. Precisión = tp / (tp + fp), por lo que cuando hacemos el fp más pequeño, aumentamos la precisión. Además, la precisión tiende a ser más alta cuando el umbral de decisión es más alto (el lado izquierdo de la gráfica) porque cuanto mayor es el umbral de decisión, más estricto es el requisito para ser marcado como positivo, lo que en general aumenta tps y reduce fps.

Predicciones de modelos incorrectos: FP altos

En & # 8220ModelPredBadFP (HighFP) & # 8221, el modelo produce muchos falsos positivos. Una vez más, debido a que este modelo es & # 8220 estratégicamente malo & # 8221, podríamos obtener un buen modelo cambiando sus decisiones de clasificación. Si cambiamos sus decisiones de clasificación, entonces los FP se convertirían en TN, y tendríamos un modelo sesgado hacia la predicción de TN & # 8212 el modelo exacto que se muestra arriba en & # 8220ModelPredGoodTN (HighTN) & # 8221.

Buenas predicciones del modelo: TP altos

Esta es nuestra penúltima cifra. En & # 8220ModelPredGoodTP (HighTP) & # 8221, el modelo produce muchos positivos verdaderos. Esto conduce a un AUROC mejor que aleatorio y una precisión promedio mejor que aleatoria.

Observe cómo esta ROC tiene un pico más hacia la parte superior, mientras que en & # 8220ModelPredGoodTN (HighTN) & # 8221 la curva ROC tiene un pico más hacia la parte inferior. La República de China aquí tiene un pico más hacia la parte superior porque un pequeño rango de TPR = tp / (tp + fn) está cubierto por los umbrales de decisión más bajos d = 0.5 ad = 0.1. Esto se debe a que cuando los umbrales de decisión son bajos, en este modelo con sesgo de tp, terminamos con muchos tps y pocos fns, lo que crea un alto recuerdo en estos distintos umbrales de decisión más bajos. El & # 8220codo & # 8221 que está presente en d = 0,5 se debe a la forma en que se generaron los resultados sintéticos en relación con un umbral de decisión de 0,5.

Predicciones de modelos incorrectos: FN altos

Esta es la trama final. & # 8220ModelPredBadFN (HighFN) & # 8221 muestra gráficos para un modelo que produce una gran cantidad de falsos negativos. Si cambiamos las decisiones de clasificación de este modelo incorrecto, todos los FN se convertirían en TP y obtendríamos el buen modelo que se muestra arriba como & # 8220ModelPredGoodTP (HighTP) & # 8221.


33 - Intervenciones de imágenes, visualización y simulación mental

Las imágenes mentales se definen como la representación mental de eventos, acciones o tareas futuras. Las técnicas de imágenes se han utilizado con frecuencia como medio para cambiar el comportamiento. Se han utilizado numerosas estrategias que incluyen imágenes guiadas, simulaciones mentales y entrenamiento de imágenes funcionales. Varias teorías explican cómo las imágenes mentales pueden cambiar el comportamiento, incluidas las teorías cognitivas sociales, de regulación de las emociones y de intrusión de elaboración. Los mediadores clave de las intervenciones de imágenes incluyen la autoeficacia y las expectativas de resultados, la regulación de las emociones, la accesibilidad a las señales y los deseos y pensamientos intrusivos. Las intervenciones de imágenes son efectivas para cambiar el comportamiento, generalmente con tamaños de efecto pequeños a medianos. Las intervenciones con imágenes son más efectivas en poblaciones de mayor edad, cuando se proporcionan instrucciones detalladas y si son de mayor duración. Los profesionales que estén considerando el uso de imágenes para cambiar el comportamiento deben considerar (1) el contenido y el formato de la intervención con imágenes (2) la selección de la audiencia objetivo apropiada (3) la identificación de los medios para promover la efectividad de la intervención con imágenes (4) la identificación de la capacitación y las habilidades requeridas para el tipo de imágenes (5) la dosis apropiada de imágenes (6) inclusión de métodos para evaluar la fidelidad de la intervención de imágenes y (7) medios para evaluar la eficacia y los procesos basados ​​en la teoría de las intervenciones de imágenes. Se requiere más investigación experimental y de intervención de alta calidad que evalúe técnicas de imágenes sobre el cambio de comportamiento en diversos comportamientos, contextos y poblaciones.


¿Dónde podemos ayudar?

Las herramientas de Presagis son potentes pero flexibles y han ayudado a empresas, organizaciones y gobiernos de todo el mundo a crear los entornos virtuales y los diseños de cabina del mañana.

Obtenga más información sobre las industrias, los segmentos y las actividades comerciales en las que los productos Presagis pueden hacer realidad sus proyectos.

¿Cómo puede ayudarle Presagis?

Desde fabricantes y gobiernos hasta integradores de sistemas y consultores, Presagis tiene las herramientas y la experiencia para ayudarlo a hacerlo realidad. Al responder algunas preguntas, podemos ayudarlo a sugerir las soluciones que mejor se adapten a su perfil.


FUEGO: retroalimentación en entornos realistas

Esta página contiene algunas animaciones y visualizaciones de simulaciones FIRE. Este está lejos de ser el único sitio donde se encuentran disponibles visualizaciones hermosas y educativas de estas simulaciones, y solo incluimos algunas aquí: si desea buscar otras, consulte algunos de los sitios web que se describen a continuación.

Luciérnaga (imagen de arriba) es una aplicación de visualización para simulaciones basadas en partículas, que hemos utilizado ampliamente para las simulaciones FIRE. Firefly permite a los usuarios interactivamente Explore una instantánea de simulación, moviéndose a través de ella de una manera fluida e intuitiva. Una característica única de Firefly es que el La misma aplicación se puede ejecutar sin problemas en una amplia gama de plataformas., que van desde la computadora portátil personal de un usuario hasta una pantalla mural de ultra alta resolución con capacidad espectroscópica 3D. Gracias a esta extraordinaria versatilidad, Firefly se puede utilizar para el análisis de datos profesionales, así como para la educación y la divulgación.

Vea una versión de demostración de Firefly con algunos datos de simulación aquí. O aprenda más sobre el proyecto Firefly aquí. O descargue conjuntos de datos completos de Firefly para salidas de simulación pública de halos masivos de la Vía Láctea a través de nuestros portales & # 8220Milky Way & # 8221 o & # 8220Data & # 8221 en este sitio web.

Una imagen HST simulada de una de nuestras simulaciones FIRE.

Una galería de galaxias (simuladas): mostrando simulacros de imágenes HST de nuestras simulaciones FIRE, está disponible a través del sitio web de Phil Hopkins & # 8217s aquí. Vaya allí para explorar algunos de los diversos tipos de galaxias que aparecen en las simulaciones, como la imagen aquí.

La imagen de la derecha es un ejemplo. Los colores son una versión simulada de lo que aparecería en una imagen típica del Hubble, realizada mediante el trazado de rayos a través del gas, el polvo y las estrellas completamente simulados de la simulación (para los expertos, es una imagen compuesta simulada de u / g / r). El azul muestra estrellas jóvenes y cúmulos estelares. Los carriles de polvo rojo y marrón oscurecen y enrojecen la luz. ¡Observa cómo emergen decenas de galaxias con diversas morfologías!

Un número de ejemplo películas se muestran a continuación. Estos son solo algunos ejemplos de una enorme biblioteca de animaciones de simulación. Para conjuntos de animaciones más extensos, con descripciones más detalladas, visite el sitio web de Phil Hopkins & # 8217s aquí.

Las películas muestran simulaciones de la formación de galaxias individuales, comenzando en un momento en que el Universo tenía solo unos pocos millones de años (corrimiento al rojo de 100). Siguen la región que se convertirá en una sola galaxia en la actualidad, rastreando la evolución de la materia oscura y el gas, que eventualmente se convierte en estrellas. Luego, esas estrellas "iluminan" el medio que las rodea: lo alteran con tanto su radiación calentando y empujando el medio, como con las explosiones de supernovas.

Una Vía Láctea como Galaxy fusionándose con su Gran Nube de Magallanes:
Volando a través de los últimos mil millones de años

Esto muestra una imagen simulada de tres colores (bandas u / g / r) de cómo se vería esta galaxia en longitudes de onda de luz visible. Las regiones azules son cúmulos de estrellas jóvenes que han eliminado el gas y el polvo de los que se formaron. Las regiones rojas están oscurecidas por grandes cantidades de polvo. La duración de la película sigue a los últimos mil millones de años de tiempo cósmico, y mientras pasa el tiempo, hemos hecho volar una cámara "a través" de la galaxia resultante, haciendo una panorámica también a su alrededor, para que pueda ver la estructura dentro del sistema. Esta versión de la película se hizo a partir de una de nuestras simulaciones de alta resolución (resolución de masa para el gas y las estrellas de 7000 masas solares) de una galaxia de masa de la Vía Láctea. Para obtener más información como ésta, vaya aquí.

Una galaxia de masa de la Vía Láctea en formación (m12q)
Estas películas muestran la formación de una galaxia, similar en masa a la Vía Láctea, desde los primeros tiempos (corrimiento al rojo z = 100) hasta el presente. La escala está fijada en 50 kiloparsecs físicos en un lado (por lo que en los primeros tiempos, las galaxias ocupan solo una pequeña fracción de esto). Las salidas masivas impulsadas por la retroalimentación de las estrellas son claramente evidentes, y especialmente en los primeros tiempos tienen un impacto dramático en el medio intergaláctico circundante. En momentos posteriores, las cosas "se calman" y comienza a formarse un disco más relajado. Tenga en cuenta que esta es una simulación de resolución mucho más baja en comparación con la anterior, por lo que de cerca no puede ver tantos detalles finos. Pero ve aquí para animaciones de mayor resolución como esta.

El gas y la formación de discos de la red cósmica
A continuación, puede ver películas de una simulación a partir de condiciones iniciales ligeramente diferentes, con un esquema de color diferente diseñado para resaltar la red cósmica que alimenta a las galaxias.

El origen de los discos galácticos delgados (m12i)
Estos videos muestran el disco de una galaxia de masa de la Vía Láctea actual, en estrellas y gas, formado en una simulación con una historia de formación "intermedia".
A pesar de la violencia de las salidas de la galaxia, vemos un disco notablemente delgado de estrellas jóvenes. Ha sido un desafío durante décadas producir galaxias con discos delgados, y muchos estudios previos sugirieron que los discos delgados pueden ser incompatibles con una fuerte retroalimentación. Las simulaciones de FIRE muestran que se pueden formar discos galácticos delgados en simulaciones cosmológicas y que son compatibles con una fuerte retroalimentación estelar.


Starlight (izquierda: de frente. Derecha: de borde)

Y aquí está el gas en la misma simulación (codificación de colores como arriba):

Una alternativa más violenta (m12v)
Estas películas son de una galaxia con masa similar, pero que experimentó una historia más violenta. A diferencia del sistema anterior, este tiene muchas fusiones & # 8212 colisiones violentas & # 8212 con otras galaxias, en una amplia gama de tiempos. Como resultado, el disco bien ordenado que vimos antes nunca tiene tantas posibilidades de sobrevivir y crecer antes de ser destruido por estos encuentros.

Estos muestran una imagen simulada de tres colores (bandas u / g / r) de cómo se vería esta galaxia en longitudes de onda de luz visible, como la película de arriba, de dos proyecciones diferentes para ayudar a ver las fusiones con claridad.

Una galaxia enana en formación (m10)
Estas películas comparan, en cambio, la formación de una galaxia "enana" mucho más pequeña, con un halo de masa de 10 ^ 10 masas solares, y la masa actual en estrellas de unos pocos millones de masas solares. Las salidas son enormemente importantes aquí & # 8212 ¡la galaxia es mil veces más pequeña en masa estelar de lo que sería sin retroalimentación! Pero la retroalimentación actúa de manera muy diferente, como puede verse claramente. Los flujos de salida son muy esféricos, porque la galaxia y su halo son pequeños en comparación con el filamento de fondo del que se está formando. Entonces, la acumulación en ellos es casi esférica. Los flujos de salida son impulsados ​​principalmente por gas caliente / caliente, en una serie de "proyectiles". No hay mucho gas frío en la galaxia, porque incluso una pequeña masa en estrellas jóvenes y masivas puede calentar todo el gas lo suficiente como para ionizarlo y expulsar una fracción bastante grande de la galaxia por completo.

También puede ver claramente los efectos de la reionización en el desplazamiento al rojo z

8-9, cuando el Universo "se enciende" y el gas en el medio intergaláctico se ioniza.

Estas películas muestran el gas en la galaxia. El magenta es un gas molecular / atómico frío (T & lt1000 K), el verde es un gas ionizado caliente (10 ^ 4-10 ^ 5 K) y el rojo es un gas "caliente" (& gt10 ^ 6 K).


Gas (Izquierda: balanzas grandes, 100 kpc en un lado. Derecha: balanzas pequeñas, 20 kpc en un lado)

En ausencia de estos efectos de "retroalimentación", casi el 100% del gas unido gravitacionalmente al "halo" final de materia oscura se convertiría en estrellas, en total desacuerdo con lo observado. Pero las películas ilustran claramente que la retroalimentación conduce a supervientos galácticos masivos que soplan una gran cantidad de gas.

Animaciones de flujos de gas en el medio circungaláctico
Estas animaciones, basadas en el análisis del ciclo bariónico cósmico reportado en Anglés-Alcázar et al. (2017a), ilustran los flujos de gas que alimentan la formación de estrellas en las galaxias (acreción fresca, reciclaje del viento, transferencia intergaláctica, & # 8230). Consulte el documento para obtener descripciones de los diferentes tipos de flujos de gas.

La m12 simulación
/> La m11 simulación

Animación del crecimiento de un agujero negro supermasivo en FIRE
Esta animación muestra cómo la masa del agujero negro supermasivo central crece en relación con la masa estelar de la galaxia anfitriona en una de las simulaciones de Anglés-Alcázar et al. (2017b). La animación muestra cómo la tasa de acreción del agujero negro en los primeros tiempos es muy intermitente debido a la repetida evacuación de gas del núcleo galáctico por retroalimentación estelar. Posteriormente, la galaxia desarrolla un disco nuclear gaseoso estable que alimenta el agujero negro a un ritmo más constante.

Al final de la simulación, el agujero negro supermasivo tiene una masa similar a la esperada en base a las relaciones de escala observadas en el universo local para la masa estelar del bulbo galáctico. La simulación que se muestra aquí sigue un halo principal de masa total

10 ^ 12.5 Msun z = 2, representativo de cuásares luminosos en ese corrimiento al rojo.

Visualizaciones de cajas cosmológicas de volumen completo (las condiciones iniciales & # 8220FIREbox & # 8221):

Esto muestra un momento fijo (z = 2), representando la red cósmica a una distancia fija (azul) y acercándose y alejándose (púrpura, donde esto muestra el gas y las estrellas con el gas en el mapa de colores suave de púrpura a amarillo y el estrellas como puntos rojos) en un


Simulación frente a visualización & # 8211 ¿cuál & # 8217s es la diferencia?

En este artículo, explicaremos qué son las tecnologías de simulación y visualización, por qué son útiles en el contexto de la fabricación y cómo se complementan entre sí.

  • La tecnología de simulación nos permite producir datos.
  • La tecnología de visualización hace que los datos de simulación sean accesibles.

A menudo nos preguntan sobre las diferencias entre simulación y visualización. Si bien estas tecnologías se están volviendo cada vez más populares entre los profesionales de la industria manufacturera, hemos notado que a menudo existe cierta confusión entre los conceptos. ¡Veamos si podemos ayudar a arrojar algo de luz sobre esta discusión!

En resumen, definimos la simulación como la producción de datos y la visualización como la representación de datos. Mientras que la tecnología de visualización 3D hace que todos los elementos parezcan reales, la tecnología de simulación hace que funcionen como si fueran reales.

En este artículo, explicaremos qué son las tecnologías de simulación y visualización, por qué son útiles en el contexto de la fabricación y cómo se complementan entre sí.

Definimos simulación como la producción de datos y visualización como la representación de datos.

Lograr precisión en el mundo real a través de la simulación

La tecnología de simulación nos permite producir datos. En el contexto de la fabricación, estos datos nos ayudan a replicar y reproducir las operaciones del mundo real de cada uno de los elementos presentes en una línea de producción.

Gracias a la simulación, podemos emular las diferentes características, propiedades y comportamientos que poseen los recursos de fabricación, incluidos los equipos y la mano de obra. Genera información precisa sobre su utilización, rendimiento y efecto general en la producción a lo largo del tiempo.

Los datos que obtenemos mediante simulación también pueden ayudarnos a establecer correlaciones entre los recursos y su rendimiento, tanto individual como colectivamente. Además, primero podemos probar diferentes combinaciones y escenarios de interacción en el mundo virtual. De esta manera, tenemos mucha más confianza en que las soluciones de fabricación que implementamos funcionarán según lo diseñado.

Simplificando los datos a través de la visualización

La tecnología de visualización nos permite representar visualmente los datos que obtenemos a través de la simulación. En lugar de devanarse los sesos tratando de procesar datos de simulación sin procesar, con esta tecnología puede simplificar información compleja y convertirla en un dibujo 2D amigable, gráfico, imagen de alta calidad o incluso una animación 3D.

Al proporcionar datos numéricos en un formato fácil de entender, la visualización permite a todos, independientemente de si tienen experiencia técnica, interpretar y analizar los datos de manera eficiente. Esto, a su vez, ayuda a acelerar los flujos de trabajo y facilita la comunicación.

En resumen, la tecnología de visualización hace que los datos de simulación sean accesibles.

El poder de las tecnologías de simulación y visualización de amplificadores combinadas

El software de visualización y simulación de fabricación 3D de Visual Components utiliza ambas tecnologías para ofrecer una solución completa que le ayuda a crear contenido de grado de marketing con precisión de grado de ingeniería. Gracias a su simplicidad, alto nivel de precisión y capacidad para exportar entregables listos para el proyecto, los profesionales de fabricación de todo el mundo ahora tienen el poder de diseñar y comunicar soluciones de fabricación a equipos, clientes y partes interesadas.


Visualizaciones y simulaciones

Los investigadores del Center for Spatial Planning Analytics and Visualization desarrollan tecnologías que permiten a las personas sumergirse física y mentalmente en entornos virtuales y del mundo real. Estos modelos generados por computadora, como la representación 3D que se muestra arriba, nos ayudan a comprender mejor nuestras interacciones con el espacio y el tiempo, lo que, en última instancia, ayuda a informar cómo esas conexiones influyen en el proceso de diseño. Nos permiten acceder a lugares que no podemos ver ni entrar físicamente.

Estas tecnologías se utilizan en el desarrollo de sensores de hardware, entornos informáticos interactivos, aplicaciones de software, interacción física con la tecnología, diseño de interfaz de usuario, realidad aumentada y virtual, animaciones 3D y motores de juegos.

El campus de Georgia Tech contiene cientos de especies de árboles. El laboratorio IMAGINE (Interactive Media Architecture Group in Education) está construyendo una aplicación de realidad aumentada para dispositivos móviles y tabletas que permitirá a los usuarios ver árboles de forma interactiva. En la aplicación, los usuarios pueden tocar un árbol y recibir información sobre él, como la edad, el tamaño y la especie. El usuario también puede ver el crecimiento proyectado del árbol para los próximos 10, 25 y 50 años, todo renderizado en 3D en la pantalla. Además, la aplicación permite al usuario ver una vista aumentada del campus, mejorada con información educativa ilustrativa.

Durante la última década, Georgia Tech ha realizado importantes inversiones en instalaciones subterráneas para la gestión de aguas pluviales. Estos incluyen cisternas, pozos, tanques, bombas, sistemas de riego y fuentes.. El objetivo es evitar que ingresen cargas de agua adicionales y contribuyan al sistema de alcantarillado de Atlanta.

Si bien estos sistemas de campus son numerosos, son desconocidos e invisibles. Para promover estas inversiones, el Laboratorio IMAGINE trabaja con la Oficina de Planificación de Capital y Gestión del Espacio de Georgia Tech para desarrollar una aplicación para visualizar estos sistemas subterráneos. La aplicación móvil proporciona información general sobre los sistemas, así como modelos navegables en 3D de varios sitios, que incluyen vistas de los edificios, el paisaje y las tuberías subterráneas. A través de esta aplicación, los usuarios pueden conocer las partes del sistema y cómo funcionan para mantener el consumo de agua del campus.


Noticias y anuncios

Los investigadores de Purdue University Northwest en el Centro de Innovación a través de Visualización y Simulación (CIVS) lideran un equipo seleccionado para una subvención federal de $ 7 millones para mejorar los procesos de fabricación de acero.

La Oficina de Eficiencia Energética y Energía Renovable (EERE) del Departamento de Energía de EE. UU. (DOE) anunció hoy (13 de enero de 2021) que el Consorcio de Visualización y Simulación de Fabricación de Acero (SMSVC) de PNW ubicado en CIVS fue seleccionado para desarrollar una tecnología virtual integrada de próxima generación. Alto horno (IVBF) para mejorar la eficiencia energética en tiempo real. La subvención de $ 7 millones es la más grande [& hellip]

Purdue University Northwest and Northern Indiana Public Service Company (NIPSCO) anunció que NIPSCO ha creado una donación para establecer una cátedra en Ingeniería de Simulación. El Dr. Chenn Zhou será el primero en ocupar el puesto recién investido.

Campus de Hammond
2200 169th Street
Hammond, IN 46323
(219) 989-2400
(855) 608-4600


Ver el vídeo: Geomodelr- Crear Visualizaciones 3D (Septiembre 2021).