through the "*YACS Container Log*" window, which is updated during the
process, and using "*Observers*" attached to calculation variables.
+ physical system
+ This is the object of study that will be represented by numerical
+ simulation and observed by measurements.
+
+ digital simulator
+ All the numerical relationships and equations characterizing the physical
+ system studied.
+
+ numerical simulation
+ Computational implementation of the set composed of the numerical
+ simulator and a particular set of all the input and control variables of
+ the simulator. These variables enable the digital simulator to be able to
+ numerically represent the system's behaviour.
+
+ observations or measurements
+ These are quantities that come from measuring instruments and
+ characterize the physical system to be studied. These quantities can vary
+ in space or time, can be punctual or integrated. They are themselves
+ characterized by their measurement nature, size, etc.
+
+ observation operator
+ It is a transformation of the simulated state into a set of quantities
+ explicitly comparable to the observations.
+
+ boundary conditions
+ These are particular input and control variables of the simulator, which
+ characterize the description of the system's behaviour at the border of
+ the simulation spatial domain.
+
+ initial conditions
+ These are specific simulator input and control variables that
+ characterize the description of the system's behavior at the initial edge
+ of the simulation time domain.
+
APosterioriCovariance
Keyword to indicate the covariance matrix of *a posteriori* analysis
errors.
to 1, a "good" estimation leading to a parameter "close" to 1.
analysis
- The optimal state estimation through a data assimilation or optimization
- procedure.
+ It is the optimal state estimated through a data assimilation or
+ optimization procedure.
background
- The *a priori* known state, which is not optimal, and is used as a rough
- estimate, or a "best estimate", before an optimal estimation.
+ It is a part (chosen to be modified) of the system state representation,
+ representation known *a priori* or initial one, which is not optimal, and
+ which is used as a rough estimate, or a "best estimate", before an
+ optimal estimation.
innovation
Difference between the observations and the result of the simulation based
::
import numpy
- v = numpy.matrix( numpy.ravel( var[-1] ) )
+ v = numpy.ravel( var[-1] )
print(str(info)+" "+str(float( numpy.linalg.norm(v) )))
.. index:: single: ValueRMS (Observer)
::
import numpy
- v = numpy.matrix( numpy.ravel( var[-1] ) )
- print(str(info)+" "+str(float( numpy.sqrt((1./v.size)*(v*v.T)) )))
+ v = numpy.ravel( var[-1] )
+ print(str(info)+" "+str(float( numpy.sqrt((1./v.size)*numpy.dot(v,v)) )))
jour au fur et à mesure du déroulement du calcul, et en utilisant des
"*Observers*" attachés à des variables de calcul.
+ système physique
+ C'est l'objet d'étude que l'on va représenter par simulation numérique,
+ et que l'on observe par des mesures.
+
+ simulateur numérique
+ Ensemble des relations numériques et des équations caractérisant le
+ système physique étudié.
+
+ simulation numérique
+ Mise en oeuvre calculatoire de l'ensemble constitué du simulateur
+ numérique et d'un jeu particulier de toutes les variables d'entrée et de
+ contrôle du simulateur. Ces variables permettent de mettre le simulateur
+ numérique en capacité de représenter numériquement le comportement du
+ système.
+
+ observations ou mesures
+ Ce sont des quantités qui proviennent d'instruments de mesures et qui
+ caractérisent le système physique à étudier. Ces quantités peuvent varier
+ en espace ou en temps, peuvent être ponctuelles ou intégrées. Elles sont
+ elles-mêmes caractérisées par leur nature de mesure, leur dimension, etc.
+
+ opérateur d'observation
+ C'est une transformation de l'état simulé en un ensemble de quantités
+ explicitement comparables aux observations.
+
+ conditions aux limites
+ Ce sont des variables particulières d'entrée et de contrôle du
+ simulateur, qui caractérisent la description du comportement du système
+ en bordure du domaine spatial de simulation.
+
+ conditions initiales
+ Ce sont des variables particulières d'entrée et de contrôle du
+ simulateur, qui caractérisent la description du comportement du système
+ en bordure initiale du domaine temporel de simulation.
+
APosterioriCovariance
Mot-clé indiquant la matrice de covariance des erreurs *a posteriori*
d'analyse.
"proche" de 1.
analyse
- L'état optimal estimé par une procédure d'assimilation de données ou
- d'optimisation.
+ C'est l'état optimal de représentation du système estimé par une
+ procédure d'assimilation de données ou d'optimisation.
background
C'est le terme anglais pour désigner l'ébauche.
ébauche
- C'est l'état du système connu *a priori*, qui n'est pas optimal, et qui
- est utilisé comme une estimation grossière, ou "la meilleure connue",
- avant une estimation optimale.
+ C'est une part (choisie pour être modifiable) de la représentation de
+ l'état du système, représentation connue *a priori* ou initiale, qui
+ n'est pas optimale, et qui est utilisée comme une estimation grossière ou
+ comme "la meilleure connue", avant une estimation optimale.
innovation
Différence entre les observations et le résultat de la simulation basée
::
import numpy
- v = numpy.matrix( numpy.ravel( var[-1] ) )
+ v = numpy.ravel( var[-1] )
print(str(info)+" "+str(float( numpy.linalg.norm(v) )))
.. index:: single: ValueRMS (Observer)
::
import numpy
- v = numpy.matrix( numpy.ravel( var[-1] ) )
- print(str(info)+" "+str(float( numpy.sqrt((1./v.size)*(v*v.T)) )))
+ v = numpy.ravel( var[-1] )
+ print(str(info)+" "+str(float( numpy.sqrt((1./v.size)*numpy.dot(v,v)) )))
.. index:: single: interpolation de champs
La **reconstruction (ou l'interpolation) de champs** consiste à trouver, à
-partir d'un nombre restreint de mesures réelles, le champs physique qui est le
-plus *cohérent* avec ces mesures.
+partir d'un nombre restreint de mesures réelles, le (ou les) champ(s)
+physique(s) qui est (sont) le(s) plus *cohérent(s)* avec ces mesures.
La *cohérence* est à comprendre en termes d'interpolation, c'est-à-dire que le
champ que l'on cherche à reconstruire, en utilisant de l'assimilation de données
)
ObserverTemplates.store(
name = "ValueL2Norm",
- content = """import numpy\nv = numpy.matrix( numpy.ravel( var[-1] ) )\nprint(str(info)+" "+str(float( numpy.linalg.norm(v) )))""",
+ content = """import numpy\nv = numpy.ravel( var[-1] )\nprint(str(info)+" "+str(float( numpy.linalg.norm(v) )))""",
fr_FR = "Imprime sur la sortie standard la norme L2 de la valeur courante de la variable",
en_EN = "Print on standard output the L2 norm of the current value of the variable",
order = "next",
)
ObserverTemplates.store(
name = "ValueRMS",
- content = """import numpy\nv = numpy.matrix( numpy.ravel( var[-1] ) )\nprint(str(info)+" "+str(float( numpy.sqrt((1./v.size)*(v*v.T)) )))""",
+ content = """import numpy\nv = numpy.ravel( var[-1] )\nprint(str(info)+" "+str(float( numpy.sqrt((1./v.size)*numpy.dot(v,v)) )))""",
fr_FR = "Imprime sur la sortie standard la racine de la moyenne des carrés (RMS), ou moyenne quadratique, de la valeur courante de la variable",
en_EN = "Print on standard output the root mean square (RMS), or quadratic mean, of the current value of the variable",
order = "next",
