Parcial 2 Computacional.

Rubén Mauricio Vargas Pabón

4. A partir de los datos de anomalía gravimétrica del archivo Examen2_1.txt, realice

el modelado inverso con el método de simulated Annealin, incluyendo el análisis del
resultado.

Para la realización del algoritmo se tomó como base la Ecuación gravimétrica para
un cilindro en donde las iteraciones son generadas variando la temperatura con el
fin de llegar a errores mínimos.

Inicio cargando los datos

Se empezó variando el número de iteraciones y elijo 700 para generar la gráfica de

los datos observados contra los datos sintéticos obtenidos de la ecuación
gravimétrica de un cilindro:

Gsin(j)=2*pi*G*Dp(IDP)*(R(IR))^2*(z(IZ)/(z(IZ)^2+X(j)^2)

Entre mayor sea el número de iteraciones más cerca están los datos sintéticos de
los observados ya que adquiere mayor probabilidad de encontrar los datos que se
ajusten. Como los datos sintéticos son elegidos aleatoriamente al utilizar la misma
iteración la gráfica varia.
 Figura 1. Datos observados vs datos sintéticos para 700 iteraciones.

El criterio de aceptación para el modelo está dado por la diferencia entre energía de
los modelos, si delta E es < ó =0 el modelo es aceptado y cuando delta E es > que
0 se utiliza el criterio de metrópoli para la ubicación de la probabilidad.

Se generaron valores aleatorios para R, z, Dp y G, se asignó un valor alto de

T=1000 figura 2, y luego se fue disminuyendo para tener un control del modelo
poderlo guiar y estar separado del concepto de Monte Carlo que no es guiado, al
bajar T me lleva a restringir los errores más grandes para poder tener la
probabilidad de aceptar errores más pequeños.
Figura 2.Error mínimo calculado vs Temperatura 1000 se observa como el modelo
no tiene una estabilidad ya que a mayor temperatura no se restringen los errores
más grandes y por consiguiente el sistema varía y no se estabiliza.

Al bajar la temperatura a 30 el error disminuye ya que el modelo tiene más

probabilidad de escoger el parámetro que se ajuste por que se restringe el rango.
Ver Figura 3.
 Figura 3. Variación de la T vs error mínimo. SE observa como disminuyo el error
mínimo al bajar la Temperatura.

Al variar la temperatura el sistema será libre inicialmente de explorar una gran

porción del espacio de búsqueda, ignorando pequeñas variaciones de la energía
entre los estados vecinos evaluados, para más tarde centrarse en regiones con
estados de baja energía y, al final, cambiar solo a estados con energía menor que
la inicial, hasta alcanzar un mínimo. Se asignó un valor inicial grande de error
Emin=1*10^6 y se realizó la diferencia entre datos observados y sintéticos para
luego poder evaluar el error luego de calcular ese error.
A medida que la temperatura tiende al mínimo, la probabilidad de transición a un
estado de mayor energía tiende a cero, A temperaturas altas, el sistema tenderá a
saltos de energía grandes entre los estados y errores grandes figura 2, mientras
que a temperaturas más bajas, los cambios en energía serán menores por
consiguiente el error será menor figura 3.
Se evaluó Dg sintético y delta del error que es igual al error mínimo menos error
calculado previamente. Si delta E >0 entonces Emin =error. Luego se generó el
else para el análisis de la probabilidad se juega a tirar los dados y se generó un
número entre 0 y 1 los dados al dar menos que la probabilidad condicione que el
error_min es igual al error.

Así, en cada iteración en el algoritmo tiende a encontrar estados con menor energía
total. Para disminuir la temperatura se usó la función exponencial donde T
disminuye por un factor α<1 en cada paso que se desarrolló.

Y para que esta temperatura variara su uso la fórmula: T(itemp+1)=T(itemp)*0.9^(itemp)

Cuando se analizó la probabilidad se hizo generando un número entre 0 y 1 y se

construyó el if en donde se tiene un número menor que la probabilidad por lo tanto
se acepta.

Se tomó luego una n aleatoria y se construye 3 if en los cuales varié un parámetro

para cada uno de ellos. Como se realizó al inicio del código para IZ, IR E IDP. Los
datos van quedando almacenados y van variando.

Al iniciar con T alta el algoritmo escoge un parámetro que ira variando, se evalúa
el modelo sintético y se tiene un error, se mira si se ajusta o no para una iteración,
para otra iteración escoge otro parámetro como la T es alta los parámetros van a
estar distanciados del anterior, esto con el fin de no quedarme en un mínimo local
sino que encuentre un global. Luego se debe ir disminuyendo la temperatura para
ir restringiendo mi campo de soluciones. Figura 4.
 Figura 4. Cambio de parámetros Zmin, Rmin, Dpmin según el número de
iteraciones de 150, generando que los puntos estés alejados la T es grande 100.

Se inicia a bajar la temperatura utilizando un T inicial de 30 para 8 n_temperaturas

y se realiza más iteraciones 400 para mirar la variación de error vs número
Iteraciones Figura 5.
Figura 5. Número de iteraciones 500 vs error mínimo bajando la temperatura a 30.

A mayor número de iteraciones el error se disminuye ya que tiene más probabilidad

de escoger el parámetro que se ajuste, al igual la temperatura me restringe los
parámetros ajustando mejor el modelo.

Entre mayor número de iteraciones hay mayor concentración de puntos en errores

bajos.
Se observa que los valores que toma puede dar mayor o menor error porque eligen
aleatoriamente solo que entre mayor número de iteraciones y baja temperatura
tengo la probabilidad de encontrar los mejores parámetros para el modelo y caer en
errores más bajos. Figura 5.