今回はデータ同化領域の技術評価でよく使われるローレンツ方程式を取り上げます🐜
このローレンツ方程式は、カオス研究1が始まるきっかけとなったものです。
ローレンツアトラクタの例(Wikipediaより)
本記事では上記のようなグラフを作ることを目的とします。
ローレンツ方程式
ローレンツ方程式とは、気象モデルを研究していたEdward N. Lorenzが、「Deterministic Nonperiodic Flow」(1963年)という論文で発表した非線形の常微分方程式で、カオス的なふるまいを示すモデルです。
カオス的なふるまいとは、あるモデルの初期値をほんの少し変えただけで、計算される結果が大きく変わることを示します。
ローレンツ方程式(またはローレンツモデル)には、1963年発表の63モデルと1996年発表の96モデル(学会セミナで発表?)がありますが、今回は次元数の低い63モデルを扱います。
ローレンツ63モデル
ローレンツ63モデルを以下に示します。
モデル自体は単純な形ですね。ちなみに差分方程式で表すと、以下のように書けます。
ルンゲ=クッタ法
ローレンツ63モデルのふるまいを求めることは、いわゆる数値解析で微分方程式の近似解を求めることです。
できるだけ真値に近しい値を求めるためには、時刻の刻み幅を細かくとる方法がすぐに思いつきます。
しかし、それだけでは時刻が進むにつれて誤差が積算していき、不十分です。
より精度の高い近似解を得る手法として、オイラー(Euler)法などがありますが、今回はよく使われるルンゲ=クッタ法(Runge-Kutta method)の4次(RK4)を扱います。RK4は実装が簡単で十分な精度が得られるため、よく使われる手法です。
ルンゲ=クッタ法の詳細については、以下のWebページを参考にしてください2。
サンプルプログラム
Pythonでサンプルプログラムを作りました。環境さえ整っていれば、コピペで動きます。
開発環境
開発環境は以下の通りです。
項目 | 内容 |
---|---|
OS | Windows 10 |
Python | 3.6.8 |
NumPy | 1.18.5 |
Pandas | 1.0.4 |
SciPy | 1.4.1 |
Matplotlib | 3.2.1 |
Lorenz63.py
スクリプトは以下の通りです。動かすと、計算結果が.csvファイルで保存されて、グラフが3枚出てきます。
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """Lorenz63シミュレーション Lorenz63シミュレーション """ __author__ = 'ari23(Twitter: @ari23ant)' __version__ = '0.0.1' __date__ = '2020/06/11' __status__ = 'Development' import numpy as np import pandas as pd from scipy.integrate import solve_ivp import matplotlib.pyplot as plt class Lorenz63(): def __init__(self): self.msg = 'Lorenz63 simulation' # --- solve_ivp引数 --- # # 時刻tの間隔 t0からtfまで self.t0 = 0 self.tf = 100 self.t_span = (self.t0, self.tf) # 関数(Lorenz63)の初期値 self.init_x = 1 self.init_y = 1 self.init_z = 1 self.y0 = np.array([self.init_x, self.init_y, self.init_z]) self.y0_ = np.array([self.init_x, self.init_y, self.init_z+0.001]) # 数値計算手法 self.method = 'RK45' # 4次のルンゲクッタ 精度は5次相当 # 連続値フラグ self.dense_output = True # Falseだと最終値しか戻らない # 関数の初期値以外の設定値(Lorenz63パラメタ) self.s = 10 self.r = 28 self.b = 8/3 self.args = (self.s, self.r, self.b) # 時刻tの刻み幅 self.dt = 0.01 self.t = np.arange(self.t0, self.tf, self.dt) # --- 出力 --- # self.fname = 'lorenz63.csv' def Process(self): print(self.msg) # --- 常微分方程式計算 --- # # scipy.integrate.solve_ivpでLorenz63モデルを計算 self.solver = solve_ivp(fun=self.lorenz63, t_span=self.t_span, y0=self.y0, method='RK45', t_eval=self.t, dense_output=self.dense_output, args=self.args) # z初期値ちょいずれ self.solver_ = solve_ivp(fun=self.lorenz63, t_span=self.t_span, y0=self.y0_, method='RK45', t_eval=self.t, dense_output=self.dense_output, args=self.args) # 変数入れ替え self.xyz = self.solver.y self.xyz_ = self.solver_.y # --- csv保存 --- # self.arr_txyz = np.vstack((self.t, self.xyz)) self.df_txyz = pd.DataFrame(self.arr_txyz.T, columns=['t', 'x', 'y', 'z']) # 行と列を入れ替え self.df_txyz.to_csv(self.fname, index=False) # --- グラフ --- # # 3次元 fig3d = plt.figure() ax3d = fig3d.add_subplot(111, projection='3d') ax3d.plot(self.xyz[0], self.xyz[1], self.xyz[2]) ax3d.set_xlabel('x') ax3d.set_ylabel('y') ax3d.set_zlabel('z') fig3d.tight_layout() # 2次元 fig2d = plt.figure() axx = fig2d.add_subplot(311) axy = fig2d.add_subplot(312) axz = fig2d.add_subplot(313) axx.plot(self.t, self.xyz[0]) axx.set_ylabel('x') axy.plot(self.t, self.xyz[1]) axy.set_ylabel('y') axz.plot(self.t, self.xyz[2]) axz.set_ylabel('z') axz.set_xlabel('t') fig2d.tight_layout() # 比較 fig2d_ = plt.figure() axx_ = fig2d_.add_subplot(311) axy_ = fig2d_.add_subplot(312) axz_ = fig2d_.add_subplot(313) axx_.plot(self.t, self.xyz[0]-self.xyz_[0]) axx_.set_ylabel('x') axy_.plot(self.t, self.xyz[1]-self.xyz_[1]) axy_.set_ylabel('y') axz_.plot(self.t, self.xyz[2]-self.xyz_[2]) axz_.set_ylabel('z') axz_.set_xlabel('t') fig2d_.tight_layout() # 表示 plt.show() def lorenz63(self, t, arr_xyz, ss, rr, bb): # 時刻t-1の値 x, y, z = arr_xyz # Lorenz63モデルのパラメタ s, r, b = ss, rr, bb # 時刻tの値 dxdt = -s * (x-y) dydt = -x*z + r*x -y dzdt = x*y - b*z # arrayで戻す return np.array([dxdt, dydt, dzdt]) if __name__ == '__main__': proc = Lorenz63() proc.Process()
解説
丁寧にコメントを書いたので、以下だけ解説します。
# --- 常微分方程式計算 --- # # scipy.integrate.solve_ivpでLorenz63モデルを計算 self.solver = solve_ivp(fun=self.lorenz63, t_span=self.t_span, y0=self.y0, method='RK45', t_eval=self.t, dense_output=self.dense_output, args=self.args)
Pythonでルンゲ=クッタ法を実装すると、計算時間が膨大になることは目に見えていた3ので、今回はSciPyの常微分方程式を解く関数scipy.integrate.solve_ivpを使いました。
scipy.integrate.solve_ivpを使う上で注意する点が3つあります4。
常微分方程式の第1引数に必ずtを置く
今回実装したLorenz63はtを必要としませんが、書いておかないと動きません。常微分方程式のパラメタは1変数ずつ用意する
Lorenz63ではsとrとbの3つのパラメタがありますが、これをリストなどでひとまとめにすると動きません。連続値が欲しいときはdense_outputにTrueを入れる
これをしないと最後の時刻の結果のみしか出力されません。
その他の使い方については、公式のドキュメントを参考にしてください。
モデルの振る舞い
サンプルプログラムを動かした結果を見ていきます。
まず1枚目のグラフは、初期値を[1, 1, 1]としたときの計算結果をx軸、y軸、z軸の3次元で表示させています。
冒頭で載せた.gif画像と同じ蝶の羽根のような形をしているので、正しく計算できています。
3軸それぞれの時間経過を追ったものが2枚目のグラフです。
特徴的な動きをしていることがわかります。
さて、冒頭でローレンツ63モデルはカオス的なふるまいをすると書きましたが、それを確認してみます。
上記の計算と一緒に、z座標の初期値を0.001だけずらしたケースを計算し、3軸それぞれの差分をとったものが3枚目のグラフです。
初期値、しかもz座標だけを0.001しかずらしていないのに、時刻tが20を超えると3軸すべてで大きな差が生じていて、カオスを感じることができます。
おわりに
データ同化でよく使われるローレンツ63モデルをまとめました。
このモデルは今でも現役なので、これを使えば「数値計算してますよオーラ」が出るかもしれませんw
次回は、このローレンツ63モデルの真値をカルマンフィルタで推定してみようと思っています。→ごめんなさい。普通のカルマンフィルタは非線形モデルを扱うことはできませんでしたね。もし、やるならアンサンブルカルマンフィルタとか粒子フィルタですね。訂正します。
参考になれば幸いです(^^)
なお、データ同化関連の記事は以下にあります。よろしければ、こちらもご覧ください。
Data assimilation カテゴリーの記事一覧 - ari23の研究ノート
参考文献
参考文献は以下の通りです。
データ同化入門 (予測と発見の科学)
データ同化分野で私にとってのバイブルです。決して簡単ではないですが、数学的議論がかなりきちんとなされています。データ同化に取り組むときは、まずこれを読んでいます。数値解析基礎
ルンゲ=クッタ法はもちろん、数値計算の基礎が書かれています。たまーに読みます。