17 / 320
15
Созданы модели магнитосферного магнитного поля и ионосферных
электрических полей и токов. В основном эти модели предназначены
для описания крупномасштабных процессов, для которых применимы
уравнения магнитной гидродинамики. При рассмотрении отдельных
магнитосферных явлений или объектов используются возможные
упрощения: квазистатические приближения, выделение пограничных
слоев, переход к двумерным моделям. В большинстве случаев приходится
строить решения численными методами и иногда создавать новые
численные алгоритмы, такие как многосеточный метод для решения
двумерных задач переноса в гиротропных и движущихся средах,
основанный на энергетических формулировках задач. Состояние
высокоширотной ионосферы существенно зависит от физических
процессов, протекающих в хвосте магнитосферы. Поэтому математическое
моделирование нестационарных процессов в хвосте магнитосферы
является важной и актуальной задачей.
В последнее время применяется моделирование физических
процессов с применением технологий искусственных нейронных сетей
(ИНС), позволяющее учесть многокритериальные причинно-следственные
связи для конкретной задачи. Нейросетевому инструменту в задачах
гелиогеофизики будет посвящена отдельная глава настоящей монографии.
В ходе численных экспериментов может показаться, что ИНС способна
спрогнозировать или восстановить целевой числовой ряд при различных
наборах входных данных, но только с разной точностью. При этом
входные данные могут противоречить самой сути поставленной задачи.
Так, с точки зрения скептика, ИНС разрушает физическое и
математическое обоснование исследования, представляя собой черный
ящик с входами и выходами. Алгоритм внутри этого черного ящика
преобразует все, что подается на вход, в целевой выход.
В действительности, нейросетевое моделирование – гораздо более
сложный процесс, чем просто «подбор параметров черного ящика». ИНС
имитирует структуру и свойства нервной системы живых организмов –
включает в себя большое число простых вычислительных элементов и
обладает более сложным поведением по сравнению с возможностями
каждого отдельного нейрона. Меняя внутренние адаптивные параметры
нейронов и своей структуры, ИНС способна менять свое поведение,
обучаясь решению задачи, т.е. структура нейросети может быть
адаптирована к задаче – в нейросеть могут быть включены