lampu lalu lintas

deskripsi masalah Menjaga dengan tema transportasi, kita beralih sekarang untuk gerakan aliran kendaraan. Berapa banyak mobil dapat melewati satu set lampu lalu lintas ketika mereka berubah menjadi hijau selama 15 detik? Misalkan barisan mobil yang antrian untuk melewati persimpangan dan lampu ditetapkan pada merah. sering antrian begitu lama bahwa sopir jarak tertentu dari depan antrian melihat lampu go green dan kembali ke merah lagi bahkan sebelum bergerak maju sendiri, apalagi benar-benar mendapatkan melintasi persimpangan. Cara di mana lalu lintas berperilaku di lampu bisa sangat rumit, tergantung pada hal-hal seperti 'turn-hak filter', 'tidak belok kiri' dan sebagainya. Juga, ketika kepadatan lalu lintas menurun, sering tidak ada antrian terjadi sama sekali, dan jumlah kendaraan yang melintasi persimpangan akan tergantung pada berapa banyak ada berada di sekitar lampu lalu lintas di tempat pertama. Di sini kita menyelidiki kasus saturasi mana sudah ada antrian panjang mobil siap di lampu merah menunggu untuk pindah off. Sejumlah asumsi akan dilakukan di awal. 1. Sambungan tidak diblokir dengan cara apapun. 2. Semua mobil berniat untuk lulus langsung melintasi persimpangan. 3. Semua kendaraan adalah mobil dengan ukuran yang sama, 5 m panjang, dan pada awalnya saat istirahat. 4. Ada kesenjangan 2 m antara setiap mobil stasioner. Tujuannya adalah untuk menghitung berapa banyak mobil melintasi persimpangan selama satu siklus lampu hijau. formulasi model Bagaimana mobil menarik diri? Kami berasumsi bahwa hal itu akan mempercepat seragam hingga kecepatan maksimum 30 km h -1 (kecepatan kota dipahami oleh sebagian besar pembalap jika tidak benar-benar diamati!) Kami memiliki campuran unit di sini, mil per jam harus dikonversi ke meter per detik:

Cukup masuk akal , kecepatan akhir akan diambil sebagai 15 ms -1. Selanjutnya, percepatan mobil di kota

kondisi harus dinilai. Beberapa manual mobil mengklaim '0 sampai 60 mil h -1 dalam 10 s '. Dengan ini, kita mendapatkan 60 km h -1 = 26,8 ms -1 dicapai dalam 10 s, maka percepatan 26.8/10 ms -2 = 2.68 ms -2. Bertindak sedikit konservatif, kita harus mengambil akselerasi sebesar 2,0 ms -2. Pada asumsi bahwa, setelah kecepatan akhir telah tercapai, kecepatan ini kemudian dianggap konstan, kita bias menggambar grafik kecepatan-waktu (Gambar 2.8). Oleh karena itu setelah 7,5 s mobil telah mencapai kecepatan akhir dari 15 ms -1. Sekarang menggambarkan gerakan satu mobil tidak cukup untuk tujuan model gerakan sisa antrian harus dipertimbangkan juga. Misalkan ada penundaan dari 1 dalam waktu berpikir sebelum mobil berikutnya bereaksi dan menarik pergi. Gerakan ini mudah dimasukkan ke dalam grafik kecepatan-waktu yang sama, dan semua mobil berikut bias akan sama ditandai (Gambar 2.9). Jarak yang ditempuh oleh mobil juga dapat dengan mudah dievaluasi dari grafik kecepatan-waktu dengan menghitung daerah di bawah grafik. Dengan demikian, setelah 4 s, kita memiliki

Namun, di mana mobil-mobil ini dalam kaitannya dengan marka jalan di lampu lalu lintas? Mengukur dari bumper depan setiap mobil, kita dapat menyusun tabel posisi mobil, baik awalnya dan setelah 4 s (Tabel 2,7). Sekarang setelah 7,5 s perubahan situasi karena beberapa mobil akan mencapai kecepatan maksimum 15 ms -1. Dapatkah Anda bekerja di luar rumus umum untuk meter jarak s bahwa setiap mobil telah melakukan perjalanan setelah, katakanlah, Detik T? Sebuah formula yang disarankan adalah

Selanjutnya misalkan lampu tetap hijau selama 15 detik, Anda dapat menghitung berapa banyak mobil melewati persimpangan? Situasi pada T = 15 dapat dilihat pada Tabel 2.8. Anda dapat menggunakan tabel untuk menghitung berapa banyak mobil melewati sebelum lampu ditetapkan pada merah lagi.

interpretasi Dari kolom terakhir pada Tabel 2.8, kita dapat melihat bahwa delapan mobil pasti melewati lampu lalu lintas. Kesembilan mungkin juga akan pergi ke seberang karena bepergian pada 14 ms -1 (31 mil h -1) pada saat batas T = 15 s dan hanya 7,0 m di belakang 'garis putih'. Kita bisa lihat di sini alasan untuk amber ringan sehingga marginalitas ini dapat diizinkan tanpa kecelakaan saat mobil ini berjalan melalui. [Perhatikan bahwa dari persamaan (2.8) maksimum kecepatan mobil yang diizinkan adalah 15 ms -1 (33.5 km h -1) yang karena asumsi kami sebelumnya lebih besar dari kecepatan maksimum yang diijinkan kota.] Kesepuluh mobil memiliki jarak yang cukup (27 m) untuk cadangan sebelum 'garis putih' dan harus berhenti. Henti jarak sebenarnya bisa dihitung dalam hal kecepatan mobil dengan memodelkan tingkat keterbelakangan. Data tersebut,biasanya dicetak dalam buklet Kode Jalan Raya dan diberikan di sini pada Tabel 2.9. Dari Tabel 2.9 kita dapat melihat bahwa menghentikan jarak untuk kecepatan 31 km h -1 adalah sekitar 23 m. Ada potensi besar untuk sederhana matematika model bangunan ketika mempertimbangkan aliran mobil. Untuk contoh: tabel 2.8

1. Mengingat garis bergerak lalu lintas masuk, katakanlah, sebuah terowongan panjang, apa adalah kecepatan mobil harus bepergian sehingga jumlah maksimum mobil melewati terowongan per jam? 2. Mengingat bahwa ada bentangan jalan dalam perbaikan mencegah dua arah lintas normal mobil, sehingga memerlukan pengaturan dari lampu lalu lintas sementara, apa urutan cahaya harus digunakan sehingga kebanyakan mobil akan melewati bagian perbaikan per jam? 3. Kapan aman untuk menyalip?

kasus 1
Misalkan, setelah 20 menit hujan deras, di hujan telah jatuh. Anda langsung berpikir air hujan yang jatuh di area, namun pusat cuaca lebih suka menggunakan pengukuran tinggi saja. Tujuan kami adalah untuk Model tingkat curah hujan oleh fungsi R cocok '(t), dan tentu saja ada banyak kemungkinan pilihan. 1. Hujan terus menerus stabil pada tingkat yang konstan. Hal ini ditunjukkan pada Gambar 4.11. 2. Ini bisa mulai hujan perlahan sebelum mengambil maksimum dan kemudian mereda lagi, selama Periode min 20, dengan jumlah total yang dikumpulkan tersisa di masuk Jika peningkatan linier stabil dalam

angka ini diambil diikuti oleh penurunan serupa, maka kita sampai pada Gambar 4.12. sekarang Tingkat curah hujan maksimum adalah 0,05 di min -1 sehingga kita masih mendapatkan total di dikumpulkan (periksa daerah di bawah grafik). Gambar 4.11 Tidak perlu untuk berhenti di situasi dimodelkan oleh (b), terutama jika hujan lebih atau kurang stabil terlepas dari awal dan akhir. Misalkan tingkat meningkat terus selama 2 menit dan kemudian tetap konstan untuk 16 menit berikutnya sebelum menurun lagi sampai berhenti setelah 20 menit. Hal ini diwakili dalam Gambar 4.13. Maksimum curah hujan maka akan menjadi sekitar 0.028 di menit-1. (Bagaimana kita bias angka itu?) Sekarang, sebagai bagian konstituen dari beberapa model yang lebih besar, mungkin menghasilkan persamaan diferensial, itu adalah bentuk fungsional R '(t) yang diperlukan. Untuk (a), kita memiliki

Untuk (b) kita memiliki bentuk fungsional yang diberikan oleh dua bentuk linear terpisah, masing-masing memegang lebih berbeda rentang waktu t:

Perhatikan bahwa dua rumus setuju pada t = 10 (kalau tidak kita akan memiliki fungsi kontinu). Untuk (c) kita memiliki bentuk fungsional yang diberikan oleh tiga bagian yang terpisah, masing-masing memegang lebih dari rentang yang berbeda nilai t:

Sekali lagi, periksa bahwa bentuk-bentuk ini cocok pada titik-titik perubahan-over t = 2 dan t = 18, maka tidak ada istirahat. Hal ini sangat umum dalam pemodelan untuk menemukan bahwa fungsi yang terbaik diwakili oleh formula dibuat dari bentuk yang berbeda di berbagai belahan kisaran seperti dalam contoh ini. Jangan berpikir bahwa satu pun rumus mencakup seluruh jajaran harus ditemukan (meskipun ini sangat nyaman jika dapat dilakukan).

kasus 2
Untuk penjualan es krim, banyak set yang sama fungsi matematika dapat digunakan. Namun, lebih mungkin di sini bahwa penjualan akan membangun hingga puncaknya pada tengah hari dan kemudian mereda lagi, dalam 'Halus' cara. Perhatikan bahwa kita pemodelan jumlah es krim yang dijual sebagai variabel kontinu meskipun dijual di benjolan diskrit dan karena itu merupakan sebuah variabel diskrit. Kami berasumsi bahwa pendekatan cukup akurat untuk tujuan model. Jumlah hujan yang dikumpulkan pada setiap Waktu ini tentu saja sangat akurat direpresentasikan sebagai variabel kontinu. Misalkan data yang diberikan bahwa 1000 es krim kerucut yang dijual di hari yang panas. Kios terbuka untuk 8 jam terus-menerus dari 10:00 sampai 06:00. Biarkan Aku (t) merupakan jumlah kerucut es krim terjual hingga t waktu diukur dalam jam dengan t = 10 sesuai dengan 10:00. Untuk model kenaikan bertahap dalam penjualan, kami tertarik pertama dalam memilih fungsi yang cocok untuk tingkat saya '(t) dari penjualan. Salah satu kemungkinan pilihan adalah berdasarkan penggunaan fungsi sinus. Dari pengetahuan kita tentang perilaku fungsi sinus diberikan pada bagian 4.4, kami pilih aku '(t) = a sin ( t) yang memiliki periode 2 / dan amplitudo. Sebuah pikiran saat mengatakan kepada kita bahwa ini adalah tidak memadai karena sin ( t) akan mengambil nilai negatif untuk nilai t tertentu. Sebuah pilihan yang lebih baik akan diberikan oleh I '(t) = a

sin 2 ( t), tetapi t harus ditingkatkan untuk menjalankan 10:00-18:00 h dan kami ingin aku 'dan aku menjadi nol pada setiap Nilai akhir t. Bentuk diperlukan perilaku ditunjukkan pada Gambar 4.14. Perhatikan bahwa kita tidak memilih kurva kuadrat (ditampilkan sebagai kurva patah pada gambar) karena memiliki lereng curam di titik akhir. Setelah beberapa pemikiran, kami memutuskan

Kita sekarang perlu menghitung parameter sehingga total penjualan atas seluruh jumlah hari sampai 1000 kerucut. Hal ini mudah dilakukan dengan integrasi

Jadi akhirnya ditemukan model

Ini berarti bahwa pada puncak hari di 02:00 kami menjual pada tingkat 250 kerucut setiap jam, yakni empat kerucut setiap menit.

contoh 4.8
Seorang gadis yang memiliki massa 8 batu makan bar 50 gr cokelat. Kandungan energi dari coklat adalah 4700 kg kkal -1. Dengan asumsi bahwa sistem pencernaan nya dapat mengkonversi semua energi chocolate bar menjadi energi mekanik digunakan, akan cokelat memberinya energi yang dibutuhkan untuk mendaki 1000 ft bukit? SOLUSI Pertama mari kita menghitung kandungan energi dari coklat. Ini adalah 0,05 4700 4,1868 kJ= 984 kJ. Perhatikan bahwa kandungan energi dari makanan biasanya diukur dalam kilokalori tapi awalan kilo sangat sering menjatuhkan dan unit secara longgar disebut sebagai 'kalori'. Asupan harian rata-rata seseorang adalah 2.000-4.000 kkal. Energi yang digunakan dalam mendaki bukit tidak mudah untuk menilai. Beberapa akan digunakan dalam mengatasi gesekan (diubah menjadi energi panas) tapi kita bisa berasumsi bahwa bagian terbesar akan ke dalam peningkatan energi potensial gravitasi yang diberikan oleh massa g tinggi = (8 14 0,4536) 9,807 (1000 0,3048) J 151,9 kJ. Kami menyimpulkan bahwa cokelat memberikan energi yang cukup untuk pendakian.

contoh 5.2
Danau A berisi 10000 ikan saat ini. Jika tidak ada nelayan populasi ikan akan meningkat 15% setiap tahun. Hal ini diusulkan untuk memungkinkan memancing di tingkat 2000 ekor per tahun. Misalkan F n mewakili jumlah ikan n tahun dari sekarang. Sebuah model diskrit konsisten dengan asumsi menyatakan akan:

Fn+1 = (1.15)Fn-2000, F0= 10000

Ini memprediksi nilai berikut untuk ukuran populasi di tahun-tahun berikutnya:

9500,8925,8264,7503,
Pada kalkulator kita hanya perlu memasukkan dalam 1,15-2.000 berulang kali. Pada spreadsheet setelah menempatkan pertama nilai dalam sel A1 kita dapat mengetikkan = 1,15 * A1-2000 di A2 dan menyalin formula ini ke kolom A. bagaimana lama waktu yang dibutuhkan penduduk menurun ke nol? Model ini jelas berhenti menjadi digunakan pada saat itu titik. Misalkan danau berisi 100 000 m 3 air dengan polusi 5% volume. Setiap hari 1.000 m3 aliran air bersih ke dalam danau dan 1000 m 3 dari air tercemar danau mengalir keluar. Berapa lama waktu yang dibutuhkan untuk polusi di danau turun ke tingkat yang aman dari 1%? Pertama perhatikan bahwa volume danau tetap konstan pada 100 000 m 3. Kami mengambil satu hari sebagai waktu kita langkah dan membiarkan P n mewakili volume polutan di danau pada hari n, maka Dan polusi pada hari n + 1 = polusi pada hari n - keluar di siang hari n Setiap hari 1000 m 3 air danau mengalir keluar, tapi ini adalah sebagian air dan sebagian polusi. Pada hari nol 5% itu adalah polusi tetapi dengan berjalannya waktu hal ini jelas akan menurun. Pada nomor hari n danau mengandung P n m 3 dari polusi dalam total 100 000 m 3 dan setiap m 3 air danau pada saat yang mengandung Pn / 100 000 m 3 dari polutan dan outflow polusi adalah 1000 P n / 100 000. Oleh karena itu:

yang berarti bahwa P n = (0.99) n P = 0 (0.99) n 5000. Jadi P n akan turun sampai 1000 ketika 1000 = (0.99) n 5000. Itu (0.99) n = 1/5 atau n ln (0.99) = ln (0,2), yang memberikan n 161 hari. Misalkan sekarang bahwa polusi terus ditambahkan ke danau ini pada tingkat 5 m 3 per hari sedangkan 995 m3 aliran air bersih setiap hari dan keluar dari danau adalah 1000 m 3 per hari. Apa yang sekarang kita model untuk P n dan bagaimana hal ini mempengaruhi jawabannya? Kami sekarang memiliki

Ini perbedaan persamaan linier orde pertama memiliki solusi:

yang memberikan (0.99) n = 1/9 atau n ln (0.99) = - ln 9 sehingga n 219 hari.

9.3 Pajak merokok

konteks Peningkatan tingkat pajak rokok akan mendatangkan pendapatan pajak tambahan, namun, itu bisa menyebabkan pengurangan jumlah rokok yang dijual, yang bisa berarti lebih sedikit pendapatan. pernyataan masalah Jika pajak meningkat dengan x pence per paket, apa adalah batas pada nilai x jika kenaikan tersebut menjadi berharga dari sudut pandang menteri keuangan? Merumuskan model matematika Kami daftar faktor yang cukup singkat dan dapat dilihat pada Tabel 9.2.

asumsi 1 Saat ini, N bungkus rokok yang dijual setiap hari dan ada t pajak atas setiap paket. 2 (a) pengurangan jumlah rokok yang dihisap sebanding dengan kenaikan harga. Mendapatkan solusi matematis Menggunakan asumsi 1 dan 2 (a), sebelum munculnya pajak yang kami N paket dijual setiap hari dengan t pajak

masing-masing. Setelah kenaikan pajak pada setiap paket perubahan t + x dan jumlah paket dijual setiap perubahan hari N - kx mana k adalah suatu konstanta (kita dengan asumsi bahwa kenaikan harga adalah semua pajak). Perbedaan penerimaan pajak setiap hari karena itu yang akan menjadi positif jika N> k (t + x). Hal ini setara dengan kondisi x <N / k - t. Kita dapat mempertimbangkan alternatif untuk asumsi 2 (a): 2 (b) Ada penurunan persentase konstan dalam merokok untuk setiap kenaikan sen di harga sebuah paket. Menggunakan asumsi 2 (b) bukan 2 (a), biarkan r% menjadi persentase penurunan. Perhatikan bahwa ini tidak berarti bahwa jika pajak meningkat sebesar, katakanlah 10 pence, pengurangan akan menjadi 10% r. Ekspresi yang benar untuk jumlah paket yang dijual saat pajak meningkat dengan x pence adalah (1 - r / 100) x N. Efek dari dua Asumsi 2 (a) dan 2 (b) dibandingkan pada Gambar 9.3, yang menunjukkan bagaimana jumlah paket dijual sehari-hari menurun ketika pajak meningkat. Kami mencatat bahwa untuk tingkat tertentu kenaikan x asumsi 2 (a) memprediksi bahwa jumlah paket yang dijual akan menjadi nol. Ini mungkin kurang realistis daripada penurunan bertahap diprediksi oleh model 2 (b). Setelah kenaikan pajak kita sekarang memiliki (1 - r / 100) x N paket dijual setiap hari dengan pajak (t + x) pada masing-masing sehingga net perbedaan dalam penerimaan pajak harian (1 - r / 100) x N (t + x) - Nt = {(1 - r / 100) x (t + x) - t}. ini akan> 0 jika (1 - r / 100) x (t + x)> t. Grafik fungsi (1 - r / 100) x (t + x) akan ditampilkan dalam Gambar 9.4. Untuk kasus r = 10, t = 2, tampaknya menunjukkan bahwa x bisa naik ke 25 sebelum pendapatan bersih turun.

9.5 Disk menekan

konteks Anda bekerja untuk memberikan nasihat kepada manajer produksi sebuah perusahaan manufaktur. Bagian dari Proses produksi memerlukan pemotongan disk melingkar dari 1 m 1 m lembaran baja. Saat ini Mesin disk mendesak diatur untuk tekan keluar 16 disk diameter 0,25 m dari setiap lembar. Anda akan diminta apakah mungkin untuk mengatur ulang pemotongan kepala untuk menghemat pemborosan. Ada juga kebutuhan untuk memotong disk diameter 0,1 m dari lembar yang sama. Apa yang akan menjadi susunan terbaik dari pemotongan kepala untuk meminimalkan pemborosan? Apakah mungkin untuk menghasilkan rumus matematika untuk jumlah maksimum disk jari-jari r yang dapat dipotong dari selembar diberikan dimensi? pernyataan masalah Mengingat ukuran disk dan dimensi lembar, menemukan pola pemotongan yang paling efisien dan jumlah maksimum disk yang dapat dipotong dari satu lembar. Merumuskan model matematika Kita bisa daftar faktor kami seperti pada Tabel 9.7. tabel 9.7

Asumsi 1. Pemotong disk dapat dipotong rapi dan dengan akurasi yang sempurna sehingga kita dapat membiarkan lingkaran menyentuh pada diagram kami. 2. Kami akan memeriksa pola di mana setiap lingkaran (kecuali yang dekat dengan tepi) menyentuh

1. empat orang lainnya ('empat titik kontak' atau 'pengaturan persegi') dan 2. enam orang lainnya ('kontak enam titik' atau 'susunan segitiga'). Mendapatkan solusi matematis Pola paling sederhana adalah pengaturan persegi dengan kontak empat titik seperti yang ditunjukkan pada Gambar 9.5. untuk kasus yang disebutkan di atas, kami memiliki l = b = 1, r = 0,125 dan N = 16, maka pemborosan adalah Jika pola yang sama digunakan untuk kasus l = b = 1, r = 0,05, maka N = 100 dan W = 1 - 100 (0,05) 2 21,5% seperti sebelumnya. (Apakah ini mengejutkan?) Untuk nilai-nilai umum dari parameter, kita dapat membentuk n kolom disk dengan pola ini jika b> 2 nr (Gambar 9.6). Jika kita meningkatkan b, kolom lain menjadi mungkin jika b mencapai (2 n + 2) r. ini berarti bahwa n adalah bagian integer b / 2 r yang kita tulis sebagai [b / 2 r], tanda kurung siku yang menunjukkan 'integer bagian dari '. Sebuah argumen persis sama berlaku untuk baris, dari mana kita menyimpulkan bahwa

jumlah baris adalah [l / 2 r], maka jumlah disk adalah N = [b / 2 r] [l / 2 r] dan pemborosan adalah W = (Lb - *b / 2 r+ *l / 2 r+ r 2) / lb Mari sekarang kita lihat pada kemungkinan dengan kontak enam poin dan nilai-nilai umum l, b dan r. Jika kita berpikir tentang pola dalam hal baris horizontal, jelas dari Gambar 9.7 bahwa ketika b adalah aneh-bilangan bulat kelipatan r (yaitu (2 n + 1) r), maka setiap baris bisa menampung n disk dan, jika b meningkat, hal ini tetap benar sampai b jangkauan (2 n + 2) r ketika disk tambahan dapat dipasang dalam baris alternatif. Pada tahap ini, kita harus baris alternatif dari n + 1 dan n disk. Jika b meningkat lebih lanjut, pola yang sama berlaku sampai kita mencapai b = (2 n + 3) r ketika baris yang sama dari n + 1 disk menjadi mungkin.

kita dapat menuliskan nilai n sebagai

Lalu

Dalam kasus baris merata alternatif n + 1 dan n disk jumlah baris yang panjang (masing-masing dengan n +1 disk) adalah x / 2 jika x genap, dan (x + 1) / 2 jika x adalah ganjil. Juga n harus memenuhi (2 n + 2) r b <(2 n + 3) r. Oleh karena itu,

Jumlah disk adalah jika x genap, dan jika x adalah ganjil. Kita dapat meringkas kesimpulan sebagai berikut. Untuk baris yang sama n disk ketika (2 n + 1) r <b <(2 n + 2) r,

Untuk baris yang tidak sama dari n + 1 dan n disk ketika (2 n + 2) r <b <(2 n + 3) r,

Dalam semua kasus,

Kita bisa memikirkan N sebagai fungsi dari dua parameter l / r dan b / r. Sebuah nilai sampel sedikit yang diberikan dalam Tabel 9.8. (Mengapa kita mulai b / r = 3 dan l / r = 4?) Sebagai perbandingan, angka yang sesuai untuk kontak (persegi) pola empat poin diberikan dalam Tabel 9.9. Menafsirkan solusi matematika Kita melihat bahwa tidak ada pemenang yang jelas, baik pola dapat menjadi lebih efisien, tergantung pada nilai-nilai

parameter. Perhatikan bahwa, untuk nilai-nilai parameter dalam antara nilai integer ditabulasikan, nilai N mungkin tetap sama tetapi pemborosan akan mengubah. Untuk kasus l = b = 1, r = 0.05, yang dikutip di atas, metode kontak enam poin memberikan

dan b / r = 20 (bahkan integer), maka kasus baris yang tidak sama (n = 9, n + 1 = 10) dan berlaku

Pola kontak empat titik jelas memberikan 100 disk dan karena itu lebih rendah dalam kasus ini. tabel 9.8

pikiran selanjutnya 1. Dapatkah sosok 105 diperbaiki? Jika kita menggunakan strategi campuran baris yang sama dan tidak merata, kita menemukan bahwa baris 10, 9, 10, 9, 10, 9, 10, 9, 10, 10, 10 dapat dipasang, memberikan total 106 disk! A strategi campuran semacam ini tampaknya layak menyelidiki. 2. Kontak empat poin tidak harus pada pengaturan persegi. Pola terhuyung dapat diadopsi seperti yang ditunjukkan pada Gambar 9.8. Menyelidiki efisiensi pola tersebut. 3. Dapatkah Anda memperluas model untuk menangani kasus dua ukuran yang berbeda dari disk yang dipotong dari lembar yang sama. Dalam kondisi apa dapat lingkaran kecil dipasang di antara yang lebih besar orang?

9,7 Turf
konteks Lapangan rumput pertandingan tenis selalu rentan terhadap gangguan karena hujan. Sebuah penutup air-bukti tidak sering tersedia sehingga bermain hanya dapat dilanjutkan ketika

lapisan atas rumput telah kering secukupnya. Ini berarti bahwa baik air hujan telah direndam benar melalui lapisan tanah, atau menguap kembali ke atmosfer setelah hujan telah berhenti. A jumlah perangkat mekanik bisa dicoba untuk mempercepat proses pengeringan tetapi, untuk menghindari kerusakan rumput, sering terbaik untuk membiarkan rumput mengering secara alami. Dapatkah model matematika dibentuk untuk mewakili proses pengeringan? pernyataan masalah Mengingat mandi hujan lokal, apakah mungkin untuk memprediksi kapan bermain dapat dilanjutkan? Secara khusus, misalkan bahwa rumput kering untuk memulai dengan ketika tiba-tiba mulai hujan dan berlanjut pada tingkat konstan setengah

satu jam. Misalkan juga bahwa jumlah hujan yang dikumpulkan saat ini adalah 1,8 cm. (Catatan bahwa ini adalah kedalaman dan bukan volume sampai Anda kalikan dengan daerah tangkapan air.) Merumuskan model matematika Masalahnya agak seperti itu dalam bagian 9.6 dalam bahwa kita memiliki prinsip aliran lagi: Kami daftar faktor pada Tabel 9.13. Perhatikan bahwa Q diukur dalam meter dan menjadi volume aktual air ketika dikalikan dengan daerah rumput. Demikian pula e dan s diukur dalam meter per detik dan, bila dikalikan dengan A, maka menjadi tarif aliran volume diukur dalam meter kubik per detik. Sekarang mempertimbangkan model pada Gambar 9.15. Karena rumput kering untuk memulai dengan, kita memiliki kondisi awal Q (t = 0) = 0. Dengan mengacu pada 'aliran prinsip' di atas, maka perlu untuk model inflow, outflow dan rumput memegang kapasitas. Inflow mudah dilakukan karena merupakan produk dari curah hujan dan daerah rumput dipertimbangkan. karenanya (9.9) Untuk tingkat outflow, kita harus memutuskan bagaimana air akan menghilang dari rumput. Ini akan melalui drainase ke lapisan tanah, dan melalui penguapan kembali ke atmosfir. Sementara hujan masih turun, itu tidak mungkin bahwa akan ada penguapan apapun, sehingga hanya rendam-jauh tingkat harus dimodelkan. kita harus bawa harus proporsional dengan jumlah air saat ini hadir di rumput, yaitu (9.10) Setelah itu telah berhenti hujan, air terus rendam pergi melalui lapisan tanah dan sekarang dapat juga menguap. Laju penguapan akan tergantung pada suhu udara lokal dan kelembaban. juga air yang menguap akan datang dari permukaan atas rumput basah. Untuk menjaga model sederhana,

laju penguapan akan diambil sebagai sebanding dengan jumlah air di rumput, yaitu Sekarang persamaan diferensial dapat dibentuk untuk Q (t) dan dinyatakan dalam dua tahap sesuai dengan apakah itu masih hujan atau tidak: (9.11) Model ini bisa dibuat lebih realistis, tetapi juga lebih rumit dengan mempertimbangkan alternatif ekspresi untuk rendam-jauhnya dan tingkat penguapan. Untuk melihat apakah solusi persamaan (9.11) memberikan hasil yang memadai untuk air diadakan di rumput, kami mendapatkan Q (t) dengan mengintegrasikan persamaan, pertama menyediakan data untuk r (t), dan b. Perhatikan secara sepintas bahwa rumput ketebalan D belum datang ke dalam masalah. Tingkat curah hujan r (t) dinyatakan sebelumnya harus konstan selama setengah jam, yaitu

Untuk melanjutkan dengan pengembangan model, kita harus dimasukkan ke dalam nilai-nilai yang cocok untuk proporsionalitas konstanta a dan b, tapi apa nilai-nilai yang 'cocok'? Pada titik ini, yang sangat sering terjadi dalam pemodelan, kita harus memilih dari sejumlah program alternatif tindakan. Salah satunya adalah untuk melihat lebih dalam prinsip-prinsip teoritis yang terlibat dan berharap untuk menemukan nilai yang sesuai a dan b dari ilmiah prinsip-prinsip teoritis yang terlibat dan berharap untuk menemukan nilai yang sesuai a dan b dari ilmiah pertimbangan. Pilihan lain adalah untuk melanjutkan dengan a dan b sebagai parameter dengan nilainilai yang tidak ditentukan, untuk mendapatkan solusi matematika dan kemudian untuk membandingkan prediksi model dengan data real. Hal ini kemudian akan

menjadi pertanyaan yang berasal dari nilai-nilai a dan b untuk paling cocok dengan data (lihat bab 8). untuk tujuan mendapatkan jawaban yang spesifik untuk contoh ini, kita akan menghindari masalah ini di sini dan masukkan nilai tertentu dari a = 0,001 s -1 dan b = 0,0005 s -1. Mendapatkan solusi matematis Dari persamaan (9.11), jika kita mengambil 1 m 2 rumput maka A = 1 dan persamaan diferensial yang harus dipecahkan adalah

Kedua ini adalah linier sederhana orde pertama persamaan dan solusinya dapat diperoleh tanpa kesulitan. Mengintegrasikan persamaan (9.12) memberikan

Hal ini berlaku sampai dengan t = 1800, dimana pada saat Q (t) 0,00835. Sekarang memecahkan persamaan (9.13) dengan cara yang sama memberikan dimana B adalah integrasi konstan yang dihitung dari kondisi Q (1800) = 0,00835. Mengganti, kita mendapatkan B = 0,124. Oleh karena itu, (9.15) Menafsirkan solusi Persamaan (9.15) memprediksi bagaimana kuantitas air di rumput berkurang setelah akhir dari kamar mandi. kami masalah adalah untuk menemukan ketika bermain dapat dilanjutkan, yang mungkin berarti ketika rumput kering lagi, maka Q = 0. Namun, ekspresi dalam persamaan (9.15) adalah fungsi eksponensial negatif dan Q (t) akan pernah benar-benar menjadi nol menurut model ini. Kita bisa membuat asumsi bahwa, ketika air kuantitas telah menurun menjadi 10% dari nilai puncaknya, maka rumput cukup kering. Berapa lama kita harus menunggu adalah diberikan dengan menempatkan Q = 0.000835 dalam persamaan (9.15), yaitu 0,000835 = 0,124 exp (0,0015 t). pengambilan logaritma, kita menemukan bahwa -7,08808 = -2,0875 - 0,0015 t, memberikan t = 3334. Jadi, setelah berakhirnya mandi, kita harus menunggu lebih lanjut 1534 s atau sekitar 16 menit. Pilihan kami 10% adalah agak sewenang-wenang. Berapa lama waktu yang dibutuhkan untuk turun ke 5% dari maksimum? Dengan Q = 0.004175 dalam persamaan (9.15) kita menemukan bahwa t = 3796, sehingga lebih 462 s atau sekitar 8 min diperlukan.