CC BY
956
Численное статистическое моделирование и методы Монте-Карло
калибровки моделей на основе уровня серопревалентности населения предложены совместно с сотрудниками Сеченовского медицинского университета Ю. А. Вакуленко и А. Н. Лукашевым.
Работа выполнена в рамках государственного задания Института математики им. С. Л. Соболева СО РАН (проект FWNF-2022-0003) и при финансовой поддержке Российского фонда фундаментальных исследований (проект 20-0460157).
Численное исследование прогностических свойств двухгрупповой марковской SEIR модели
B. Л. Лукинов1,2, Д. А. Юзов1
1Институт вычислительной математики и математической геофизики СО РАН 2Новосибирский государственный университет Email: vitaliy.lukinov@gmail.com DOI: 10.24412/cl-35065-2022-1-02-39
Представлено развитие SEIR модели распространения эпидемии с пуассоновскими потоками, детально определенной в работе [1], вдохновленной некоторыми идеями из [2, 3]. Расширение исходной модели произведено посредством разделения общей группы населения на две группы с отличающимися коэффициентами распространения эпидемии, согласованными в среднем с коэффициентами общей группы. Численно проведено исследование влияния на развитие эпидемии экстремальных вариаций таких как высокая заразность, высокая бессимптомность, высокая смертность и др. одной группы относительно другой. Для вычислений в одно-групповой модели использовались параметры дифференциальной SEIR-D модели для анализа заболеваемости COVID-19 в Новосибирске (численность n ~ 3-106) в период с 23 марта по 15 июня 2020 г., представленные в работе [4].
Работа выполнена в рамках государственного задания ИВМиМГ СО РАН (проект 0251-2021-0002). Список литературы
1. Lotova, Galiya Z., Lukinov, Vitaliy L., Marchenko, Mikhail A., Mikhailov, Guennady A. and Smirnov, Dmitrii D. Numerical-statistical study of the prognostic efficiency of the SEIR model // RJNAMM. 2021. Vol. 36, No 6. P. 337-345. https://doi.org/10.1515/rnam-2021-0027.
2. I. Sazonov, D. Grebennikov, M. Kelbert, G. Bocharov, Modelling Stochastic and Deterministic Behaviours in Virus Infection Dynamics // Math. Model. Nat. Phenom. 2017. Vol. 12, No 5. P. 63-77.
3. Перцев Н. В., Логинов К. К., Топчий В. А. Анализ стадия-зависимой модели эпидемии, построенной на основе немарковского случайного процесса // СибЖИМ. 2020. Т. 23, № 3(83). С. 105-122.
4. Криворотько О. И., Кабанихин С. И., Зятьков Н. Ю., Приходько А. Ю., Прохошин Н. М., Шишленин М. А. Математическое моделирование и прогнозирование COVID-19 в Москве и Новосибирской области // СибЖВМ. 2020. № 4.
C. 395-414.
Об эффективности использования корелляционно-рандомизированных алгоритмов для решения задач переноса гамма-излучения в стохастических средах
И. Н. Медведев
Институт вычислительной математики и математической геофизики СО РАН
Новосибирский государственный университет
Email: min@osmf.sscc.ru
DOI: 10.24412/cl-35065-2022-1-00-61
Для решения задач радиационного баланса, оптического зондирования и томографии бывает необходимо учитывать многократное рассеяние излучения в стохастически неоднородной среде. В реальных радиационных моделях с этой целью используется численно-статистический "метод максимального сечения" (ММС) на основе выравнивания поля оптической плотности путем добавления искусственного
