Brightway 2.5 中使用 Beta-Pert 分布的 Montecarlo 分析

Question

这可能是一个初学者类型的问题：

我正在尝试使用 Beta-PERT 分布和 ecoinvent 3.10（截止）在 Brightway 2.5 中运行蒙特卡罗分析。然而，即使只运行 100 次迭代也需要很长时间。例如，只有 10 次迭代需要 7 分钟，而我的目标是运行 10,000 次迭代。我能够查明问题所在：只要 my_mc.lci() 在 for 循环内，由于库存的重复重新计算，该过程会显着减慢。然而，一旦我从 for 循环中删除 my_mc.lci()，我每次迭代都会得到相同的分数。我已经尝试了几乎所有可以在网上找到的解决方案，但似乎没有任何效果。有人有什么建议吗？多谢！ （我在 Anaconda 中使用 Jupyter Notebook，Python v3.12.7）

#Presetting:

act2 = [x for x in eco_edit if 'carbon black production' in x ['name']
        ] [0]

heat_exchange= list(act2.technosphere())  [1]  
act2.heat_exchange = heat_exchange

#Set up beta-pert distribution since it is not available in stats_arrays
def beta_pert_random(min_val, mode_val, max_val, size=1):
    alpha = 1 + 4 * (mode_val - min_val) / (max_val - min_val)
    beta_param = 1 + 4 * (max_val - mode_val) / (max_val - min_val)
    return beta.rvs(alpha, beta_param, loc=min_val, scale=max_val - min_val, size=size)

#Defining Pert-parameters
min_heat = 0.1  # MJ
mode_heat = 1.5  # MJ (default)
max_heat = 10  # MJ
size = 1   

demand = {act2.id: 1}
     
list_of_methods= [AF, CC, EP, ...]  
CC_method = list_of_methods [1]     #Climate change

#Set up characterization matrix which is calculated once
def get_C_matrix(demand, list_of_methods):
    C_matrix = {}
    sacrificial_LCA = bc.LCA(demand)
    sacrificial_LCA.lci()
    
    CC_method = list_of_methods[1]
    sacrificial_LCA.switch_method(CC_method)
    C_matrix[CC_method] = sacrificial_LCA.characterization_matrix
    
    return C_matrix    


#Monte Carlo Simulation:
my_iterations = 100
mc_scores = np.empty(shape=[my_iterations])
my_C_matrix = get_C_matrix(demand, list_of_methods)[CC_method]

for iteration in range(my_iterations):
    random_heat = beta_pert_random(min_heat, mode_heat, max_heat, size)
    heat_exchange['amount'] = random_heat [0] 
    heat_exchange.save()  

    my_mc = bc.LCA(demand, method=CC_method)
    my_mc.lci()              
    my_mc.lcia()
    
    next(my_mc)

    mc_scores[iteration] = (my_C_matrix * my_mc.inventory).sum()

results = mc_scores.tolist()

Answer 1

在每次迭代中，当您执行

heat_exchange.save()

操作时，您都会使用库存修改 sql 数据库。这将会非常慢。使用带有 bw_processing 的接口要好得多。您可以创建一个在每次迭代中从函数返回一个值的矩阵，并修改您想要更改的 A 矩阵的精确值。

示例此处或此处。如果您愿意，您可以将其与来自您的背景（生态发明）的不确定性结合起来。