در یک دسته بندی کلی سیستمها به دو دسته پایان پذیر و پایا تقسیم می شوند. همانطور که از نام آنها پیداست، سیستم های پایان پذیر نقطه شروع و پایان مشخص و تعریف شده ای دارند. اما سیستمهای پایا، سیستمهایی هستند که همیشه در حال فعالیت و جریان پیوسته ای از وقوع پیشامدها دارند. اما شاید سوال مطرح شود که به هر حال برای تحلیل و بررسی گزارشات خروجی مربوط به سیستمهای پایا لازم است تا سیستم و اجرای مدل بعد از زمانی متوقف شود. در واقعیت هم به همین صورت هست . یعنی اجرای مدل در سیستمهای پایا باید به اتمام برسد اما این اجراها شاید بسیار طولانی مدت باشد. در رابطه با سیستمهای پایا مفهوم مهمی تحت عنوان دوره گرم شدن سیستم یا Warmup time یا Warmup oeriod مطرح می شود.

در ادامه تعریف سایت Arena simulation و Simul8 را از دوره گرم شدن مشاهده میفرمایید👇👇👇👇

Steady-state and Warmup :

One of the issues we address during the development of the functional specification is the type of system we are to model. Is it terminating or steady state? And if it is a steady state system, we must decide not only the scope of the system to be modeled but how will we determine when the model will reach steady state in order to mimic the system.
With a steady-state system, there are no defined starting and ending points for the system. We are interested in the steady-state behavior, if such exists. One of the first issues to be considered is the start-up bias. If the model starts empty and idle but the system does not, then the statistics for the overall model run will be biased by the start-up or warm-up period for the model. The warm-up period is the time necessary for the model to reach steady state and, therefore, mimic the actual system.
Arena allows the modeler to input a warm-up period in Run > Setup under Replication parameters. Of course, the question then becomes, how long should the warm-up period be?
There are a couple of ways to determine the length of the warm-up period.
1. The system designers or experts should have some idea of how long it would take to reach steady state if they started their system empty and idle. This would be a good starting point for determining the length.
2. Make some plots of key performance measures and eyeball when they appear to stabilize.
A combination of these two methods would be the best approach. Once the warm-up period has been determined, then we can begin the analysis of the steady-state system.

You may need to find a suitable 'warm-up' time for your simulation. Simulations of factories usually need a warm-up time because your simulation is likely to start empty (no products at any of the machines), but real factories do not start each week without any work-in-progress! A situation where you would not need a warm-up time in a simulation might be when you are simulating the start up of a new factory, where you happen to be interested in its first day's operations, or where you are simulating a situation that starts each day empty. However, even in these circumstances you would probably want to separate off the results you get during the early part of the day from the results under peak conditions because knowing the 'average' performance of an operation that never works under 'average' conditions is probably not worthwhile.
Most simulation packages contain facilities to set a 'warm-up' time, during it results are either not collected, or can be separated off from the main results collection time.

در دو تصویر زیر مفهوم گرم شدن سیستم و به شرایط Stable رسیدن متغیرهای مدل به خوبی نمایش داده شده است👇👇

در ابتدای اجرای مدل متغیر فرضی در این نمودار روند اکیدا صعودی دارد ولی بعد از گذشت 10 ساعت از اجرای مدل، به یک نوسان و ثبات طبیعی میرسد درنتیجه دوره گرم شدن این سیستم 10 ساعت بعد از شبیه سازی است

این نمودار هم مشابه نمودار قبلی، معیار مورد نظر بعد از یک مدت زمانی به حالت پایدار می رسد

مفهومی که از دو نمودار فوق برداشت می شود، تفاوت معنادار معیارها قبل و بعد از دوره گرم شدن سیستم است و این ضرورت تعریف Warmup Time در سیستمهای پایا را مشخص می کند.

ادامه اسلایدهای آموزش ارنا فصل ۱۰، بررسی و جمع بندی مطالب ۹ فصل قبل با یک مثال👇👇👇

مثال حل شده مربوط به اسلایدهای فصل ۱۰ با نرم افزار ارنا👇👇👇👇

ادامه اسلایدهای آموزشی ارنا فصل 11، تحلیل داده های ورودی و نحوه بدست آوردن تابع توزیع احتمال برای داده ها👇👇

شبیه سازی گسسته پیشامد:
مدل سازی گسسته پیشامد، موجب توانمندسازی در بهینه سازی سیستمهای پیچیده میشود.
تغییرات مداوم در اکثر فرآیندها بسیار رایج می باشد به همین دلیل مدل سازی یک فرآیند پیچیده و بزرگ می تواند به یک کار سخت و استرس زا تبدیل شود. مدل سازی گسسته پیشامد، فرآیند به تصویر کشیدن رفتار سیستم های پیچیده با استفاده از یک مجموعه متوالی از پیشامدهای تعریف شده و ترتیب بندی شده است. این رویکرد در تمام فرآیندهایی که تغییرپذیری بالایی دارند و دارای منابع محدود و یا سایر محدودیتها و روابط داخلی پیچیده می باشند به خوبی عمل می کند.
شبیه سازی گسسته پیشامد، به شما این امکان را می دهد که رفتار یک سیستم یا فرآیند را در طول زمان به راحتی تحلیل نموده و به سوالات What if پاسخ دهید و بدون هیچ هزینه ای به تغییر اجزای سیستم مورد مطالعه بپردازید.

در ادامه برخی ویژگیهای و مزایای این رویکرد لیست شده است:✍️

Arena Discrete Event Simulation Software features:

👉Flowchart modeling methodology includes a large library of pre-defined building blocks to model your process without the need for custom programming

👉Complete range of statistical distribution options to accurately model process variability

👉Ability to define object paths and routes for simulation

👉Statistical analysis and report generation

👉Performance metrics and dashboards

👉Realistic 2D and 3D animation capabilities to visualize results beyond numbers