This model represents the population of ancient Rome in 200 BC with a density-dependent birth rate...the birth rate does not equal the death rate when the population is at carrying capacity because immigration and emigration are also factors. All values are based on historical estimates, as precise figures are not available.

An analysis of my industry, rocket motor manufacturing through ha sustainability lens. Rather than analyzing the rocket motor itself as system, the network of manufacturing processes will constitute the SoI. It will essentially be viewed as black box, as the main concern is the linkages between the manufacturing system and major interfacing systems, to include natural systems. 

This model simulates the tradeoff between AI costs in resources and the benefits of increased efficiency and effectiveness over time, using adaptive learning principles. It demonstrates how AI development evolves through different stages early, growth, and mature -with changing rates of investment, efficiency gains, and resource utilization.

The model tracks how AI systems stabilize over time as efficiency gains become harder to achieve, leading to a more mature and balanced system of investment and performance. It aims to provide insights into real-world AI dynamics, showing how resources translate into efficiency improvements and how diminishing returns, learning saturation, and reinforcement learning affect long-term growth.

Time Settings are used to define the simulation start time, duration, and the step size used from one calculation to another.

Graph representation of Ch3 of their 2007 Monetary Economics book, based on Alvarez and Ehnts 2015 paper The roads not taken. Also see more complex WIP to successively split sectors at IM-185550 . See also essence of MMT IM for simpler intro

Ce modèle simule la dynamique d'une population dont la croissance est limitée par son environnement, un cas d'étude inspiré par la gestion des stocks de légine australe dans l'océan Austral.

Contrairement au modèle de croissance exponentielle (conditions idéales), la croissance de la légine n'est pas infinie. Les ressources (nourriture, espace) sont limitées et la compétition augmente avec la population. Ce phénomène, appelé densité-dépendance, crée une auto-régulation qui freine la croissance et la fait tendre vers une limite : la capacité de charge (K). De plus, cette population est soumise à une pression extérieure : la pêche.

Les Composants du Modèle :

• Variable d'état : L'Effectif du stock (N) de légines, qui est au cœur du système.

• Paramètres Fondamentaux : Les caractéristiques biologiques de la légine et de son milieu déterminent les paramètres de sa croissance. Vous pouvez régler ces paramètres avec les curseurs :

  • bmax et dmin : Les taux de natalité et de mortalité optimaux, quand la densité est faible.

  • ddb et ddd : L'intensité de la compétition. Ils mesurent à quel point la reproduction ralentit et la mortalité augmente quand la population devient trop dense.

• Flux :

  • Les flux de Naissances (B) et de Morts (D) ne sont plus simplement proportionnels à N, mais sont maintenant régulés par la densité.

  • Un nouveau flux de sortie contrôlé par l'homme est ajouté : la Pêche (Fisheries).

• Indicateurs : Le modèle calcule des propriétés "émergentes" cruciales pour les gestionnaires, comme le taux de croissance maximal (rmax) et la Capacité de Charge (K) de l'écosystème.

Votre Mission d'Exploration : Votre objectif est de devenir un gestionnaire de pêcherie durable !

1. Commencez avec une pêche nulle (Fisheries = 0) pour observer la courbe de croissance logistique naturelle de la légine et identifier sa capacité de charge K.

2. Introduisez ensuite un effort de pêche modéré. Quel est son impact sur la taille de la population à l'équilibre ?

3. Explorez différentes intensités de pêche pour trouver le Rendement Maximal Soutenable (RMS) : la plus grande quantité de poissons que vous pouvez pêcher chaque année sans provoquer l'effondrement du stock. Cliquez sur "SIMULATE" et gérez votre ressource !