📚 课程目录第2章材料数据全生命周期与不确定性来源识别

2. 材料数据全生命周期与不确定性来源识别

材料数据不确定性量化（UQ）的第一步，不是急着算方差或置信区间，而是把数据从"产生"到"被使用"的整条链路摊开，逐段识别不确定性在哪里被引入、被放大或被掩盖。材料数据有一个显著特点：它跨越实验表征、计算模拟、文献挖掘和工业检测四类来源，每类来源的误差机制完全不同，却常常被汇总进同一张数据表里。如果不先做来源识别，后续的统计建模很可能把系统性偏差当成随机噪声，或者把样本异质性误判为测量误差。

一、四类数据源的数据流与误差机制

实验表征数据通常来自力学试验机、SEM/TEM、XRD、EBSD、DSC 等设备。以拉伸试验为例，一条应力—应变曲线的不确定性至少来自三处：载荷传感器与引伸计的示值误差（典型为满量程的 ±0.5%）、试样尺寸测量误差（宽度与厚度各 ±0.01 mm，对截面积是平方级影响）、以及试样加工与夹持引入的偏心。这些误差中，传感器误差近似随机，而偏心往往表现为系统性偏低，两者不能混为一谈。

计算模拟数据的不确定性主要不是"测量误差"，而是模型偏差与数值误差。例如用 DFT 计算形成能时，交换关联泛函的选择（PBE、HSE06）、k 点网格密度、截断能、以及是否考虑范德华修正，都会系统性地移动结果。同一材料用不同泛函算出的带隙可能相差 0.5～1.0 eV，这不是随机波动，而是模型形式误差。分子动力学中，势函数的选择、系综设置、时间步长和统计时长则决定采样误差。

文献挖掘数据的不确定性来自"二次加工"：不同课题组用不同标准、不同试样状态、不同数据处理方式报告同一性能，抽取时还会遇到单位换算、条件缺失、图表数字化读数误差。文献值往往只给一个数，不给不确定度，这本身就是一种缺失机制。

工业检测数据（超声、涡流、X 射线、在线测厚等）的不确定性则与探头耦合、标定件、环境温度、被测件表面状态强相关，且常常是批次相关的，同一批产品内的误差可能高度相关而非独立。

二、四类不确定性机制的识别要点

测量误差要区分随机分量与系统分量。随机分量可通过重复测量估计，例如同一试样测 5 次抗拉强度得到 812、815、809、818、811 MPa，标准差约 3.5 MPa；系统分量则要靠标准件比对或不同设备交叉验证才能发现。把系统偏差当随机误差处理，会低估总不确定度。

模型偏差的核心是"模型不是真值"。识别方法是用一组已知基准实验（如标准材料的晶格常数、弹性常数）去标定模型，得到偏差的均值与散布。例如某势函数对 Cu 的层错能系统性偏低约 15%，这个 15% 就是模型偏差，应在后续传播中作为偏置项而非随机项处理。

样本异质性最容易被误判。同一牌号铝合金不同批次、同一板材不同位置的屈服强度差异，可能远大于测量误差。这不是"测不准"，而是材料本身的空间与批次变异。识别方法是做嵌套方差分析：把总方差分解为批次间、批次内、测量重复三层，看哪一层占主导。

缺失机制决定插补策略是否成立。MCAR（完全随机缺失）下均值插补尚可接受；MAR（随机缺失）需要基于协变量建模；MNAR（非随机缺失）最危险——例如"强度低的试样更容易在制样阶段被淘汰"，缺失本身携带信息，任何忽略缺失机制的插补都会引入偏差。识别 MNAR 的实用手段是记录缺失原因字段，并比较缺失组与非缺失组的可观测协变量分布。

三、可执行的数据溯源与来源标注示例

把上述识别落到工程上，最直接的做法是在数据表里强制携带来源与不确定度字段。下面给出一个可参考的记录结构（字段为示例设计，数值为合理假设，非实测结果）：

sample_id, source_type, method, condition, value, unit,
u_std, u_type, missing_flag, missing_reason, batch_id
AL-001, experiment, tensile, 25C/1e-3s-1, 812, MPa,
  3.5, random, 0, -, B2401
AL-001, experiment, tensile, 25C/1e-3s-1, 815, MPa,
  3.5, random, 0, -, B2401
AL-002, simulation, DFT-PBE, 0K/k8x8x8, 3.21, eV,
  0.15, model_bias, 0, -, -
AL-003, literature, hardness, 未注明热处理, 118, HV,
  NA, unknown, 1, condition_missing, -
AL-004, inspection, UT-thickness, 探头5MHz, 2.03, mm,
  0.02, batch_corr, 0, -, B2402

关键点有三：其一，u_type 明确区分 random、model_bias、batch_corr、unknown，避免后续把不同性质的误差混算；其二，missing_flag 与 missing_reason 让缺失机制可追溯，而不是留一个空白单元格；其三，batch_id 支持嵌套方差分析，把批次效应从测量误差中剥离出来。

来源识别的判断顺序建议为：先问"这个数是测出来的、算出来的、抄来的还是检出来的"，再问"它的误差是随机的还是系统的"，最后问"缺失是偶然的还是带信息的"。这三问能覆盖绝大多数材料数据的来源判定。

常见误区：把文献值直接当作"真值"去校准模型。文献值本身可能带有未报告的系统偏差和条件差异，用它做基准会把文献的偏差"传染"给模型。更稳妥的做法是优先使用有完整条件记录和不确定度的自测数据作为基准。

完成来源识别后，数据才真正具备进入 UQ 流程的资格：随机误差进入传播计算，模型偏差作为偏置项单独处理，样本异质性通过分层或混合效应模型表达，缺失机制决定插补方案的选择与可信度边界。这一步做扎实，后面的灵敏度分析和置信区间才有意义。