1. 仿真不确定度量化与评估导论

在工程仿真中，我们习惯把计算结果当作一个确定值来使用：结构分析给出最大应力 312 MPa，热仿真给出芯片结温 87.4 ℃，流体计算给出压降 2.35 kPa。但任何一次仿真都不是"真值"本身，而是"在给定输入、模型、离散方式和求解设置下得到的一个近似结果"。输入材料参数来自试验拟合，几何来自带公差的CAD，边界条件来自经验假设，网格离散本身引入误差，湍流模型、本构模型、接触模型都只是对真实物理的简化。这些环节中的每一项都带有不确定性，它们会沿着计算链传播，最终使输出结果也带有一个不可忽略的分布范围。

不确定度量化（Uncertainty Quantification，UQ）要回答的正是这个问题：在承认输入和模型都不精确的前提下，仿真输出的可信区间是多少，各输入对输出波动的贡献各占多少，以及如何用有限的算力把这个区间估计得既准又省。如果只报告一个 312 MPa，设计人员无法判断安全系数该留多少；如果报告"312 MPa，95% 置信区间 [286, 341] MPa，其中材料屈服强度贡献 58%、板厚公差贡献 27%、模型形式误差贡献 15%"，决策依据就完全不同了。

核心概念与术语

UQ 领域有一套相对固定的术语体系，理解它们是后续所有方法的前提。

• 不确定性（Uncertainty）：对某量真值缺乏确切了解的状态。分为偶然不确定性（aleatory，本质随机、不可通过更多信息消除，如材料批次波动）和认知不确定性（epistemic，源于知识不足、可通过更多数据或更高精度模型减小，如模型形式误差）。
• 输入变量：被建模为随机变量或区间变量的参数，记作 X = (X₁, X₂, …, X_d)，每个变量有分布类型与参数（如正态 N(μ, σ)、均匀 U(a, b)）。
• 响应量 / 输出量：仿真关心的结果，记作 Y = g(X)，g 即仿真模型（通常是一个"黑箱"求解器）。
• 不确定度传播：由 X 的分布推出 Y 的分布的过程，是 UQ 的核心计算任务。
• 验证与确认（V&V）：Verification 回答"方程解对了吗"（离散误差、迭代收敛），Validation 回答"方程建对了吗"（与试验对比）。UQ 是 V&V 的量化支撑。
• 敏感性指标：Sobol 指数 Sᵢ 表示第 i 个输入单独（主效应）或与其他输入交互（总效应 S_Tᵢ）对输出方差的贡献比例，ΣSᵢ ≤ 1。
• 置信区间与分位数：如 Y 的 95% 分位数 y₀.₉₅，表示"输出不超过该值的概率为 95%"，常用于可靠性判定。

整体技术路线图

一个完整的仿真 UQ 流程可以概括为六个环节，它们构成一条从"物理问题"到"可信结论"的链路，而不是简单的线性步骤堆叠——敏感性分析的结果常常反过来要求重新定义输入分布，验证环节也可能暴露模型缺陷而回到建模阶段。

图中六个环节中，②和③是计算量最大的部分。以蒙特卡洛（MC）为例，若要对 95% 分位数做出稳定估计，通常需要 10³～10⁴ 次仿真；而一次高保真 CFD 或非线性结构分析可能耗时数小时，直接 MC 不可行。因此实际工程中普遍采用代理模型 + 试验设计的策略：先用拉丁超立方抽样（LHS）在输入空间取 100～300 个样本点，训练 Kriging 或多项式混沌展开（PCE）代理模型，再用代理模型执行 10⁵ 次廉价采样完成传播与敏感性计算。PCE 的另一个优势是：一旦系数求出，Sobol 指数可由系数解析计算，无需额外采样。

需要强调的是，UQ 不是"给结果加一个误差棒"的装饰性工作。它的价值体现在三个层面：设计层面，用可靠度替代安全系数，实现定量余量分配；计算层面，通过敏感性排序识别关键输入，把有限的试验与高保真算力投向真正影响输出的参数；决策层面，给出"结论在多大置信水平下成立"的明确陈述，使仿真结果可以被审计、被追溯、被采信。