2. 仿真模型中的不确定性来源识别

在仿真不确定度量化（UQ）中，第一步也是最关键的一步，是识别不确定性究竟从哪里来。如果来源识别不完整，后续的抽样、传播和灵敏度分析都会建立在错误的输入集合上，得到的置信区间再漂亮也没有意义。工程实践中通常把仿真模型的不确定性划分为四类：参数不确定性、模型形式不确定性、观测不确定性和数值离散不确定性。它们分别对应“输入数据不准”“物理方程选得不对”“测量本身有噪声”“计算机算得不精确”这四个不同层面的问题。

一、参数不确定性：输入量的真实波动

参数不确定性指模型中作为输入或系数的物理量本身存在随机性，或者其取值无法被精确知道。它又可细分为两类：一类是固有随机性，例如材料批次间弹性模量的分散、来流风速的湍流脉动，这类波动即使测量无限精确也依然存在；另一类是认知不确定性，例如某换热系数只能凭经验取 200～260 W/(m²·K)，真实值固定但未知，增加实验数据可以缩小其范围。

以某型无人机机翼气动仿真为例，输入参数包括来流速度 V、攻角 α、空气密度 ρ 和翼型升力系数斜率 a。假设 V 服从均值 30 m/s、标准差 0.6 m/s 的正态分布，α 服从 4°±0.2° 的均匀分布，ρ 在 1.15～1.25 kg/m³ 之间均匀取值。这些参数的不确定性会通过升力公式 L = 0.5ρV²S·C_L(α) 传播到输出。识别参数不确定性的核心工作是：列出所有输入量，标注其分布类型、均值、标准差或上下界，并区分固有与认知成分——因为认知不确定性可以通过补充实验降低，而固有不确定性只能接受。

二、模型形式不确定性：方程与真实物理的偏差

模型形式不确定性（也称结构不确定性）来自我们选择的物理模型、本构关系、经验公式或边界条件简化与真实物理过程之间的差异。它不随输入参数变化，而是模型本身的系统性偏差。典型表现包括：用 k-ε 湍流模型模拟强旋流时对涡黏性的过高估计；用线性弹性本构描述接近屈服的材料；用一维梁理论处理短粗梁时忽略剪切变形；把三维流动简化为二维轴对称时丢失的周向效应。

识别模型形式不确定性的常用做法是模型对比与模型修正。例如同一翼型分别用 Spalart-Allmaras 和 SST k-ω 两种湍流模型计算，在 α=12° 时升力系数相差约 6%，这个差值就是模型形式不确定性的一个估计。更严格的方法是把模型输出写成 y = η(x, θ) + δ(x)，其中 η 是仿真结果，δ(x) 是模型偏差函数，通过高保真实验或高精度数值解来标定 δ(x) 的均值和置信带。工程上若无法标定 δ，至少应通过多模型交叉验证给出模型形式不确定性的量级。

三、观测不确定性：实验数据本身的噪声

观测不确定性出现在用实验数据标定模型参数或验证仿真结果时。它包含三部分：测量仪器的随机误差（如压力传感器 ±0.5% FS）、系统偏差（如热电偶冷端补偿不准）、以及实验条件与仿真设定之间的不一致（如风洞壁面干扰、来流不均匀）。观测不确定性直接决定了参数标定的可信度：如果实验数据本身有 3% 的噪声，那么标定出的参数后验分布就不可能比这更窄。

处理观测不确定性的标准做法是在贝叶斯标定中显式写出似然函数。设实验观测为 d_i，仿真预测为 y_i(θ)，观测噪声为 ε ~ N(0, σ_obs²)，则似然为 L(θ) = Π exp[-(d_i - y_i(θ))²/(2σ_obs²)]。σ_obs 必须根据仪器精度和重复实验的散布来设定，不能随意取小。若忽略观测不确定性，标定出的参数会过度自信，后续 UQ 结果也会偏窄。

四、数值离散不确定性：网格、时间步与迭代的误差

数值离散不确定性来自把连续方程离散到有限网格、有限时间步和有限迭代次数时引入的误差。它包含空间离散误差（网格分辨率不足）、时间离散误差（时间步过大）、迭代收敛误差（残差未降到足够低）以及舍入误差。这类不确定性在 CFD、FEA 中尤为突出：同一模型，网格从 50 万加密到 200 万，阻力系数可能变化 2%～4%。

识别数值离散不确定性的标准方法是网格收敛指数（GCI）。以三套网格为例，粗、中、细网格的单元数分别为 N₁=40 万、N₂=120 万、N₃=360 万，对应输出阻力系数为 C_d1=0.0312、C_d2=0.0301、C_d3=0.0296。计算细化比 r = (N₃/N₂)^(1/3) ≈ 1.44，用 Richardson 外推估计真值 C_d∞ ≈ 0.0293，则细网格的离散不确定度约为 |C_d3 - C_d∞|/C_d∞ ≈ 1.0%。时间步和迭代收敛也应做类似检查：把时间步减半、把残差阈值从 1e-4 降到 1e-6，观察输出变化是否落在可接受范围内。

五、四类来源在典型仿真中的表现与识别顺序

不同仿真类型中，四类不确定性的主导地位不同。结构静力分析中，参数不确定性（材料弹性模量、载荷）和模型形式不确定性（本构、连接简化）通常占主导，数值离散不确定性可通过网格收敛控制在 1% 以内。CFD 中数值离散不确定性和模型形式不确定性（湍流模型）往往比参数不确定性更大。多体动力学中，观测不确定性（实验标定阻尼、摩擦系数）影响显著。系统级仿真中，参数不确定性和模型形式不确定性常同时存在且相互耦合。

推荐的识别顺序是：先列出所有输入参数并标注分布（参数不确定性），再评估物理模型与真实过程的偏差（模型形式不确定性），然后检查用于标定的实验数据噪声水平（观测不确定性），最后做网格/时间步收敛性检查（数值离散不确定性）。四类来源识别清楚后，才能决定哪些用概率分布描述、哪些用区间描述、哪些用偏差函数描述，进而选择蒙特卡洛、多项式混沌展开或贝叶斯推断等合适的传播方法。

需要特别注意的是，四类不确定性并非总是可加分离的。当参数不确定性与模型形式不确定性存在耦合时（例如不同湍流模型下，来流速度的灵敏度不同），简单地把方差相加会低估总不确定度。此时应把模型选择也作为一个离散随机变量，与参数一起进行联合抽样，或采用贝叶斯模型平均方法。识别阶段的输出，正是为这种联合处理提供完整的变量清单和先验信息。