3. 仿真可信度与不确定性量化基础

在工程仿真中，我们真正关心的并不是“软件是否跑通”，而是“仿真结果在多大程度上可以支撑工程决策”。这就是仿真可信度（Credibility）的核心问题。可信度不是二值判断，而是一个有证据支撑的置信程度：它描述的是在特定应用场景、特定精度要求下，仿真结果可以被采信的程度。同一套模型，用于方案筛选可能足够可信，用于适航取证则可能远远不够，因此可信度必须与使用场景和验收指标绑定。

可信度的构成：误差与不确定性

要谈可信度，必须先厘清两个常被混用的概念：误差（Error）与不确定性（Uncertainty）。误差是仿真结果与真值之间的实际偏差，是一个客观存在的确定量，但我们通常无法精确知道它；不确定性则是对这种偏差或对结果本身缺乏完整认知的度量，它用区间或概率分布来描述“可能有多大偏差”。

按来源分类，仿真中的误差与不确定性通常分为三类：

• 模型形式误差（模型不确定性）：控制方程、本构关系、边界条件简化带来的偏差。例如用雷诺平均湍流模型模拟强分离流动，模型本身无法解析大尺度涡结构。
• 离散误差（数值不确定性）：网格、时间步、迭代收敛容差、数值格式引入的偏差。它随网格加密而减小，但不会自动消失。
• 参数不确定性：输入数据本身的不确定，如材料弹性模量、来流速度、边界温度、几何公差等，通常以区间或分布给出。

此外还有人为误差（操作、建模习惯）和软件实现误差（代码缺陷、舍入），在V&V体系中分别由验证与确认活动覆盖。区分这些类别，是因为不同类别对应不同的量化方法和削减手段。

不确定性量化（UQ）的基本方法

不确定性量化（Uncertainty Quantification, UQ）的目标是：给定输入的不确定性，推断输出的不确定性，并识别主要贡献来源。常用方法可分为三类。

1. 蒙特卡洛类方法。对输入参数按其分布抽样，重复运行仿真，统计输出的均值、标准差和分位数。它实现简单、对非线性适应性强，但收敛慢，通常需要数百到上万次运行。工程中常用拉丁超立方抽样（LHS）提高效率。

2. 代理模型方法。当单次仿真昂贵时，先用少量样本（如50～200个）构建响应面、Kriging或多项式混沌展开（PCE）代理模型，再在代理模型上做大规模抽样。PCE还能直接给出输出的统计矩和Sobol灵敏度指标。

3. 区间与模糊方法。当输入只能给出上下界、无法给出概率分布时，用区间分析或凸模型传播，得到输出的区间包络。这类方法在早期设计阶段很实用。

无论哪种方法，UQ的典型流程是：定义输入不确定源及其分布 → 抽样或构建代理 → 传播计算 → 统计输出并做灵敏度分析 → 判断输出是否满足指标要求。灵敏度分析（如Sobol指数）能回答“哪个输入对输出方差贡献最大”，从而指导试验设计和模型改进。

UQ与V&V的关系

V&V与UQ不是并列的两件事，而是相互支撑的。验证（Verification）回答“方程解得对不对”，确认（Validation）回答“模型选得对不对”，而UQ回答“结果有多不确定”。确认活动本身就需要UQ：实验与仿真之间的差异，必须放在双方不确定性的框架下比较，否则“差5%”既可能是模型错误，也可能只是实验重复性波动。

反过来，V&V为UQ提供可信的模型和数值基础：如果离散误差未收敛，UQ统计出的输出分布就不可信。因此工程上常把三者组织成一条证据链：代码验证 → 解验证（网格/时间步收敛） → 确认（与实验对比） → UQ传播 → 可信度评估。可信度评估则把上述证据按场景加权，形成可追溯的置信结论。

一个可操作的判断示例

假设某支架最大应力仿真均值为 210 MPa，实验重复测量均值为 225 MPa。仿真侧由网格离散和材料参数带来的合成标准不确定度为 8 MPa，实验侧重复性标准不确定度为 6 MPa。按 k=2 取扩展不确定度，合成后约为 20 MPa。此时差异 15 MPa 小于 20 MPa，说明在现有不确定性水平下，差异尚可解释，模型可暂时接受，但应继续识别主要贡献源。若差异达到 40 MPa，则超出合成不确定度，需要优先检查边界条件简化和本构模型选择，而不是简单加密网格。

综上，可信度是目标，误差与不确定性分类是认识框架，UQ是量化工具，V&V是提供可信基础的活动链。四者共同构成仿真结果能否进入工程决策的依据。