4. 模型验证与确认（V&V）基础
在数字孪生项目中，模型能否被信任，取决于它是否经过了系统化的验证与确认（Verification and Validation，V&V）。很多团队把“仿真跑通了”“曲线看起来像”当作模型可用的依据，这在实际工程中远远不够。V&V 提供了一套可追溯、可量化的证据体系，用来回答两个根本问题：模型是否被正确地构建？我们构建的是否是正确的模型？
四个核心概念：验证、确认、校准、不确定度
验证（Verification）关注“解方程是否正确”。它检查数学模型的离散化、求解算法、代码实现是否忠实于所设定的方程与边界条件。典型手段包括网格无关性分析、时间步收敛性测试、与解析解或基准算例对比、代码单元测试。验证回答的是：我写的程序有没有算错？
确认（Validation）关注“方程是否正确”。它把模型预测与真实物理世界的实验或现场观测数据对比，判断模型在其预期应用场景下是否具有足够的精度。确认回答的是：我选的物理假设和参数，能不能代表真实对象？
校准（Calibration）是通过调整模型中的不确定参数，使模型输出与一组参考数据吻合的过程。校准不是“调参凑曲线”，而应在明确参数物理意义、取值范围和先验分布的前提下进行。校准使用的数据与后续确认使用的数据必须分离，否则会高估模型精度。
不确定度（Uncertainty）量化模型预测的可信区间。来源包括输入参数波动、边界条件不确定性、模型结构误差、数值离散误差和观测噪声。工程上常用蒙特卡洛抽样、区间分析或贝叶斯方法传播不确定度，最终给出“预测值 ± 置信区间”的表达，而不是单一确定值。
V&V 在数字孪生中的适配与扩展
传统 V&V 主要面向“一次性”仿真模型，而数字孪生具有实时数据连接、模型持续演化、多物理场耦合等特征，因此需要在经典框架上做三方面扩展。
第一，从静态确认到在线确认。数字孪生持续接收传感器数据，确认不应只在交付前做一次，而应建立在线一致性监测。例如，对关键输出量设定滑动窗口内的残差统计量，当残差均值或方差超过阈值时触发告警，提示模型可能偏离真实状态。
第二，从单一模型到模型链确认。数字孪生往往由几何模型、降阶模型、数据驱动补偿模型串联而成。此时需要逐级确认：几何模型是否准确反映装配关系，降阶模型在关注频段内是否保真，数据驱动模型在训练分布之外是否可靠。任何一级失效都会传导到最终输出。
第三，从确定值到概率预测。数字孪生用于决策时，必须给出预测的可信程度。例如，预测某设备未来 72 小时温度峰值，应输出“峰值 82°C，95% 置信区间 [78, 87]°C”，而不是仅给出 82°C。决策者据此判断是否需要提前干预。
一个可操作的确认示例
假设某数字孪生用于预测换热器出口水温。模型输入为入口水温、流量、环境温度，输出为出口水温。我们按以下流程执行确认：
- 数据划分：取 200 组现场数据，前 120 组用于校准，后 80 组用于确认，两组工况覆盖不同流量区间。
- 校准：选择传热系数修正因子 α 作为校准参数，先验范围 [0.7, 1.3]。以均方根误差最小为目标，用贝叶斯优化求解，得到 α = 1.08。
- 不确定度量化：对入口水温 ±0.5°C、流量 ±3%、α ±0.05 进行 1000 次蒙特卡洛抽样，得到出口水温的 95% 预测区间。
- 确认判定：在 80 组确认数据上，计算归一化平均偏差 NMBE 和均方根误差 CV(RMSE)。若 CV(RMSE) ≤ 10% 且 95% 观测点落在预测区间内，则判定模型在该工况范围内通过确认。
该示例中的数值均为教学假设，实际项目需根据传感器精度、工况覆盖度和应用风险等级重新设定阈值。
总结来看，V&V 在数字孪生中不是一次性交付动作，而是贯穿模型全生命周期的证据积累过程。验证保证求解可信，确认保证物理可信，校准使模型贴合个体对象，不确定度则让决策者知道“可信到什么程度”。四者共同构成虚实一致性的量化基础。