2. 相关性分析的数学与统计基础
在 Ansys Fluent 仿真与试验相关性分析中，最容易被忽视的问题不是“算得准不准”，而是“用什么指标判断准不准”。同一组仿真与试验数据，用不同指标评价，可能得出完全相反的结论。因此，本节先建立一套统一的数学与统计语言：误差、偏差、不确定度、相关系数、决定系数、均方根误差、相对误差。理解它们的定义、适用条件和相互关系，是后续所有相关性工作的前提。
一、误差、偏差与不确定度：三个容易混淆的概念
误差（Error）指单次测量值或仿真值与真值之差。真值通常不可知，因此实际中常用参考值替代。误差可正可负，反映的是“这一次差了多少”。
偏差（Bias）指多次重复测量或多次仿真结果的平均值与参考值之差，反映系统性偏离。偏差是误差的统计平均，若偏差显著不为零，说明存在系统性问题，如模型简化、边界条件设置不当或传感器标定漂移。
不确定度（Uncertainty）是对误差可能范围的定量估计，通常用标准不确定度 u 或扩展不确定度 U = k·u 表示，k 为包含因子（95% 置信水平常取 k≈2）。不确定度不是“错误”，而是对结果可信程度的诚实描述。
二、相关系数与决定系数：衡量趋势一致性
皮尔逊相关系数 r 衡量两组数据线性相关的强度和方向，取值 [-1, 1]。r 接近 ±1 表示强线性关系，接近 0 表示无线性关系。其定义为：
r = Σ[(xi - x̄)(yi - ȳ)] / √[Σ(xi - x̄)² · Σ(yi - ȳ)²]其中 xi 为仿真值，yi 为试验值，x̄、ȳ 为各自均值。r 只反映线性趋势，不反映量级偏差。例如仿真值整体是试验值的 2 倍，r 仍可能接近 1，但显然不能认为一致。
决定系数 R² 是 r 的平方，表示试验数据变异中被仿真解释的比例，取值 [0, 1]。工程上常以 R² > 0.9 作为趋势吻合的初步门槛，但 R² 高不等于误差小，仍需结合 RMSE 判断。
三、均方根误差与相对误差：衡量量级偏差
均方根误差 RMSE 综合反映偏差和随机散布，量纲与原始数据一致：
RMSE = √[ (1/n) · Σ(xi - yi)² ]RMSE 对大误差敏感，适合评价整体精度。若仿真与试验量级差异大，可进一步用归一化均方根误差 NRMSE = RMSE / (ymax - ymin) 或 RMSE / ȳ 消除量纲影响。
相对误差用于单点或局部评价：δ = |xi - yi| / |yi| × 100%。当试验值接近零时，相对误差会急剧放大甚至失去意义，此时应改用绝对误差或 RMSE。
四、指标选择与一致性判断
各指标并非互相替代，而是从不同侧面描述一致性。下表给出典型适用条件与判断参考（数值为工程经验参考，非绝对标准）：
| 指标 | 衡量内容 | 适用条件 | 参考判断 |
|---|---|---|---|
| 偏差 Bias | 系统性偏离 | 有重复样本或均值可比 | |Bias| 小于合成不确定度 |
| 相关系数 r | 线性趋势方向与强度 | 两变量近似线性、无极端离群 | r > 0.95 趋势强 |
| 决定系数 R² | 趋势解释比例 | 回归关系明确 | R² > 0.9 初步吻合 |
| RMSE | 整体量级误差 | 量纲一致、样本量足够 | RMSE 小于允许误差限 |
| 相对误差 δ | 单点局部偏差 | 试验值远离零 | δ < 5%~10% 视工况 |
实际分析中，建议按“先看趋势、再看量级、最后看单点”的顺序：先用 r 和 R² 确认趋势是否一致，再用 RMSE 和 Bias 判断整体量级与系统偏离，最后用相对误差定位局部异常点。只有多指标联合判断，才能避免“趋势好但量级错”或“单点准但整体散”的误判。
需要特别强调的是，上述指标都建立在“参考值可靠”的前提上。如果试验本身不确定度很大，那么再高的 R² 也不能证明仿真准确。因此，在计算任何一致性指标之前，应先明确试验数据的测量不确定度，并将其与仿真不确定度合成，形成一致性判断的误差带。只有偏差落在该误差带内，才能认为仿真与试验在统计意义上一致。