4. 不确定度的来源分类

在CFD模型校准中，把“总不确定度”当成一个笼统的数字来处理，几乎必然导致校准结论不可信。原因很简单：不同来源的不确定度，其物理含义、传播方式、可削减手段和在校准中的角色完全不同。如果混在一起，就会出现“用加密网格去消除湍流模型误差”或“用调参去补偿实验测量偏差”这类方向性错误。因此，本节的核心任务是把不确定度拆成四类可独立讨论、可分别量化的来源：输入参数不确定度、模型形式不确定度、数值离散不确定度和实验参考不确定度。

四类来源的物理定位

先建立一个统一的定位框架。任何一次“仿真值 vs 实验值”的比较，都可以写成：

y_exp = y_true + δ_exp
y_sim = f_model(x_true + δ_x) + δ_num

其中 δ_x 是输入参数偏差，δ_num 是数值离散偏差，δ_exp 是实验参考偏差，而 f_model 与真实物理过程之间的差异就是模型形式偏差 δ_model。四类来源分别对应这四个偏差项，它们在校准中的可处理性差异极大。

输入参数不确定度来自边界条件、物性、几何尺寸、工况设定等已知但不确定的量。例如入口速度标称 10 m/s，实际可能为 9.7～10.3 m/s；导热系数标称 0.6 W/(m·K)，批次波动 ±3%。这类不确定度通常有明确的物理量、单位和概率分布假设，可以通过灵敏度分析量化其对输出的影响，也可以通过更精确的测量或标定来削减。

模型形式不确定度来自控制方程、本构关系、湍流模型、燃烧模型、相间作用模型等对真实物理的简化。例如 k-ε 模型在强旋流中的系统性偏差、壁面函数在低雷诺数区的失效、多相流中忽略聚并破碎带来的误差。这类不确定度不能通过加密网格或调参消除，只能通过更换模型、引入修正项或在校准中显式建模其偏差函数来处理。

数值离散不确定度来自网格分辨率、离散格式、迭代收敛程度、时间步长等数值因素。它表现为同一物理模型在不同网格或不同格式下给出的结果差异。这类不确定度可以通过网格收敛性研究（如 Richardson 外推）、格式对比和收敛性检查来估计和削减，是四类中最“可控”的一类。

实验参考不确定度来自测量仪器精度、传感器安装位置、采样频率、数据处理方法、重复性等。例如 PIV 速度测量 ±2%、热电偶 ±0.5 K、压力扫描阀 ±0.1% FS。这类不确定度决定了校准的“参考基准”本身有多可靠，是校准中不可忽略的下限。

为什么必须分开处理：一个典型误判

假设某换热器仿真中，出口温度仿真值比实验值高 4 K。如果把这 4 K 笼统当作“模型误差”，直接去调湍流普朗特数，可能确实能把温度拉回来，但代价是：原本由入口速度偏差贡献的 1.2 K、由网格粗化贡献的 0.8 K、由热电偶安装位置偏差贡献的 0.5 K，全部被错误地塞进了模型参数里。结果是校准后的模型在另一个工况下完全失效。

正确的做法是先做一次偏差分解。例如通过入口速度的灵敏度系数 S = ∂T_out/∂u_in ≈ 0.35 K/(m/s)，若入口速度不确定度为 ±0.3 m/s，则 δ_x 贡献约 ±0.11 K；通过粗网格与细网格对比，δ_num 约 0.8 K；实验热电偶校准证书给出 ±0.5 K。扣除这些后，剩余约 2.6 K 才应归因于模型形式偏差。此时再决定是修正模型还是接受该偏差，方向就清晰得多。

四类不确定度的量化方法对照

实操中的处理顺序与判断依据

在实际校准流程中，四类来源的处理有明确的优先级。建议按以下顺序推进：

1. 先量化数值离散不确定度。用至少三套网格做 GCI 分析，确认细网格下的离散误差已小于目标精度的 1/3。若 GCI 仍大于实验与仿真的偏差量级，说明当前网格根本不足以支撑校准，应先加密再谈其他。
2. 再量化实验参考不确定度。从校准证书、重复性实验和误差传递公式得到 δ_exp。若 δ_exp 已经大于仿真与实验的偏差，说明校准空间被实验噪声淹没，需要改进测量或增加重复次数。
3. 然后做输入参数灵敏度分析。对每个输入参数计算归一化灵敏度系数，识别出对目标量影响最大的 2～3 个参数。这些参数是后续校准的主要调节对象，其余参数可固定为标称值。
4. 最后处理模型形式不确定度。在扣除前三类贡献后，剩余偏差才归因于模型形式。此时可选择：更换更合适的模型、引入经验修正系数、或将偏差建模为工况的函数并纳入不确定度预算。

一个可复用的偏差分解示例

以下给出一个换热器案例的偏差分解表，用于说明如何把总偏差分配到四类来源。表中数值为教学示例，非实测结果。

目标量：出口温度 T_out
仿真值：352.4 K
实验值：348.1 K
总偏差 Δ = +4.3 K

偏差分解（示例）：
  输入参数 δ_x：
    入口速度 ±0.3 m/s × S=0.35 K/(m/s) → ±0.11 K
    入口温度 ±0.2 K × S=0.9 → ±0.18 K
    合计（RSS）：±0.21 K

  数值离散 δ_num：
    粗网格 vs 细网格差 → 0.8 K
    GCI(细网格) → 0.3 K

  实验参考 δ_exp：
    热电偶校准 ±0.5 K
    安装位置偏差 ±0.4 K
    合计（RSS）：±0.64 K

  模型形式 δ_model：
    剩余偏差 = 4.3 − 0.21 − 0.8 − 0.64 ≈ 2.65 K
    占比约 62%，为当前主导不确定度来源

这个分解结果直接告诉工程师：当前最值得投入的方向是模型形式修正，而不是继续加密网格或反复标定入口速度。如果强行用入口速度去补偿这 2.65 K，需要的速度调整量约为 2.65/0.35 ≈ 7.6 m/s，远超实际可能的范围，说明该补偿在物理上不可行。

四类来源的独立性检查

最后需要强调：四类来源在理论上应尽量保持独立，否则偏差分解会出现重复计算或遗漏。检查方法包括：

• 输入参数之间是否存在相关性？例如入口速度和入口温度同时受工况波动影响，需用协方差而非简单 RSS 合成。
• 数值离散是否依赖于模型形式？例如某些湍流模型对网格更敏感，此时 δ_num 和 δ_model 存在耦合，应通过多模型多网格的交叉对比来分离。
• 实验参考不确定度是否与工况相关？例如高温下热电偶漂移增大，需按工况分段给出 δ_exp。

只有在这四类来源被清晰区分、分别量化并检查独立性之后，后续的校准和不确定度合成才有可靠的基础。下一阶段的工作，就是把这四类来源组织成一个完整的不确定度预算表，并据此判断校准结果是否达到了预期的可信度水平。