📚 课程目录第4章参数敏感性分析与关键参数识别

4. 参数敏感性分析与关键参数识别

在完成初步的材料参数标定之后，一个非常现实的问题会立刻出现：模型里往往有 5 到 15 个待定参数，但试验数据能提供的独立信息量有限。如果对所有参数一视同仁地反复迭代，不仅计算成本高，而且容易陷入“参数补偿”的陷阱——两个参数以相反方向同时变化，也能拟合出相似的曲线，但物理意义已经失真。敏感性分析的目的，就是回答一个核心问题：哪个参数对目标响应的影响最大，哪个参数几乎可以固定不动。

本节围绕三类方法展开：单变量扰动（OAT）、正交试验（DOE）和 Sobol 全局敏感性指数。它们分别对应“快速筛查”“交互作用识别”和“定量分解方差贡献”三个层次，实际工作中通常组合使用。

4.1 先明确响应量与参数空间

敏感性分析的第一步不是选方法，而是定义清楚“对什么敏感”。在 Abaqus 材料标定中，响应量通常不是一条完整曲线，而是从曲线中提取的标量特征。例如：

单轴拉伸：初始模量 E、屈服应力 σ_y、硬化指数 n、颈缩点应变；
超弹性：100%、300% 拉伸处的名义应力，以及卸载残余应变；
粘弹性：松弛模量 G(t) 在 1s、10s、100s 的值；
损伤模型：损伤起始位移、峰值载荷、失效位移。

把这些特征量记为响应向量 y = [y₁, y₂, …, y_m]，待标定参数记为 x = [x₁, x₂, …, x_k]。参数空间需要给出合理的上下界，通常取初始估计值的 ±30%～±50%，或依据材料手册、文献范围确定。这一步非常关键：如果参数范围设置过窄，敏感性会被系统性低估；范围过宽，则可能引入非物理响应。

4.2 单变量扰动：最快的筛查手段

单变量扰动（One-At-a-Time, OAT）的做法是：固定其他参数在基准值，只让第 i 个参数在其范围内取若干水平（通常 3～5 个），运行 Abaqus 提取响应，计算归一化敏感度：

S_i = (Δy / y_0) / (Δx_i / x_i0)

其中 y₀ 和 x_i0 为基准值。S_i 的绝对值越大，说明该参数对响应越敏感。例如在某弹塑性标定示例中（以下数据为教学假设，非实测）：

参数	基准值	扰动范围	对屈服应力的 S_i	对硬化斜率的 S_i
弹性模量 E	210 GPa	±20%	0.02	0.01
屈服应力 σ_y	350 MPa	±20%	0.95	0.12
硬化指数 n	0.15	±30%	0.08	0.88
损伤起始应变	0.08	±25%	0.01	0.03

从表中可以快速判断：屈服应力主要控制屈服点，硬化指数主要控制后段斜率，而弹性模量和损伤起始应变对这两个响应几乎不敏感。OAT 的优点是计算量小（k 个参数 × 水平数），缺点是无法捕捉参数之间的交互作用。如果两个参数存在强耦合，OAT 会低估它们的联合影响。

4.3 正交试验：识别交互作用

当 OAT 结果显示多个参数都较敏感时，需要进一步判断它们之间是否存在交互。正交试验通过正交表安排多参数、多水平的组合，使各因素水平均衡搭配，从而用较少的试验次数估计主效应和部分交互效应。以 4 参数 3 水平为例，选用 L9(3⁴) 正交表只需 9 次 Abaqus 运行，而全因子需要 81 次。

试验完成后，对每个响应量做方差分析（ANOVA），计算各因素的平方和 SS、自由度 df、均方 MS 和 F 值，进而得到贡献率：

贡献率_i = SS_i / SS_total × 100%

在某超弹性标定示例中（教学假设数据），对 300% 拉伸应力的贡献率排序为：C₁₀ 占 52%，C₀₁ 占 28%，C₁₀×C₀₁ 交互占 12%，其余参数合计不足 8%。这说明 C₁₀ 和 C₀₁ 不仅各自重要，还存在明显耦合，标定时必须联合调整，不能单独固定其中一个。

4.4 Sobol 指数：定量分解方差贡献

Sobol 方法基于方差分解，把输出方差 V(y) 分解为各参数及其组合的贡献：

V(y) = Σ V_i + Σ V_ij + … + V_12…k
S_i = V_i / V(y)          （一阶指数）
S_Ti = 1 - V_~i / V(y)    （总指数）

一阶指数 S_i 表示参数 x_i 单独贡献的方差比例；总指数 S_T_i 表示 x_i 及其所有交互项贡献的方差比例。两者之差 S_T_i − S_i 反映了该参数参与交互的程度。若某参数 S_i 很小但 S_T_i 很大，说明它主要通过交互影响响应，单独扰动时看不出重要性。

实现上，Sobol 需要蒙特卡洛采样。常用 Saltelli 方案生成两个独立样本矩阵 A、B（各 N 行 k 列），再构造 k 个混合矩阵 A_B⁽ⁱ⁾（A 的第 i 列替换为 B 的第 i 列），共需 N×(k+2) 次模型评估。N 通常取 512～2048。对于 Abaqus 这类单次运行数分钟到数小时的模型，建议先用 OAT 和 DOE 把参数缩减到 4～6 个，再对关键参数做 Sobol 分析。

实用建议：如果单次 Abaqus 运行超过 30 分钟，可先用降阶模型（如 Kriging、多项式响应面）代理 Abaqus 输出，再在代理模型上做 Sobol 采样。代理模型精度用 R² 和交叉验证 RMSE 判断，R² 低于 0.9 时不宜直接用于敏感性结论。

4.5 结果判读与关键参数识别

综合三类方法的结果，可以形成一张参数重要性排序表。判读时注意以下几点：

阈值设定：通常将 S_T_i < 0.05 的参数视为不敏感，可在后续标定中固定；S_T_i > 0.2 的参数列为关键参数，优先标定。
响应依赖性：同一参数对不同响应量的敏感性不同。例如 E 对初始模量敏感，但对屈服后段不敏感。因此关键参数识别必须针对具体响应量分别进行。
交互项处理：若两个参数交互显著（S_T_i − S_i > 0.1），标定时应同时调整，或引入组合参数（如 C₁₀+C₀₁）降低耦合。
物理一致性检查：敏感性高不等于可以任意取值。标定后的参数仍需满足热力学稳定性、正定性等物理约束。

常见误区：把 OAT 的敏感度排序直接当作最终结论。OAT 忽略了参数间的交互，当两个参数强耦合时，OAT 可能把两个都判为“中等敏感”，而实际上它们联合起来贡献了大部分方差。建议至少用 DOE 或 Sobol 复核一次。

4.6 可复用的敏感性分析记录表

为了让分析过程可追溯、可复现，建议为每个标定任务维护一张敏感性分析记录表。以下为示例结构（字段可根据项目调整）：

参数	基准值	下界	上界	OAT S_i	DOE 贡献率	Sobol S_i	Sobol S_T_i	结论
E	210 GPa	180	240	0.02	1.5%	0.01	0.02	固定
σ_y	350 MPa	300	400	0.95	48%	0.46	0.52	关键
n	0.15	0.10	0.20	0.88	35%	0.38	0.44	关键
ε_f	0.08	0.06	0.10	0.03	2%	0.02	0.03	固定

表中 σ_y 和 n 的 S_T_i 明显大于 S_i，说明二者存在交互，标定时应联合优化；E 和 ε_f 的 S_T_i 均低于 0.05，可固定在基准值，把标定维度从 4 降到 2，显著减少迭代次数和计算成本。

完成敏感性分析后，后续标定工作就有了明确的优先级：对关键参数设置较宽的搜索范围并精细迭代，对不敏感参数直接固定。这样既提高了标定效率，也降低了过拟合风险，使最终参数组合更接近真实材料行为。