4. 可信度验证框架

数值仿真的“结果看起来合理”并不等于“结果可信”。可信度验证（Verification & Validation，简称V&V）要回答两个不同的问题：验证（Verification）问“我是否把方程解对了”，即数值解与数学模型是否一致；确认（Validation）问“我是否解对了方程”，即数学模型是否真实刻画了物理对象。两者顺序不能颠倒——若数值误差尚未收敛，用实验数据去“确认”模型只会把数值误差误判为模型误差。

在V&V之上还需要不确定性量化（UQ）。动力系统的不确定性来源可分为四类：输入参数不确定（如阻尼系数、初始条件）、模型形式不确定（如忽略某非线性项）、数值离散不确定（网格、步长、迭代容差）、实验观测不确定（传感器噪声、标定偏差）。可信度评估指标的作用，是把这些分散的不确定性汇总为可比较、可判定的量，例如相对误差、置信区间覆盖率、验证度量（validation metric）以及面向决策的可信度等级。

验证：先证明“解对了方程”

验证分两步。第一步是代码验证，常用“制造解方法”（Method of Manufactured Solutions, MMS）：人为指定一个光滑解析解，例如对一维阻尼振子取 x(t)=sin(3t)，反代回方程得到对应的源项，再把该源项加入程序求解，比较数值解与制造解。若程序正确，误差应随步长按理论阶收敛。第二步是解的验证，即网格/步长收敛研究。以显式欧拉求解 ẋ=−2x、x(0)=1 为例，取步长 h=0.1、0.05、0.025，在 t=1 处与解析解 e^(−2)≈0.13534 比较，误差大致按一阶减半；若误差不降反升，说明实现有误或步长已进入舍入误差主导区。工程上常报告网格收敛指数 GCI，用三套网格的差值估计离散不确定度。

确认：与实验数据“对得上”且“说得清”

确认不是简单看两条曲线是否重合，而要给出定量度量。常用做法是：对实验与仿真在同一激励、同一测点下采样，计算归一化残差，并构造验证度量。例如某单自由度系统在脉冲激励下，实验峰值位移 12.0 mm、仿真 11.4 mm，峰值相对误差约 5%；但若相位滞后 0.03 s，仅看峰值会漏判。因此建议同时报告幅值误差、相位误差与整体波形距离指标，并给出实验重复性带来的不确定带。只有当仿真曲线落在实验不确定带内，或差异可由已识别的不确定性解释时，才可判为“确认通过”。

不确定性量化：把“差多少”变成“可能差多少”

UQ 的核心是传播。以阻尼比 ζ 为例，若其标定为 0.05±0.01（均匀分布），可用蒙特卡洛抽样 1000 组，每组跑一次仿真，得到峰值位移的分布，进而给出 95% 置信区间。若仿真均值与实验值之差小于区间半宽，则差异不显著。对高维参数，可先用 Sobol 灵敏度分析筛出主导参数，再对主导参数做精细抽样，避免“全参数撒网”导致计算量爆炸。注意：抽样次数、分布假设与相关性设定都必须记录，否则区间不可复现。

验证实验设计与证据收集

验证实验应围绕“可判别”设计：选择对目标量最敏感的工况，布置足够测点，并保留原始时程而非仅峰值。证据收集建议形成可追溯的证据包，包含：模型版本与参数表、离散设置与收敛曲线、实验标定记录与重复性统计、UQ 抽样配置与输出分布、以及判定阈值与结论。下面给出一个可直接套用的证据登记表示例（数值为教学示例，非实测）：

综上，可信度验证框架的实质是：用验证排除数值误差，用确认检验模型与物理的一致性，用 UQ 说明剩余差异的合理范围，再用结构化证据支撑“可信/不可信”的结论。三者缺一，可信度评估就会退化为经验判断。