1. 课程导入与不确定性传播问题界定

在工程与科学计算中，我们几乎从不面对“参数完全确定”的理想问题。材料弹性模量存在批次差异，环境温度随季节波动，传感器读数带有噪声，而计算模型本身也只是对真实物理过程的近似。这些不确定性如果被忽略，计算结果就会给出一个看似精确、实则脆弱的“单点答案”。不确定性传播分析要回答的核心问题是：当输入存在不确定性时，输出的不确定性有多大？哪些输入对输出波动贡献最大？我们能否以可接受的概率保证输出落在安全范围内？

本课程聚焦其中应用最广、实现最直接的一类方法——蒙特卡洛传播分析。它的基本思想非常朴素：既然输入是随机变量，那就按输入的概率分布大量抽样，把每一组样本代入模型计算，得到输出的一个样本；重复成千上万次后，输出的样本集合就近似刻画了输出的概率分布。这一思想不依赖模型的线性、单调或低维假设，因此对黑箱模型、强非线性模型同样适用，代价是计算量较大。

不确定性来源的三类划分

做好传播分析的第一步不是写代码，而是把不确定性“归位”。工程中通常分为三类：

• 参数不确定性：模型结构已知，但其中的参数取值不确定。例如梁的弹性模量 E 服从均值 210 GPa、变异系数 5% 的正态分布；对流换热系数在 8～15 W/(m²·K) 区间内均匀分布。这类不确定性最容易量化，也是蒙特卡洛方法最直接的处理对象。
• 模型不确定性：模型形式本身与真实物理存在偏差，如本构关系的简化、湍流模型的近似、边界条件的理想化。它难以用单一分布描述，常通过模型偏差修正项、多模型加权或专家判断来表征。
• 观测不确定性：测量仪器精度、采样代表性、数据处理的误差。例如应变片标定误差 ±2%、温度传感器 ±0.5 ℃。观测不确定性既影响参数标定的结果，也影响验证环节的判据。

需要强调的是，三类不确定性在传播链条中的角色不同：参数不确定性直接进入模型计算；观测不确定性往往先影响参数的后验分布，再间接传播；模型不确定性则可能需要在输出端叠加修正。混淆来源会导致后续敏感性分析结论失真。

典型传播问题：从结构响应到环境预测

以一个简化的结构响应问题为例。某悬臂梁自由端挠度 δ = FL³/(3EI)，其中 L = 1.2 m 为确定量，载荷 F 服从均值 500 N、标准差 50 N 的正态分布，弹性模量 E 服从均值 210 GPa、变异系数 5% 的正态分布，截面惯性矩 I 因加工公差在标称值 8.5×10⁻⁷ m⁴ 附近有 ±3% 的均匀波动。若只取均值计算，得到 δ ≈ 1.61 mm；但真实挠度会围绕该值波动。用蒙特卡洛方法抽取 N = 10000 组样本，逐组计算后统计，可得到挠度的均值、标准差与 95% 分位值（示例性假设结果，非实测）。若规范要求挠度不超过 2.0 mm，则失效概率可由样本中 δ > 2.0 mm 的比例直接估计。这一流程正是本课程后续章节要反复演练的完整闭环。

环境预测类问题同样典型：污染物扩散模型中风速、风向、扩散系数均不确定，输出是某敏感点浓度超标的概率；水文预报中降雨量与产流参数不确定，输出是洪峰流量超过警戒线的风险。这类问题的共同特征是模型计算成本较高、输入维度较多，因此抽样策略与样本量控制尤为关键。

课程路线图

本课程按“概念—输入—抽样—计算—判读—进阶”的逻辑展开。前段建立不确定性与概率表征的基本语言，明确随机变量、分布参数与相关性的表达方式；中段进入蒙特卡洛核心：随机数生成与抽样方法（逆变换、拒绝采样、拉丁超立方）、样本量确定与收敛判据、相关输入的处理；随后讲解输出统计量的估计与置信区间、失效概率估计的精度问题，以及基于方差分解的敏感性分析；后段扩展到工程实用议题，包括代理模型加速、方差缩减技术、与可靠性方法的对比，以及结果报告与验证规范。每一章都配有可复现的示例参数与判读依据，帮助你把方法真正落到计算流程中。

最后需要建立一条重要认知：蒙特卡洛传播分析给出的不是“更精确的答案”，而是“答案的不确定性描述”。它的价值在于把“单点数字”升级为“分布 + 概率 + 贡献排序”，从而支撑风险决策。理解这一点，才能在后续选择样本量、判断收敛、解释敏感性结果时做出合理取舍。