📚 课程目录第1章不确定性的来源识别与量化目标界定

1. 不确定性的来源识别与量化目标界定

本案例给定一个工程预测模型：某型换热器在给定工况下的换热量预测。模型形式为 Q = U·A·ΔT_lm，其中总传热系数 U 由管内对流、管壁导热、管外对流三部分串联热阻决定。任务不是立刻做抽样计算，而是先把“不确定性从哪里来”梳理清楚，并把“量化到什么程度算完成”写成可检验的目标。

把模型展开成可逐项检查的输入清单，是识别不确定性的前提。对本模型，输入可分为三类：几何与材料参数（A、壁厚 δ、导热系数 k）、工况参数（冷热流体入口温度、流量）、以及经验关联式参数（对流换热系数关联式中的系数与指数）。

类别	变量	名义值（示例）	不确定性来源
几何	换热面积 A	2.40 m²	制造公差、污垢附着
材料	导热系数 k	16.3 W/(m·K)	材料批次分散、温度依赖
工况	热流体入口温度 T_h,in	90 ℃	测量误差、工况波动
工况	体积流量 V̇	1.8 m³/h	泵/阀调节偏差、读数误差
关联式	对流系数关联式系数 C、指数 m	C=0.023, m=0.8	关联式拟合残差、适用雷诺数范围

注意：ΔT_lm 不是独立输入，它由四个进出口温度共同决定，因此温度测量误差会通过它放大或抵消，属于“派生量”，在清单中应标注其依赖关系而非单独赋分布。

参数不确定性（偶然型）：同一批次换热器的 A、k 存在分散，流量与温度存在随机波动。这类不确定性可用概率分布描述，是后续蒙特卡洛传播的主要对象。
模型结构不确定性（认知型）：对流关联式本身是经验拟合，在低雷诺数或高黏度工况下偏差可能显著；串联热阻模型忽略了污垢层与轴向导热。这类不确定性不能靠增加样本量消除，只能通过模型形式对比或引入模型偏差项来刻画。
观测数据不确定性：温度传感器精度 ±0.5 ℃、流量计精度 ±2% 读数。它既影响输入分布，也影响后续用实测数据校核模型时的残差判读。

识别阶段的实用判据：若某来源可通过“再多测几次、再多采几个样本”而收敛，归为偶然型；若只能通过“换模型、改假设、加修正项”而减小，归为认知型。两者在后续量化中的处理方式不同。

“量化不确定性”本身不是目标，必须落到具体变量和阈值上。针对本模型，建议把目标写成如下三条，每条都能在后续计算中被验证：

目标变量：换热量 Q 的均值、标准差与 5%/95% 分位数。选择分位数是因为工程上更关心“最不利工况下换热量是否仍满足需求”，而非仅看方差。
精度阈值：均值估计的标准误不超过 0.1 kW；P95 的 95% 置信区间半宽不超过 0.4 kW。这两个阈值直接决定后续需要多少样本，是连接“识别”与“传播”的桥梁。
认知型不确定性的处理约定：模型结构偏差不并入参数分布，而是作为独立的偏差项报告（例如给出关联式在目标雷诺数范围内的相对偏差区间），避免把“模型错了”误当成“参数波动大”。

把上述分析固化为一张清单，作为后续量化工作的输入。清单至少包含：变量名、类型（偶然/认知/观测）、名义值、分布假设或区间、与其他变量的相关性、以及是否进入传播计算。

变量/项	类型	处理方式	进入传播？
A	偶然	正态，σ=1.5% 名义值	是
k	偶然	均匀，±3%	是
T_h,in、T_c,in	观测+偶然	正态，σ 由传感器精度与工况波动合成	是
V̇	观测+偶然	正态，σ=2% 读数	是
关联式系数 C、m	认知	区间 [C_lo,C_hi]，单独情景分析	否（单独报告）
污垢热阻	认知	按设计裕量取上限情景	否（情景对比）

常见错误：把认知型不确定性也赋一个“看起来合理”的正态分布塞进蒙特卡洛。这样得到的输出方差会混入模型形式误差，导致精度目标看似达成、实际不可信。正确做法是分开报告，或在目标中明确“参数不确定性区间”与“模型偏差区间”两条结论。

当以下四项同时满足时，本节的“来源识别与目标界定”任务即完成：来源清单覆盖参数、结构、观测三类且每项标注了类型；目标变量明确为 Q 的均值/标准差/分位数；精度阈值以数值写死并可被样本量验证；认知型不确定性有独立于参数传播的处理方案。这四项构成后续抽样与传播工作的直接输入。