1. 不确定性传播与代理模型概述

在工程设计与科学计算中，我们几乎从不面对一个"确定"的世界。材料弹性模量存在批次波动，几何尺寸受加工公差影响，边界条件随服役环境变化，载荷谱本身带有随机性。这些输入的不确定性并不会停留在原地，而是会沿着计算模型逐级传递，最终反映到我们真正关心的输出量上——最大应力、疲劳寿命、失效概率、温升峰值。研究这种"输入扰动如何演化为输出分散"的过程，就是不确定性传播（Uncertainty Propagation, UP）。

本节作为全课程的开篇，需要先建立三件事的清晰认识：不确定性从哪里来、传播问题在数学上如何定义、以及为什么必须引入代理模型来加速这一过程。理解这三层逻辑，后续的采样策略、代理模型构造与精度评估才有落脚点。

一、不确定性来源的分类

工程中通常把不确定性分为两类。第一类是偶然不确定性（aleatory uncertainty），也称随机性，它源于事物本身固有的变异，即使测量无限精确也无法消除。例如同一批钢材屈服强度的自然离散、风速的湍流脉动、掷骰子的结果。这类不确定性用概率分布描述，如正态分布 N(μ, σ²)、对数正态分布或威布尔分布。

第二类是认知不确定性（epistemic uncertainty），源于知识不足，理论上可以通过更多数据或更深入的认识来削减。例如某新型合金的疲劳极限只做了 8 组试验，其均值估计本身就不确定；又如有限元模型中某个接触刚度的取值缺乏依据。认知不确定性常用区间、模糊数或带置信度的分布来刻画。

区分二者的意义在于：偶然不确定性决定系统"固有的风险底线"，认知不确定性则提示我们"哪里还值得继续投入试验"。在工程实践中，还常见模型形式不确定性——即物理模型本身对现实的简化偏差，它介于两者之间，通常通过模型修正或偏差项来吸收。

二、传播问题的数学定义

设计算模型可抽象为映射 Y = g(X)，其中输入向量 X = (X₁, X₂, …, X_n) 带有联合概率密度 f_X(x)，输出 Y 为标量或向量。不确定性传播要回答的核心问题是：已知 X 的分布，如何得到 Y 的分布、均值、方差、分位数，乃至失效概率 P_f = Pr{g(X) > y_lim}。

解析求解只在极少数线性、正态的场合可行（此时 Y 仍为正态，均值与方差可由一阶泰勒展开近似）。一旦 g 非线性显著——例如结构进入塑性、流场出现激波、传热含辐射——解析路径基本失效，只能依赖数值方法。最直接的是蒙特卡洛模拟（MCS）：从 f_X 抽取 N 组样本，逐组调用 g 计算，再由样本统计量估计输出分布。

MCS 的收敛速度约为 O(1/√N)，且与输入维数无关，这是它最大的优点；但代价同样明确：要获得 10⁻³ 量级的失效概率可靠估计，往往需要 10⁵～10⁶ 次模型调用。若单次调用是一次耗时数小时的高保真有限元或 CFD 计算，总成本将不可承受。这正是"维数灾难"之外的另一重瓶颈——调用次数灾难。

三、代理模型加速的必要性

代理模型（surrogate model）的思路是：用少量高保真样本训练一个廉价近似 ĝ(X) ≈ g(X)，之后所有采样、优化、灵敏度分析都在 ĝ 上完成。常见形式包括 Kriging（高斯过程）、多项式混沌展开（PCE）、径向基函数、支持向量回归与深度神经网络。

以某涡轮盘低周疲劳分析为例：单次热-结构耦合有限元约 2.5 小时，输入含 6 个随机变量（材料 3 个、载荷 2 个、几何 1 个）。若直接 MCS 取 10⁵ 样本，需约 28.5 万机时，显然不现实。改用 120 组拉丁超立方样本训练 Kriging 模型，训练成本约 300 机时；随后 10⁶ 次代理调用在普通工作站上仅需数分钟。若代理模型在验证集上的相对误差控制在 2% 以内，则失效概率估计的偏差通常可接受。这里的关键判断是：代理模型的精度必须与最终决策的容差匹配，而非盲目追求高精度。

需要强调的是，代理模型并非"免费的午餐"。它引入了额外的近似误差，且在高维输入（如 n > 20）时样本需求急剧上升。因此工程上常配合自适应采样与主动学习：优先在失效边界附近或预测方差大的区域补充样本，把有限的高保真调用用在"刀刃"上。

四、典型工程场景与课程路线

这一套方法在多个领域已成标准做法：航空航天中的结构可靠性评估与气动鲁棒优化；汽车行业的碰撞安全多学科不确定性分析；能源领域的风电机组载荷概率设计；土木工程中的地震易损性分析；以及电子散热、生物力学等场景。它们的共同特征是——高保真模型昂贵、输入随机、需要概率性结论。

本课程后续将沿"问题定义 → 采样与试验设计 → 代理模型构造 → 精度评估与自适应 → 工程应用"的主线展开。第 2～6 章夯实概率基础与传播理论；第 7～14 章系统讲解 Kriging、PCE、神经网络等代理模型及其训练细节；第 15～22 章聚焦自适应采样、主动学习与可靠性算法；第 23～30 章通过结构、流体、多学科案例完成从方法到落地的闭环。建议学习时始终带着一个自己的工程问题，边学边把参数、样本与精度指标代入，效果最佳。