1. 课程导入与不确定性量化概览

在工程与科学计算中，我们习惯把模型写成“输入确定、输出唯一”的形式：给定材料参数、几何尺寸、边界条件，求解器就返回一个数。但真实世界几乎从不满足这个前提——弹性模量存在批次差异，来流速度随工况波动，传感器读数带有噪声，几何加工有公差。当这些不确定性沿着模型传播到输出时，我们真正关心的往往不是某一个“标称值”，而是输出的分布、均值、方差、失效概率或置信区间。不确定性量化（Uncertainty Quantification, UQ）正是研究这一传播过程的学科，而多项式混沌展开（Polynomial Chaos Expansion, PCE）是其中最具代表性的谱方法之一。

PCE 的核心思想可以用一句话概括：把模型输出表示为一组关于输入随机变量的正交多项式基的展开。若输入随机向量为 ξ = (ξ₁, ξ₂, …, ξ_d)，输出为 y = f(ξ)，则 PCE 写成

y(ξ) ≈ Σ_{α∈A} c_α Ψ_α(ξ)

其中 Ψ_α 是由各输入对应的一元正交多项式张量积构成的多维基函数，α 为多重指标，c_α 为待定系数。一旦系数确定，输出的均值就是 c₀，方差是 Σ_{α≠0} c_α²·E[Ψ_α²]，而 Sobol 灵敏度指标也可以由分组系数平方和直接得到。这正是 PCE 相对于蒙特卡洛的吸引力所在：它把“统计量估计”转化为“系数求解”，用一次基展开换取解析式的矩信息。

基函数的选择并非任意，而由输入分布决定。这是 PCE 使用中最容易被忽视却最关键的一环：高斯输入配 Hermite 多项式，均匀输入配 Legendre 多项式，Beta 分布配 Jacobi 多项式，指数分布配 Laguerre 多项式。这一对应关系来自 Wiener-Askey 框架，其本质是让多项式族关于输入的概率密度函数正交。若输入分布不在经典框架内，可先做等概率变换（如 Nataf 变换或 Rosenblatt 变换）将其映射为标准变量，再在标准空间展开。下图展示了从输入不确定性到 PCE 系数、再到统计量与灵敏度的完整信息流，以及基族与分布的对应关系。

理解 PCE 的定位，需要把它放进 UQ 方法谱系中比较。蒙特卡洛方法无偏、鲁棒，但收敛速度为 O(N^-1/2)，要获得两位有效数字的失效概率往往需要上万次模型调用；对于单次运行数小时的高保真仿真，这一成本常常不可接受。PCE 属于谱方法，当输出对输入足够光滑时，误差随阶数呈指数下降，通常几十到几百次模型调用即可获得均值、方差乃至完整分布。代价是：PCE 的有效性依赖光滑性假设，强非线性、间断响应（如接触切换、激波）会导致收敛变慢甚至出现吉布斯振荡，此时需要引入分段 PCE、稀疏 PCE 或与其他方法混合。

典型应用场景可以归为三类。第一类是传播与统计：给定输入分布，快速得到输出的均值、方差、分位数，用于设计裕度评估。第二类是灵敏度排序：通过 Sobol 指标识别哪个输入对输出方差贡献最大，从而把有限的试验或加工精度预算投向关键参数。第三类是可靠性分析：以 PCE 代理模型替代昂贵仿真，在代理模型上做大规模抽样，估计失效概率与可靠度指标。此外，PCE 还常被用作优化与反问题中的快速替代模型。

为了让后续章节有统一的参照，这里给出一个贯穿课程的教学示例（参数为合理假设，非实测数据）：某悬臂梁自由端挠度 δ = FL³/(3EI)，梁长 L = 1.0 m，截面惯性矩 I = 8.33×10⁻⁶ m⁴，载荷 F 服从均值 500 N、变异系数 0.1 的正态分布，弹性模量 E 服从均值 210 GPa、变异系数 0.05 的正态分布。两个输入均为高斯型，因此选用 Hermite 基。取二阶展开（p = 2，d = 2），基函数个数为 (p+d)!/(p!d!) = 6。用 20 个样本点做回归求系数，可得到 δ 的均值与标准差；再与 10⁵ 次蒙特卡洛结果对比，若均值相对误差小于 1%、标准差相对误差小于 5%，即可认为该阶数在该问题上是可接受的。这个“小例子—对照—判据”的流程，正是后续各章反复使用的验证思路。

学习路径上，本课程按“原理—实现—诊断—应用”推进：先建立正交多项式与谱展开的数学基础，再分别讲透谱投影法与回归法两类系数求解方式，随后讨论截断阶数、样本设计、稀疏化与维数灾难应对，最后落到灵敏度分析、可靠性评估与代理模型集成的工程案例。工具准备方面，建议具备 Python 环境，熟悉 NumPy 的数组运算与线性代数接口，了解 SciPy 的正交多项式模块与统计分布工具；若使用 MATLAB，其 UQLab 工具箱提供了完整的 PCE 实现，可作为对照参考。课程中的示例将尽量给出可运行的代码片段与明确的输入输出，便于边学边验证。

需要强调的是，PCE 不是“万能加速器”。它的价值建立在“输出对输入光滑”这一前提上，因此使用前应通过少量样本观察响应的变化趋势；若响应存在明显间断或强非线性，应优先考虑分段策略或改用其他 UQ 方法。把方法用在对的问题上，比把方法调参到极致更重要。