4. 蒙特卡洛模拟实战
蒙特卡洛模拟的核心思想可以用一句话概括：把不确定的输入看成随机变量，按各自的分布反复抽样，把每一组样本代入工程模型算出一个输出，最后用大量输出的统计特征来近似真实的不确定性传播结果。本节围绕一个具体的工程模型，把随机数生成、样本量选择、收敛性判断、置信区间估计和Python实现串成一条可执行的链路。
一、选定一个可手算校核的工程模型
考虑一根承受轴向拉力的圆截面钢杆，其承载力模型为：
R = fy * A = fy * (π * d² / 4)
S = F
安全裕度 g = R - S其中屈服强度 fy、直径 d、荷载 F 均视为随机变量。假设（示例假设，非实测数据）：fy 服从正态分布 N(235, 15²) MPa；d 服从正态分布 N(20, 0.5²) mm；F 服从正态分布 N(60000, 6000²) N。由于 d 以平方形式进入模型，输出 R 的分布会明显偏离正态，这正是蒙特卡洛相对一阶二阶矩法（FOSM）的优势所在——它不需要线性化近似。
二、随机数生成：从均匀数到目标分布
计算机只能产生伪随机均匀数 U(0,1)，其他分布都要通过变换得到。工程上最常用的是逆变换法：若 U~Uniform(0,1)，则 X = F⁻¹(U) 服从累积分布函数为 F 的分布。对正态分布，等价于 X = μ + σ·Φ⁻¹(U)，Python 中由 norm.ppf 或直接 norm.rvs 完成。实际实现时有三个要点必须注意：
- 固定随机种子：用
np.random.default_rng(2024)创建生成器，保证结果可复现，便于他人校核与排障。 - 使用新式 Generator 接口：避免旧的
np.random.seed全局状态，多变量抽样时用同一个 rng 对象依次调用，保证样本之间相互独立。 - 检查分布参数：正态分布允许负值，若物理量不可能为负（如直径），应改用对数正态或截断正态，否则会引入不合理的样本。
三、样本量选择与收敛性判断
样本量 N 决定了统计量的抽样误差。若关注输出均值，其标准误约为 σg/√N，因此要把均值误差减半，样本量需增至 4 倍。若关注失效概率 Pf，则相对误差大致与 1/√(N·Pf) 成正比：当 Pf≈10⁻³ 时，取 N=10⁵ 才约有 10% 的相对误差，这也是小失效概率问题需要方差缩减技术（重要抽样等）的原因。
收敛性不能只看一个总数，而应观察统计量随 N 的稳定过程。实用做法是：把 N 个样本按累积顺序计算运行均值与运行标准差，绘制收敛曲线；同时把总样本分成若干批（如 20 批），计算批均值的标准差，若批均值波动已小于目标精度，可认为收敛。另一个有效手段是重复独立模拟若干次（不同种子），比较各次得到的均值与失效概率，若离散程度满足要求即可停止加样。
四、置信区间估计
得到输出样本后，均值 μg 的 95% 置信区间为 x̄ ± 1.96·s/√N，其中 s 为样本标准差。当 N 较大时该区间近似可靠；N 较小时应改用 t 分布分位数。对于失效概率 Pf，直接用 p̂ ± 1.96·√(p̂(1−p̂)/N) 在 p̂ 接近 0 或 1 时会失效，推荐使用 Wilson 区间，或对样本做 Bootstrap 重抽样（如 2000 次）得到经验分位数区间。工程报告中应同时给出点估计与区间，否则读者无法判断结果的可信程度。
五、Python 实现
import numpy as np
from scipy.stats import norm
rng = np.random.default_rng(2024)
N = 100_000
fy = rng.normal(235, 15, N) # MPa
d = rng.normal(20, 0.5, N) # mm
F = rng.normal(60000, 6000, N) # N
R = fy * np.pi * d**2 / 4
g = R - F
mu, sd = g.mean(), g.std(ddof=1)
ci = (mu - 1.96*sd/np.sqrt(N), mu + 1.96*sd/np.sqrt(N))
pf = np.mean(g < 0)
# Wilson 区间
z = 1.96
den = 1 + z**2/N
center = (pf + z**2/(2*N)) / den
half = z*np.sqrt(pf*(1-pf)/N + z**2/(4*N**2)) / den
print(f"μ_g={mu:.1f} N, 95%CI=({ci[0]:.1f},{ci[1]:.1f})")
print(f"P_f={pf:.4%}, Wilson=({center-half:.4%},{center+half:.4%})")运行后（示例假设结果）可得到 μg 约 1.38×10⁴ N，Pf 约 1.2%，与图中示意一致。注意 g < 0 的写法在 HTML 中需转义，实际脚本中直接写 g < 0 即可。
六、结果判读与常见陷阱
判读时先看收敛曲线是否进入目标带，再看置信区间宽度是否满足工程精度要求，最后检查失效概率区间是否跨越决策阈值。常见陷阱包括：用同一随机数流重复抽样导致样本相关；忽略单位换算（MPa 与 mm² 相乘得 N，需与荷载单位一致）；对偏态输出直接套用正态区间；以及只报告单次模拟结果而不做重复验证。把种子、样本量、分布参数和区间方法一并记录，模拟结果才具备可追溯性。