2. 结构误差的数学表征

在上一节中，我们把结构误差理解为“模型形式本身与真实物理机制之间的偏离”。要让它从定性描述走向可计算、可比较、可追踪，就必须建立一套数学表征体系。本节围绕五个核心工具展开：范数度量、相对误差、收敛阶、误差传播方程，以及结构误差与模型不确定性的关系。它们共同回答三个问题：误差有多大、误差随离散化如何变化、误差如何从输入一路传到输出。

一、误差的范数度量：把“误差场”压缩成一个数

数值解与真解之差通常是一个分布在场上的函数，例如温度场误差 e(x) = T_h(x) − T(x)。直接比较两个场没有意义，需要用一个标量来概括其“大小”。最常用的是 L∞ 范数与 L2 范数：

‖e‖∞ = max |e(x)|                     （最大点误差，关注局部最坏情况）
‖e‖₂  = sqrt( ∫ |e(x)|² dx )           （均方根意义，关注整体能量）
‖e‖₂,discrete = sqrt( (1/N) Σ |e_i|² ) （离散网格上的近似计算）

选择哪种范数取决于工程关注点。若关心结构某处是否超过许用应力，应看 L∞；若关心整体能量或热流偏差，L2 更合适。需要注意，离散 L2 范数常带网格尺度因子 h^(1/2) 或 1/N 归一化，不同归一化方式会导致数值不可直接比较，报告中必须注明定义。此外还有 H1 半范数 ‖∇e‖₂，它对梯度类误差（如应力、热流）更敏感，是有限元后验误差估计的常用工具。

二、相对误差：消除量纲后的可比指标

绝对误差受物理量量级影响，跨问题比较时需归一化：

ε_rel = ‖e‖ / ‖u_ref‖ × 100%

其中 u_ref 可以是解析解、高精度参考解或实验数据。工程实践中常设阈值，例如 ε_rel < 1% 视为可接受。但要警惕“分母陷阱”：当 ‖u_ref‖ 接近零（如某些分量在特定区域抵消），相对误差会被放大甚至失去意义，此时应改用绝对误差或分区统计。另一个常见做法是分量相对误差，对位移、应力、温度分别计算，避免某一分量主导整体指标。

三、收敛阶：误差随网格缩小的衰减速率

设网格尺度为 h，若 ‖e‖ ≤ C·h^p，则称方法具有 p 阶收敛。实际估计时用两次网格结果：

p ≈ log( ‖e_{h}‖ / ‖e_{h/2}‖ ) / log(2)

例如某二维热传导问题，粗网格误差 0.080，细网格误差 0.021，则 p ≈ log(0.080/0.021)/log2 ≈ 1.93，接近理论二阶，说明实现正确。若实测阶数明显低于理论值（如二阶方法只得到 1.1 阶），往往提示存在结构性缺陷：边界条件处理错误、单元畸变、积分方案不匹配，或代码中存在非一致项。因此收敛阶不仅是精度指标，更是验证实现正确性的诊断工具。下图展示了本节各表征工具之间的逻辑关系。

四、误差传播方程：追踪误差的来源与放大

结构误差很少孤立存在，它常与输入误差、离散误差、舍入误差耦合。对输出 y = f(x)，一阶传播关系为：

δy ≈ J · δx,   J_ij = ∂f_i / ∂x_j
‖δy‖ ≤ ‖J‖ · ‖δx‖ + e_trunc + e_round

其中 J 是雅可比矩阵，其条件数 κ(J) = ‖J‖·‖J⁻¹‖ 刻画了误差放大能力。以悬臂梁为例：若弹性模量输入有 2% 误差，而结构柔度矩阵条件数达到 10³，则位移输出的相对误差可能被放大到远超 2% 的水平。这解释了为什么“输入很准但结果偏差大”——问题出在模型结构对参数的敏感方向上。实践中可通过灵敏度分析逐参数扰动，识别主导误差源，再决定是改进模型结构还是提高输入精度。

五、结构误差与模型不确定性的关系

二者常被混用，但含义不同。结构误差是确定性的、系统性的偏离：给定同一模型与输入，偏差方向一致，可通过模型改进（如换用更合适的本构、补充缺失物理项）来减小。模型不确定性则是对“模型本身可信程度”的概率描述，通常用参数后验分布、模型形式误差的随机场或贝叶斯模型平均来表达。二者的联系在于：结构误差是模型不确定性的主要来源之一；在贝叶斯框架下，可把结构误差建模为 u_true = u_model + δ(x; θ)，其中 δ 为带超参数 θ 的偏差项，通过实验数据反演 θ 的后验。工程上常用的做法是：先用收敛阶与范数度量确认离散误差可控，再用传播方程分离参数误差，剩余无法解释的系统偏差才归入结构误差项，最后用不确定性量化给出置信区间。这样得到的预测区间才既有物理依据，又不至于被离散误差污染。