多项式混沌展开(PCE)

PCE的理论基础

"概率空间的谱方法"这一视角

多项式混沌展开（PCE）用正交多项式级数表示含随机输入的响应。Wiener于1938年以高斯随机变量与Hermite多项式给出最初的表述，随后向任意分布的推广（Wiener-Askey体系：均匀↔Legendre、伽马↔Laguerre等）打开了工程应用的大门。其本质是"概率空间的谱方法"——正如用傅里叶级数展开空间方向，这里用正交多项式展开概率方向。只要响应是输入的光滑函数，系数就衰减很快，少数几项即可达到高精度（谱收敛）。连"光滑则快、不连续则吃力"这一脾气也一并继承，谱方法的直觉可以原样套用。

正交性带来的红利

基函数 \( \Psi_{\boldsymbol{\alpha}} \) 按输入分布的权重正交（\( \mathbb{E}[\Psi_i \Psi_j] = \delta_{ij}\gamma_i \)），因此系数一旦确定，统计量就能代数地读出来。

$$ f \approx \sum_{\boldsymbol{\alpha}} c_{\boldsymbol{\alpha}} \Psi_{\boldsymbol{\alpha}}(\mathbf{X}) \;\Rightarrow\; \mathbb{E}[f] = c_{\mathbf{0}}, \quad \mathrm{Var}[f] = \sum_{\boldsymbol{\alpha}\ne\mathbf{0}} c_{\boldsymbol{\alpha}}^2 \gamma_{\boldsymbol{\alpha}} $$

进一步地，Sobol'灵敏度指数也能以系数的部分和严格得到。不必等待蒙特卡洛的收敛（\( 1/\sqrt{N} \)），统计量与灵敏度可以直接"读出"——这正是PCE区别于其他代理模型的独有优势（具体用法参见稀疏PCE与LAR）。

侵入式与非侵入式——两条谱系

本文主要讨论非侵入式的设计问题。侵入式是研究场景（自研代码、专用UQ平台）中的选项。

求系数的数值方法

投影法——求积的设计就是一切

由正交性可得系数为内积 \( c_{\boldsymbol{\alpha}} = \mathbb{E}[f\,\Psi_{\boldsymbol{\alpha}}]/\gamma_{\boldsymbol{\alpha}} \)，用数值求积来评价它就是投影法。一维时高斯求积（与分布相匹配的求积点）以最少点数给出最高精度；多维时全张量积的点数按 \( n^d \) 爆炸，因此用Smolyak稀疏网格把交互项的求积稀疏掉。投影法的脾气是"求积点不能自选（由求积公式指定）""点数由阶数与维数决定"，对 \( d \lesssim 10 \) 且响应光滑的问题，它至今仍是最可靠的路线。有两点需要注意：①稀疏网格含有负权重，对响应的非光滑性很敏感；②求积点常常落在取值范围的端部，因此让端部不至于让分析崩溃的输入范围设计比回归法更为关键。

与回归法的分工

回归法（最小二乘、稀疏回归）的样本布置自由，能与剔除失败算例、逐次追加样本、稀疏化等手段组合，灵活性是其长处。分工的大致判据是：

• 低维（d≤5）、响应光滑、求解器稳定 → 投影（高斯求积／稀疏网格）。确定性强、可重现性高
• 中等维数、存在失败算例、想利用稀疏性 → 回归（LAR＋修正留一误差）
• 高维（d>20） → 先用参数筛选把维数降下来

收敛性确认——不要省略阶数研究

PCE的验证以"提高阶数 \( p \) 后统计量是否趋于稳定"的阶数研究为基础。均值在低阶就定下来，方差稍慢，尾部概率（可靠性分析）要求的阶数更高——要以不同的输出统计量各有各的阶数要求为前提，直接确认目标量本身的收敛。再并列给出留出点上的逐点误差（或留一误差），验证报告的形式就与网格收敛研究完全一致。

实务应用指南

PCE取胜的场景与失利的场景

输入建模支配结果

PCE的输出（均值、方差、灵敏度、概率）都是对输入分布假设有条件的答案。分布类型（正态还是对数正态）、尾部的厚薄、有无相关性都会让结果大幅改变，而这份不确定度无论把PCE的精度提得多高都不会消失。实务上要形成三条纪律：①记录分布的依据（实测、标准、文献）；②可疑的分布假设用多个工况考察灵敏度；③相关性用Nataf变换等显式处理（忽略会系统性地扭曲方差与灵敏度）。"代理模型的验证"与"输入建模的验证"是两回事，而后者更左右结果——评审UQ报告时先看的就是这里。

从标量到向量、场输出的扩展

当响应是场（应力分布、温度场）时，惯例不是在每个节点上各建一个PCE，而是先用POD把场压缩成少数模态系数，再逐个系数建PCE（这正是与降阶模型的汇合点）。这样一来，整场的统计量（均值场、方差场、任意点的置信区间）就能在同一个一致的框架内得到。

工具与实现

工具选项

最小实现示例（ChaosPy、投影法）

import chaospy as cp
import numpy as np

dist = cp.J(cp.Normal(210e9, 6e9), cp.Uniform(0.28, 0.32))  # E、泊松比
expansion = cp.generate_expansion(4, dist)                   # 4阶正交基
nodes, weights = cp.generate_quadrature(5, dist, rule="gaussian")
evals = [run_fem(*n) for n in nodes.T]                       # 在求积点上执行CAE
model = cp.fit_quadrature(expansion, nodes, weights, evals)  # 用投影确定系数
print(cp.E(model, dist), cp.Std(model, dist))                # 均值、标准差
print(cp.Sens_m(model, dist))                                # Sobol'一阶指数

回归版只需换成 fit_regression，后处理完全通用。能按投影→回归→稀疏回归逐级推进并作对比，正是脚本式实现的教学价值所在。

前沿研究动态

侵入式（随机Galerkin）的重新评价

长期被认为"理论优美但因实现成本而败给非侵入式"的侵入式，正随着可微编程与自动代码变换的发展被重新评价。若自动改写求解器能降低侵入式的实现门槛，它就有可能在时间演化问题的长时间精度（非侵入式的弱项）上占据优势，因而作为UQ平台研究的一角持续推进。

任意分布、数据驱动基（aPC）与贝叶斯融合

由实测数据的矩数值构造正交基的arbitrary PC、把系数估计贝叶斯化从而以置信区间承载PCE自身的不确定度（源于样本稀少）的框架、以及基于证据的模型选择（阶数与基）比较等，正朝着统计上更诚实的方向深化。贝叶斯标定与PCE代理模型的组合，就是这一潮流与实务的接口。

时间演化问题的长时间精度

把PCE用于非定常响应（振动、瞬态）时，随时间推移概率空间的非线性不断增强、阶数需求发散，这一"长时间问题"是经典难点。时间区间分割（time-adaptive PCE）、相位与幅值的分离、基于流映射的方法等都在研究之中，向动态系统UQ（地震响应、颤振）的应用也在扩大。实务上，把问题收窄为"哪个时刻、哪个量的UQ"，是规避这一困难最有效的设计。

故障排查

按症状的原因与对策

学习的要点

相关文章：稀疏PCE与LAR（实务工作流）、Kriging代理模型、降阶模型（ROM）。