CAE模型的贝叶斯标定——故障排查指南
更加充实的内容请见 bayesian-calibration.html。
贝叶斯标定的构成要素与易碎之处
贝叶斯标定是从实测数据 \( D \) 推断CAE模型未知参数 \( \theta \)（材料常数、边界刚度、换热系数等）后验分布的框架。
$$ p(\theta \mid D) \propto p(D \mid \theta)\, p(\theta) $$
在CAE里的实现通常是4段流水线：①设定先验分布 \( p(\theta) \)，②设定似然 \( p(D\mid\theta) \)（观测噪声模型），③构建代替CAE的代理模型，④用MCMC等做后验抽样。故障必定出在这4处之一，所以本页按症状反查发生环节来组织。
这跟用最小二乘拟合有什么不一样？特意求成分布，意义在哪……
答案以"分布"而不是"点"给出，价值就在于辨识的不确定度能原样传播到下一步预测里。最小二乘的点估计止步于"杨氏模量是205 GPa"，贝叶斯却能说到"205±3 GPa，且与板厚强相关"。这个宽度和相关结构，正是标定后的模型给出带置信区间预测的原料。反过来说，好不容易求出了分布却只用点（MAP值），等于把大半辛苦都扔掉了。
症状1：MCMC不收敛（R̂降不下来）
| 检查项 | 对策 |
|---|---|
| 是否用数值看收敛诊断 | 用多条链（4条以上），以 \( \hat{R} < 1.01 \)、有效样本量（ESS）数百以上为基准。别只凭轨迹图目视判断 |
| 参数的量级差 | 全部参数先做对数变换·标准化再抽样。杨氏模量(10¹¹)与摩擦系数(10⁻¹)混在一起会让提议分布崩溃 |
| 强后验相关 | 相关强的参数对（刚度与板厚等）多半只以乘积形式起作用。改参数化（换成积与比），或换成擅长处理相关的采样器（NUTS/HMC·集合型） |
| 似然评估太慢 | 1次评估=1次CAE的话，几万次评估的MCMC根本跑不动。代理模型化事实上是必需的 |
| 多峰性 | 多条链各自停在不同的峰上，说明解不唯一。用回火（并行退火），或增加观测把峰分开 |
症状2：后验分布与先验分布几乎一样
这是数据不含该参数信息的信号。排查次序是先做灵敏度分析——若观测量对该参数没有灵敏度（用Morris法确认），再怎么增加数据后验也不会收窄。对策依次是：①增加有灵敏度的观测量·传感器位置·载荷工况（重审实验设计）；②把没有灵敏度的参数移出标定对象，让它保持先验分布往下传播（不硬要辨识）；③观测噪声设得过大就依据实测收紧。"想一次把全部参数都辨识出来"是失败之源，收缩到灵敏度靠前的少数参数才是定式。
症状3：后验取到非物理的值·贴在范围端点上
这是贝叶斯标定中最严重的症状，多数情况下发生的是模型缺陷（model discrepancy）的吸收。模型里缺失的物理（接触刚度·阻尼·热损失）的影响，被标定参数取非物理值的方式补偿掉了。这种标定模型在标定数据附近对得上，一外推就大幅偏离。对策如下。
- 引入Kennedy-O'Hagan型缺陷项——写成"观测 = 模型(θ) + 缺陷项 δ(x) + 噪声"，用高斯过程表示δ。参数往往会回到物理范围内
- 用先验分布明示物理范围——以材料试验·标准得来的强先验压住非物理区域。但若后验贴在先验的端点上，就要读作模型缺陷的警报
- 直接修正模型本身——把贴边参数所暗示的缺失物理（边界过刚等）加进模型。这才是本质上的解决
引入缺陷项会在参数与缺陷之间产生不可辨识性（两者都能解释数据），因此缺陷项的先验分布（光滑度·幅值）要设得保守，并事先定好"标定的目的是物理参数的真值，还是预测精度"。
症状4：标定后的预测在新条件下失准
原因是对标定数据过拟合，或缺陷项的外推。作为验证纪律，必须在未用于标定的hold-out工况（别的载荷·别的温度区间）上测预测性能。预测要用传播整个后验分布得到的预测区间来做，并以"新数据有多大比例落进预测区间"（覆盖率）来评价。覆盖率与名义值（95%区间就约95%）大幅偏离时，怀疑①观测噪声被低估（区间过窄）、②缺陷项无法外推（在标定域之外失效）、③标定域与预测域的偏离。缺陷项只在标定数据的区域内有效——这是贝叶斯标定原理性的极限，也是报告书里应当作为适用范围写明的事项。
症状5：代理模型的误差扭曲后验
只要MCMC是在代理模型上跑的，代理的误差就直接变成后验分布的误差。陷阱在于只在先验分布的全域验证代理，而没看后验集中的那个狭窄区域里的精度。对策是逐次精化：①用初始代理粗略估计后验；②在后验的高概率区域补CAE样本、更新代理；③重新估计后验——如此反复数次（用Kriging时，预测方差可以指示补点位置）。出最终报告之前，别省掉在后验的MAP点和几个代表点上跑真实CAE、测出与代理的偏差这一步。若代理误差与观测噪声同量级，这个标定结果就不可信。
症状6：观测噪声σ的设定让结果大幅变化
似然中的噪声标准差 \( \sigma \) 直接支配后验的宽度。把σ"看着差不多"就固定下来很危险，实务上的定式有3条：①把σ也当作未知参数同时估计（给一个弱信息先验分布）；②有重复测量就依实测离散度设定；③用多传感器观测时要考虑相关噪声（协方差）——独立噪声的假设会高估信息量，把后验不当地压窄。"后验太窄"这个症状的元凶，多半是乐观的噪声模型。
质量清单（提交报告前的最终确认）
- 确认了R-hat·ESS的数值以及多条链之间的一致性
- 收缩到了有灵敏度的参数（附Morris等依据）
- 后验有没有贴在先验端点·非物理域上（贴边=模型缺陷的警报）
- 在后验的高概率区域验证了代理精度，并在MAP点用真实CAE复算
- 测了hold-out工况下预测区间的覆盖率
- 写明了噪声模型的依据（同时估计，还是以实测为准）
- 在报告书里写明了标定的适用范围（标定数据的工况域）
说实话，做到这个程度太吃力了……有没有简化版的落点？
有的，分阶段来就行。等级1：最小二乘点估计＋灵敏度分析（哪些参数起作用的依据）。等级2：在此基础上用bootstrap或拉普拉斯近似给出不确定度的宽度。等级3：全贝叶斯（MCMC＋缺陷项）。很多实务在等级2就能做出足够的决策，需要等级3的是"辨识的不确定度左右设计判断"的高风险项目。要紧的是无论哪一级都做hold-out验证并写明适用范围——只有这一条不能省。有了它，标定结果就从"凑合拟合"变成"可验证的工程交付物"。
相关文章：贝叶斯标定（整合版）、Kriging代理模型、Morris法参数筛选。
帮助
更多
错误