V&V（验证与确认） — 不确定性量化 — 文章目录
不确定性量化（UQ）是定量研究输入（材料常数、载荷、形状公差）的离散如何传播到结果的领域。它是从确定性的单点分析向“结果的分布与置信区间”的转变，在Validation中与试验比较时，判断“一致还是不一致”也需要不确定性这把尺子。计算成本是最大的敌人，如何用尽量少的分析次数估计分布是技术的核心。
《Morris方法（Elementary Effects）》讨论在正式UQ之前，用少量试算筛选出“起作用的输入变量”的筛选方法。文中讲解每次只改变一个变量的轨迹设计如何同时得到平均效应μ*和表示非线性与交互作用的指标σ、按“输入数+1次×轨迹数”估算计算成本，以及与Sobol指数等高阶方法的衔接。作为相关工具，也可以使用本站的误差传播模拟器。
收录文章
- 贝叶斯标定
贝叶斯标定的实验数据模型参数推定方法。不确定性定量化和概率优化算法的应用方法解说。Kennedy-O'Hagan框架的解说。从先验分布和似然函数求事后分布，涵盖FEM模型参数不确定性定量化的方法。 - 认识论不确定性与偶然性不确定性
CAE中认识论(epistemic)不确定性与偶然性(aleatory)不确定性的区别解说。 - 克里金法（高斯过程回归）代理模型
面向CAE的Kriging（高斯过程回归）代理模型实务指南：预测均值与方差的定式、Matérn 5/2与ARD长度尺度、用nugget吸收数值噪声、LOO与Q²验证及标准化残差、EI/U函数驱动的主动学习、POD+Kri… - 拉丁超立方体抽样（LHS）
拉丁超立方体抽样（LHS）是CAE中不确定性分析的高效方法。通过均等分割输入变量的范围，从各区间中各选一点，可以防止随机抽样中出现的聚集效应（Clumping）。相比蒙特卡罗法，同样的样本数可将方差降低30～50%， - 蒙特卡洛模拟 — CAE不确定性量化的基本方法
蒙特卡洛模拟：CAE的不确定性量化方法。通过随机数抽样进行概率分析，验证产品设计的可靠性。解说方差低减技术和实现方法。 - Morris方法（Elementary Effects）
面向实务的Morris方法（基本效应法）参数筛选指南：EE的定义、μ*–σ图的读法、轨迹设计与r(k+1)计算成本、范围设定的规范、SALib实现示例、CAE失败算例的处理方针，以及向Sobol'分析的移交。 - 多项式混沌展开（PCE）不确定性量化
深入讲解多项式混沌展开PCE不确定性量化方法，对比其相较蒙特卡洛法在低维输入下的高效优势，掌握PCE理论基础与数值实现，应用于材料与工程仿真的随机参数分析。 - Sobol灵敏度指标 — 基于方差分解的全局灵敏度分析
Sobol灵敏度指标基于方差分解的全局灵敏度分析。对复杂CAE模型的输入参数影响度进行量化，实现设计优化和不确定性定量化的数值计算方法。 - 稀疏PCE与LAR
稀疏多项式混沌展开（PCE）与LAR的实务指南：Wiener-Askey基、由系数解析获取均值·方差·Sobol'指数、双曲截断＋自适应阶数＋修正LOO的构建流程、与Kriging的分工、OpenTURNS实现示例， - 不确定性传播（Forward UQ）
用悬臂梁挠度算例讲解输入离散如何传递到分析结果的不确定性传播。由载荷、弹性模量、板厚的离散，一阶近似得到挠度标准差3.17 mm，与蒙特卡洛法3.20 mm几乎一致；但超过许用值的概率为5.8%与6.9%，相差两成；