仿真模型可信度验证 OntoTest™

产品概述

• 理论计算、仿真分析和试验是人类认识物理世界的三个手段。虽然计算机和信息技术的发展促进了仿真的广泛应用，但是由于仿真建模过程中不可避免地存在简化、假设和误差，从而可能导致错误或不可信的仿真结果。因此，模型可信度验证(Model Credibility Validation)对提高仿真水平意义重大。

• 模型可信度验证的最基本的方法是考察在相同的输入条件下仿真模型的输出与实物试验结果是否一致及一致性的程度。由于传统的验证方法（比如：相似理论、假设检验、现代谱估计、系统辨识法、模糊综合评判法、层次分析法、灰色关联分析法等），存在人为主观判断因素、对数据序列需要进行预处理，或者对样本数量、概率分布、平稳性等有较多要求，因此不可避免地造成部分信息的丢失或人为地加进一些信息, 从而使验证结论缺乏客观性和可靠性。

• 特别地，对于非线性、随机性的物理现象的仿真（比如碰撞、燃烧、流动、声学、振动等），其验证方法必须能够客观、定量和真实地反映该问题的复杂性特征。

• 我们的OntoTest技术从复杂性角度出发，能够客观、定量和真实地测量仿真结果与试验结果之间的系统结构差异，量化仿真误差，揭示误差来源，从而为模型优化、改进提供科学指导；由于能够全面认识数据的复杂性，因此特别适合强非线性和高度随机性的物理问题仿真模型验证。

技术特色

• 验证过程全自动化：为CAE工程师节省90%以上的模型验证时间

• 全面综合比较试验与仿真数据之间的不确定性、非线性和系统结构

• 量化地测量模型与试验之间的匹配程度，求得可信度指标

• 量化地揭示误差来源和贡献率，为模型改进、优化提供方向

• 开放的接口方便与各种优化算法结合，形成模型标定的完整解决方案

技术原理

• 一元统计信息分析：信息熵测量不确定性、K-S距离测量病态性，比单纯使用标准差、均值等指标更全面

• 二元非线性相关性：采用互信息测度分析两个随机变量中隐含的信息，能够很好地量化线性和非线性的相关性，分析的精确性优于Pearson、Spearman等级相关系数和Kendall(肯德尔)的tau相关系数

• 多元系统结构分析：通过对系统所有参数之间的关系挖掘，形成系统结构认知，从整体上把握数据内在的规律，并辨识关键参数

• 复杂性量化评价：综合系统总熵和系统关联规则，形成对数据复杂度的量化评价

• 对比试验与仿真之间复杂度、系统结构、不确定性之间的差异，量化评价模型可信度，并揭示误差来源，以便模型优化和标定

成功案例

• 碰撞仿真模型可信度验证和标定（奥迪汽车）

• 通过OntoTest比较多个工况下速度、侵入量、伤害指标整体的差异（包括不确定性、多元非线性相关性等），将可信度指标作为模型标定目标，为模型改进、优化、标定提供了有力的手段。

   

• 发动机燃烧模型可信度验证和标定

• 由于燃烧问题非常复杂，数值模型尚不能精确分析燃烧室流场，因此设计人员需要非常清楚地了解燃烧模型的可信程度。通过OntoTest比较不同工况点下速度矢量图、湍动能、温度、烟气浓度分布等的差异，应用试验设计和多目标遗传算法优化改进和标定模型。