VVUQ-VERIFICATION（核查）, VALIDATION（验证）, UNCERTAINTY QUANTIFICATION（不确定性量化)-提高模拟预测可靠性的有效途径

作者：EikoSim 首席执行官-Florent Mathieu

在科学模拟领域，确保准确性、可靠性和可信度至关重要。为了实现这一目标，科学家和工程师采用了称为核查、验证和不确定性量化 (VVUQ) 的严格流程。这篇文章将和大家一起探讨 VVUQ 的含义，VVUQ在各种软件产品领域的应用，以及在软件架构设计或更大的仿真质量框架的设计规范开发周期中，VVUQ将会起到怎样的重要作用。

什么是 VVUQ？如何将其应用于实践中？

VVUQ 是一种评估计算模拟质量和可靠性的系统方法。它涉及一系列旨在验证功能测试和验证模拟中使用的模型、算法和软件的活动，同时量化和管理与结果相关的不确定性。通过使用 VVUQ，科学家和工程师的目标是获得对模拟预测的信心、改进决策并增强计算模型的整体可靠性。VVUQ是一系列实践，接下来让我们更详细地剖析。

核查

核查侧重于确保仿真软件准确地求解模型方程，并检查所实施的算法是否正确实施。它涉及代码验证检查和代码审查、调试系统和非功能测试、代码比较、非功能测试和方法收敛性分析等任务。核查系统和非功能测试有助于识别和纠正编码错误，确保模拟代码忠实地代表数学模型。

核查任务包括:

•  代码调试：识别并修复模拟代码中的错误或缺陷。

•  收敛性分析：评估数值方法的收敛性，以确保解决方案准确无误。

•  代码比较：将模拟代码的结果与简单问题的已知分析或基准解决方案进行比较。

•  一致性检查：验证数学方程和物理原理是否正确实施。核查是一个内部过程，通常由仿真工程师（或仿真验证方法工程师，如果该角色存在于软件开发团队中并且软件满足组织测试团队业务需求的所有指定要求）执行。

验证

另一方面，验证通过将模拟预测与实验或观察数据进行比较来评估模拟预测的准确性和可靠性。

这个过程涉及实验设计、数据收集、统计分析、核查验证和模型校准。

验证允许仿真工程方面的工程师采用测试用例来确定仿真是否充分捕获了被测真实​​系统或流程的行为。

常见的验证任务包括：

实验设计：规划和执行实验以收集数据，用来与模拟结果进行比较。

数据收集：收集实验测量或观察结果，并处理数据以便进行实验数据和模拟数据之间的比较。

统计分析：应用统计方法将模拟输出与实验数据进行比较。

模型校准：调整模拟参数以提高与实验结果的一致性。

                                                                                                                    （使用EikoTwin Digital Twin做模拟验证）

不确定性量化

不确定性量化涉及管理与模拟测试结果相关的不确定性。

它涉及识别和量化通过仿真模型传播的不确定性的来源，并分析它们对结果的影响。

不确定性量化使决策者能够了解模拟预测的质量保证可靠性，并根据测试和模拟之间的差异程度做出明智的选择。

不确定性量化任务包括：

50. 敏感性分析：确定输入参数变化对仿真输出的影响。
50. 误差传播：评估输入数据中的不确定性如何通过仿真模型传播以影响输出预测。
50. 不确定性下的模型验证：考虑模型和输入数据的不确定性，评估模拟预测的可靠性。

VVUQ应用在哪里?

VVUQ 是一种通用方法，可以在不同领域查找到应用实例。

VVUQ 的一些关键应用领域可以从 ASME（美国机械工程师协会）VVUQ 小组委员会列表中找到。

ASME 小组委员会的作用是为 VVUQ 在各个领域的实践业务需求提出标准系统需求设计规范，其中有一些值得关注的例子：

50. 机械工程（VVUQ 10 和 20 标准）：VVUQ 在结构分析、流体动力学和电磁学等工程模拟中发挥着至关重要的作用。它可确保设计和优化复杂系统（例如飞机、桥梁和发电厂）的仿真准确性（VVUQ 30 标准）。
50. 医疗设备集成测试 (ASME VVUQ 40)：通过执行这些验证测试任务，医疗设备制造商可以对其医疗设备的模拟预测充满信心。
50. 航空航天和国防（标准正在制定中）：VVUQ 在航空航天和国防领域中的应用中至关重要，包括空气动力学、导弹模拟和雷达系统设计。

VVUQ在性能分析、最终产品的循环安全评估以及复杂系统优化的模拟的准确性验证方面提供非常大的助益。

通过集成VVUO仿真质量框架更好的实现其功能

VVUQ通常集成到更大的仿真质量框架中，以确保全面评估、完整设计、功能测试和仿真可靠性的提高。

这些不同的验证框架提供了一种系统方法来确保对软件产品中的源代码和计算模型的质量进行验证测试。一些最著名的质量评估框架包括：

• 桑迪亚的 PCMM（预测能力成熟度模型）
• NASA 的 CAS（可信度评估量表）
• 苏黎世联邦理工学院 UQLab（不确定性量化实验室）

这些框架提供了各种工具和资源来帮助工程师和科学家确保其计算模型的质量。