A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

技术摘要：用于气动不确定性量化的贝叶斯潜在高斯过程框架

问题陈述
预测气动性能（升力、阻力及力矩系数）受到计算模型固有偏差以及高保真度直接模拟成本过高的限制。一个务实的解决方案是将低保真度计算预测值与稀疏的实验测量值进行校准。然而，这种校准过程受到控制输入（例如攻角、襟翼角、雷诺数）和测量气动响应中存在的不确定性的复杂影响。这些不确定性通常是认识不确定性（epistemic uncertainty），表现为区间而非精确值。本研究解决的具体挑战是第二届 AIAA 不确定性量化（UQ）气动挑战赛问题。参赛者被提供包含输入和输出认识不确定性边界的七个运行工况下的稀疏“真实”数据，并须预测四个未见运行工况下的气动系数不确定性。

方法论
作者提出了一个三步走的贝叶斯代理框架，该框架集成了高斯过程（GP）回归、潜在变量建模以及分布校准：

1. 低保真度代理构建： 基于 XFOIL（一种轻量级气动分析工具）生成的 100 个拉丁超立方样本训练一个 GP 代理模型 ($f_X$)。该模型将气动系数近似为攻角、襟翼角和雷诺数的函数。
2. 针对输入不确定性的贝叶斯潜在 GP： 为了解决在七个真实数据位置处的物理输入未知且位于特定认识区间内的问题，作者采用了“潜在 GP”方法。与其将输入固定在名义质心处，不如将真实的输入 ($\tilde{x}_i$) 处理为受限于各自区间 ($U_i$) 的潜在变量。通过执行最大后验概率（MAP）估计来推断这些真实输入在边界内的最可能位置，并在优化过程中利用逻辑重参数化来处理箱式约束。
3. 分布校准（带约束的 Kennedy-O'Hagan）： 引入第二个 GP ($\delta$) 来对 XFOIL 代理与真实数据之间的偏差进行建模，遵循 Kennedy-O'Hagan (KOH) 框架。不同于仅匹配真实数据质心（均值）的标准 KOH 实现，本研究引入了分布校准步骤。真实数据区间被视为 95% 高斯置信区间。偏差 GP 的校准旨在使合成模型（$g = f_X + \delta$）不仅能匹配真实数据的质心，还能匹配由真实区间宽度所隐含的边缘方差。这确保了校准点处的后验预测分布在均值和方差上均与提供的认识边界保持一致。
4. 不确定性传播： 对于四个未见的预测点（同样具有输入不确定性区间），该方法通过已校准的 GP 传播这些不确定性。这涉及通过蒙特卡洛采样对输入不确定性进行边缘化，从而生成气动系数的经验概率密度函数（PDF）和累积分布函数（CDF）。

核心贡献
论文概述了四项主要贡献：

• 加性修正模型： 构建了一个 KOH 式模型，其中一个 GP 代表 XFOIL 响应，另一个 GP 代表加性偏差。
• 潜在输入公式化： 通过潜在输入 GP 集成了认识输入区间，允许在给定的边界内推断未知的真实校准输入，而非假设固定的质心。
• 分布校准： 一种新颖的校准步骤，利用提供的真实区间来约束校准 GP 的后验均值和边缘预测方差，超越了简单的均值校正。
• 验证与可复现性： 证明了该方法的预测 UQ 能力，并开源了软件实现。

结果
校准后的代理模型通过四个留置的预测点得到了验证。结果与挑战赛组织方提供的“真实”区间（视为 95% 置信边界）进行了对比。

• 分布校准性能： 所提出的分布校准模型表现出极高的准确性。在四个预测位置及三个气动系数（$C_l, C_d, C_m$）中，该模型将其 94.2% 至 95.8% 的预测样本置于发布的 95% 真实区间内。此外，区间端点的累积概率非常接近标称的 0.025 和 0.975 水平。
• 一阶矩校准对比： 仅使用一阶矩（质心）校准的基准方法表现显著较差。这些模型产生的分布往往存在偏移、过度集中或两者兼有。落在真实区间内的样本比例波动剧烈（从 11% 到 100%），表明其未能均匀地捕捉认识不确定性。
• 外推性： 该方法即使在最具外推性的运行点（$\alpha = 7^\circ, \beta_{flap} = 15^\circ$，即预测位置距离校准数据最远处）也保持了稳健的性能。

意义与主张
作者声称，这项工作的核心意义在于证明：仅匹配真实数据的中心对于可靠的气动不确定性量化是不够的。实现“分布校准”步骤对于正确传播认识不确定性至关重要，它确保了校准模型不仅反映了期望值，还反映了不确定性的量级。通过将真实区间视为对完整预测分布的约束，该框架生成的预测边界在统计上与提供的数据是一致的，即使在稀疏数据和外推设置下也是如此。这项工作表明，该方法为飞机设计与适航认证中可靠的基于仿真的预测提供了严谨的基础。