Usikkerhedskvantificering

Usikkerhedskvantificering er processen med at beskrive og måle usikkerheder i modellering og simuleringsresultater ved hjælp af kvantitative mål, typisk sandsynligheder, intervaler og statistiske dimensioner. Hovedformålet er at give beslutningstagere information om pålidelighed og forventede variationer i modeloutput. Usikkerheder inddeles ofte i to typer: aleatorisk (stokastisk) usikkerhed, der stammer fra tilfældige variationer i systemet eller data, og epistemisk (systematisk) usikkerhed, der skyldes begrænset viden, modeller eller målefejl.

Metoder omfatter: usikkerhedsprobagation gennem sandsynlighedsbaserede modeller; Monte Carlo-simulation, Latin hypercube-sampling, polynomial chaos-udvidelser og Gaussian process-modeller til at estimere fordeling eller område for output. Bayesian inferens bruges til at opdatere tro eller sandsynligheder, når ny data tilføjes. Ikke-sandsynlige metoder som intervalanalyse og Dempster-Shafer kan anvendes, når sandsynligheder ikke kan fastsættes. Sensitivitetsanalyse, f.eks. Sobol-indekser, undersøger hvordan inputusikkerheder bidrager til outputvariationen.

Workflow: identificer hvilke størrelser der skal kvantificeres, specificer kilder til usikkerhed, vælg et model- og metodeapparat, propagér usikkerheder gennem modellen, analyser resultater og usikkerhedsintervaller, og rapportér konfidensniveauer samt følsomhed. Modellering og dataassimilation kan bruges til at opdatere usikkerheder efter nye data.

Anvendelser findes inden for ingeniørfag, klima- og energiforvaltning, finansiel risiko, sundhedssektoren og miljøstudier, hvor beslutninger ofte afhænger af pålideligheden af forudsigelser og scenarier. Udfordringer omfatter høj dimension, ikke-lineære afhængigheder, beregningsomkostninger og identifikationsproblemer samt kommunikation af usikkerhed til ikke-specialister.