CN107729621A - 一种静力学模型的验证工具 - Google Patents

Abstract

本发明公开了一种静力学模型的验证工具，涉及计算机仿真技术领域。可以根据结构力学计算的仿真分析要求，定制仿真分析流程模板，通过将仿真模型验证的知识和经验固化在模板内，提供给不同的人员使用，可以有效的提高不同人员计算结果的一致性。所定制的仿真分析模板，可以被重复调用，用于型号产品的快速性能评估，通过对仿真过程中存在的各种误差进行精确的控制，以及对参数灵敏度分析对数值仿真模型进行修正，在解决仿真精度及置信度的问题的同时，提高了验模的效率。

Description

一种静力学模型的验证工具

技术领域

本发明涉及计算机仿真技术领域，尤其涉及一种静力学模型的验证工具。

背景技术

仿真系统是利用仿真模型代替被研究的对象在计算机或由仿真设备组成的环境中进行实验的系统。随着仿真技术的不断发展、仿真应用范围的不断扩大，使得仿真的正确性和可信度问题越来越重要。

近些年来，随着仿真技术的发展，许多单位也逐渐开始开展建模与仿真验证和确认的研究工作。在置信度评估过程中，除对整体模型进行置信度评估，还可以对各子系统的特性进行评估，为评价仿真系统的功能和性能提供科学的评价依据，减少了仿真系统调试时间，从而保证了仿真系统的高逼真度的要求。

但是，目前，对仿真模型的校验大部分都是根据试验结果再结合工程经验手动的去修正仿真模型的参数，缺乏一套完善有效的体系。导致在模型验证过程中存在如下的一些问题：

一、手动修正模型的过程中，需要不断的反复调整相关参数，不仅工作量大，而且在这个过程中会给仿真工程师带来很多重复计算的工作。

二、上述修正模型的过程，工程师需要结合自身的工程经验来修正仿真参数，所以，对工程师的仿真经验及工程经验有较高的要求，人为因素的影响难以消除。

因此，对仿真模型校验的工作，急需要一种自动化及流程化的工具。

发明内容

本发明的目的在于提供一种静力学模型的验证工具，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种静力学模型的验证工具，包括：

离散误差分析模块，用于通过不断调整仿真模型相关网格的尺寸，直至求解结果满足设定的精度要求，得到合适的计算网格模型；

程序误差分析模块：用于通过同时调用多种CAE求解器，且每种CAE求解器利用所述离散误差分析模块得到的计算网格模型进行求解，并比较所有的求解结果，得到适合求解给定物理问题的求解器；

仿真结果与试验结果一致性分析模块：用于比较仿真结果和试验结果，得到误差分布数据，并根据所述误差分布数据对仿真结果的精度进行评估；

参数敏感性分析模块：用于通过优化算法对仿真模型的输入参数进行敏感性分析，计算参数的敏感度因子，得到高敏感性的参数；

仿真模型修正模块：用于对仿真结果不满足精度要求的仿真模型的高敏度参数进行修正，使仿真结果逼近试验结果；

不确定性分析模块：用于通过定义物理输入参数的概率分布，使用优化计算方法进行仿真输出参数的不确定性分析，评估模型输入的不确定性对输出结果的影响，并通过引入系统响应量参数对仿真结果及试验结果的不确定性进行量化。

优选地，所述离散误差分析模块，采用如下方法得到合适的计算网格模型：

S1，导入CAD模型，按照默认的网格尺寸划分网格并进行仿真求解；

S2，根据求解结果计算误差参数；

S3，判断误差参数是否满足设定的目标精度要求，如果是，则输出网格尺寸和求解结果，否则，执行S4；

S4，按照设定的网格细化率对网格进行加密，并仿真求解，跳到S2，直到计算得到的误差参数满足设定的目标精度要求。

优选地，S2中，所述误差参数采用GCI参数，所述GCI参数的计算公式为：

r＝h2/h1＝h3/h2，

∈＝(w₁-w₂)/w₁，

其中，

h1、h2、h3为三组不同的网格尺寸，

w1、w2、w3为对应网格尺寸下的仿真求解结果，

Fs为安全系数，默认取1.25。

优选地，所述程序误差分析模块，采用如下方法得到适合求解给定物理问题的求解器：

S1，同时调用多种CAE求解器；

S2，每种CAE求解器根据所述离散误差分析模块得到的计算网格模型进行仿真求解，得到求解结果；

S3，计算任意两个求解结果之间的差距；

S4，获取最小的差距和该最小差距对应的两个求解结果；

S5，选取S4选取的两个求解结果对应的两个CAE求解器中的任意一个为适合求解给定物理问题的求解器。

优选地，所述仿真模型修正模块，采用如下方法实施：

以高灵敏度参数作为优化变量，以仿真和试验结果的误差作为优化目标，利用优化算法对仿真参数进行修正，使仿真结果逼近试验结果。

优选地，所述不确定性分析模块，采用如下方法对仿真结果及实验结果的不确定性通过量化的方式进行评估：

S1，定义物理输入参数的概率分布；

S2，使用优化工具的概率计算功能求解仿真输出结果的概率分布，获得仿真结果的累积分布函数曲线；

S3，获取实验结果的累积分布函数曲线；

S4，利用仿真结果和实验结果的累积分布函数曲线构成的图形面积获取M^SRQ指标；

S5，判断M^SRQ指标是否满足设定的确认指标来判断当前存在的不确定性是否在要求的范围内。

本发明的有益效果是：本发明实施例提供的一种静力学模型的验证工具，可以根据结构力学计算的仿真分析要求，定制仿真分析流程模板，通过将仿真模型验证的知识和经验固化在模板内，提供给不同的人员使用，可以有效的提高不同人员计算结果的一致性。所定制的仿真分析模板，可以被重复调用，用于型号产品的快速性能评估，通过对仿真过程中存在的各种误差进行精确的控制，以及对参数灵敏度分析对数值仿真模型进行修正，在解决仿真精度及置信度的问题的同时，提高了验模的效率。

附图说明

图1是离散误差分析方法流程示意图；

图2是仿真结果的累积分布函数曲线；

图3是仿真结果及实验结果的CDF图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种静力学模型的验证工具，包括：

离散误差分析模块，用于通过不断调整相关网格控制尺寸，直至求解结果满足设定的精度要求，得到合适的计算网格模型；

程序误差分析模块：用于通过同时调用多种CAE求解器，且每种CAE求解器利用所述离散误差分析模块得到的计算网格模型进行求解，并比较所有的求解结果，得到适合求解给定物理问题的求解器；

仿真结果与试验结果一致性分析模块：用于比较仿真结果和试验结果，得到误差分布数据，并根据所述误差分布数据对仿真结果的精度进行评估；

参数敏感性分析模块：用于通过优化算法对仿真模型的参数进行敏感性分析，计算参数的敏感度因子，得到高敏感性的参数；

仿真模型修正模块：用于对仿真结果不满足精度要求的仿真模型的高敏度参数进行修正，使仿真结果逼近试验结果；

不确定性分析模块：用于通过定义物理输入参数的概率分布，使用优化计算方法进行仿真输出参数的不确定性分析，评估模型输入的不确定性对输出结果的影响，并通过引入系统响应量参数对仿真结果及试验结果的不确定性进行量化。

上述验证工具，可以按照如下步骤完成工作：

步骤一：做离散误差分析和控制，通过对比网格加密后与加密前的计算结果，得出前后两次结果的偏差，将该偏差与设定的容差进行比较，判断当前的网格精度是否满足计算要求。通过不断调整相关网格控制尺寸，直至求解结果满足精度要求，得到合适的计算网格模型，解决网格无关性分析，提高仿真分析的模型精度。

步骤二：做程序误差分析，针对某些复杂接触或者难以确认的仿真问题，可以同时调用多种CAE求解器，同时进行求解，而无需建立多个CAE模型，这样可以通过多个求解器的结果，判断有没有求解器的算法不适合需要求解的问题。以此来排除求解器的精度问题。

步骤三：一致性分析，通过对对仿真结果置信度进行评估，为模型修正、提升仿真结果置信度水平提供参考依据。通过实验与仿真的结果对比，可指导工程师仿真结果有清晰的判断，从而为后续的工作做准备。

步骤四：做参数敏感性分析，对仿真模型的参数进行研究，通过计算参数的敏感度因子，判断参数对产品性能的影响大小，为后续的方案修正提供指导。通过开展仿真参数的敏感性分析，研究参数对性能结果的影响程度，并进行参数灵敏度排序。

步骤五：做仿真模型的修正，把仿真和实验结果的偏差作为优化目标，利用优化算法，对模型参数进行寻优，使仿真结果与实验数据相吻合。仿真模型修正通常将经过参数敏感性分析筛选得到的高灵敏度参数作为优化变量，以仿真和试验结果的误差作为优化目标，利用优化算法对仿真参数进行修正，使仿真结果逼近实验结果。

步骤六：做不确定性分析，在仿真建模的过程中，一些仿真参数通常具有不确定性，如材料的杨氏模量、密度、热传导系数，约束刚度等。甚至由于加工的误差，仿真模型的几何参数也会出现波动，如板厚属性。通过对仿真输出参数的不确定性分析，评估模型输入的不确定性对输出结果的影响，对仿真输出样本进行统计分析，得到相关的统计图形。

本发明提供的技术方案，可以解决仿真精度及置信度的问题，可以对仿真过程中存在的各种误差进行精确的控制，通过对参数灵敏度分析对数值仿真模型进行修正，在提高仿真分析精度的同时也提高验模的效率。

本发明提供的工具，可以根据结构力学计算的仿真分析要求，定制仿真分析流程模板，包括模型输入、网格划分、求解设置、结果后处理等。在仿真分析模板中，可以将企业现有的仿真经验、知识进行固化，如网格单元类型、网格尺寸、边界条件、求解参数设置等，减少人为操作失误带来的仿真分析误差。

仿真分析模板可以将仿真模型验证的知识和经验固化在模板内，提供给不同的人员使用，可以有效的提高不同人员计算结果的一致性。

所定制的仿真分析模板，可以被重复调用，用于型号产品的快速性能评估。在仿真分析流程中，不仅可以集成商业软件(如Ansys、Nastran、Abaqus等)，还可以对In-House程序进行封装，集成到仿真分析流程中。

本实施例中，所述离散误差分析模块，采用如下方法得到合适的计算网格模型：

S1，导入CAD模型，按照默认的网格尺寸划分网格并进行仿真求解；

S2，根据求解结果计算误差参数；

S3，判断误差参数是否满足设定的目标精度要求，如果是，则输出网格尺寸和求解结果，否则，执行S4；

S4，按照设定的网格细化率对网格进行加密，并仿真求解，跳到S2，直到计算得到的误差参数满足设定的目标精度要求。

其中，S2中，所述误差参数采用GCI参数，所述GCI参数的计算公式为：

r＝h2/h1＝h3/h2，

∈＝(w₁-w₂)/w₁，

其中，

h1、h2、h3为三组不同的网格尺寸，

w1、w2、w3为对应网格尺寸下的仿真求解结果，

Fs为安全系数，默认取1.25。

GCI参数，是指网格收敛因子(Grid Convergence Index，缩写为GCI)。

仿真的建模的误差中，最主要的为网格离散误差。目前，计算网格离散误差的常用方法是，逐次加密网格尺寸，通过对比网格加密后与加密前的计算结果，得出前后两次结果的偏差，将该偏差与设定的容差进行比较，判断当前的网格精度是否满足计算要求。常见的用来判断结果偏差的参数为两次结果的相对误差，即两次结果的差的绝对值，除以初次计算的结果，所得的数值的百分比。而本实施例中，误差计算模块，除了可以采用相对误差作为判定网格收敛与否的参数，还可以采用GCI参数来判断，通过当前的GCI参数与设定的目标参数的结果来判断网格收敛性。例如，做网格收敛性检查使用的网格尺寸为0.5、0.25、0.125，根据这三种不同的网格尺寸可以求解出三组对应的结果，通过这六组参数可得出GCI＝0.00128或0.13％，同时使用者希望实验与仿真之间的误差要小于10％，而网格的影响因素在这10％中应较小，比如规定网格的影响在10％误差中应小于2％，也可以说网格的影响在整体的误差中应小于0.2％，当GCI＝0.13％时，小于规定的标准0.2％，说明此时网格尺寸小于0.125)即可以保证网格的精度要求。GCI参数的计算基于Richardson外推法的原理。

GCI参数可以按照上述计算公式获得。

在计算过程中，需要评估不同尺寸的网格所获得的结果，例如，如果使用的网格尺寸为h3＝0.5、h2＝0.25、h1＝0.125，而网格细化率r＝h3/h2＝h2/h1为2，根据工程经验，r的取值一般大于1.3。基于h1、h2、h3及w1、w2、w3可通过上述公式计算出GCI的结果。

通过GCI参数来评估网格结果收敛性，需要计算多组不同的网格尺寸及对应的结果，如果计算出的GCI参数不能满足要求，还需要继续做网格加密，采用新的多组网格尺寸及对应的结果来重新计算GCI参数。本实施例中，误差计算模块中所包含的误差控制模板的基本原理如图1所示，可以通过逻辑判断，来自动实现网格加密及求解，直到获得满足要求的GCI参数。

本实施例中，所述程序误差分析模块，可以采用如下方法得到适合求解给定物理问题的求解器：

S1，同时调用多种CAE求解器；

S2，每种CAE求解器根据所述离散误差分析模块得到的计算网格模型进行仿真求解，得到求解结果；

S3，计算任意两个求解结果之间的差距；

S4，获取最小的差距和该最小差距对应的两个求解结果；

S5，选取S4选取的两个求解结果对应的两个CAE求解器中的任意一个为适合求解给定物理问题的求解器。

对于步骤S3-S5的实施过程举例如下：例如调用A、B、C三个不同求解器，如果计算后发现A和B所得到的结果接近，而C的结果与AB有较大差距，则认为C不适合解决此类问题，取A或B任意一个作为默认求解器；如果三个结果都有较大差距，则需要人为判断哪个求解器适合。

建模误差的另一种来源求解器误差，通过定义求解程序误差控制模板，可以同时调用多种CAE求解器进行求解，而无需建立多个CAE模型，这样可以通过对比多个求解器的结果，判断求解器的算法是否适合求解给定的问题。而得到适合求解给定问题的CAE求解器，可以将其带来的误差降低到最低，从而减小结果误差。

本实施例中，所述仿真模型修正模块，可以采用如下方法实施：

以高灵敏度参数作为优化变量，以仿真和试验结果的误差作为优化目标，利用优化算法对仿真参数进行修正，使仿真结果逼近试验结果。

本实施例中，所述不确定性分析模块，采用如下方法对仿真结果及实验结果的不确定性通过量化的方式进行评估：

S1，定义物理输入参数的概率分布；

S2，使用优化工具的概率计算功能求解仿真输出结果的概率分布，获得仿真结果的累积分布函数曲线；

S3，获取实验结果的累积分布函数曲线；

S4，利用仿真结果和实验结果的累积分布函数曲线构成的图形面积获取M^SRQ指标；

S5，判断M^SRQ指标是否满足设定的确认指标来判断当前存在的不确定性是否在要求的范围内。

其中，对于S4中获取M^SRQ指标，还可以采用如下计算公式进行计算：

其中，

F_SRQ(y)是仿真模型SRQ和测量SQR的CDF值，而为试验结果的平均值，由于的到的参数是百分比值，所以还需要除以SRQ的平均值。

在仿真建模的过程中，一些仿真参数通常具有不确定性，仿真输入参数的不确定性，将会带来仿真输出结果的不确定。而目前还没有相关的工具对仿真结果及实验结果的不确定性通过量化的方式做评估。

不确定性分析模块，可以开展仿真模型参数的不确定性研究，定义输入参数的分布，如正态分布、均匀分布等。该模块通过定义物理参数的概率分布，通过优化计算方法进行仿真输出参数的不确定性分析，评估模型输入的不确定性对输出结果的影响，并通过引入SRQ(系统响应量)参数对仿真及实验结果的不确定性进行量化。通过对比分析，得出两者之间的差异并以M^SRQ(系统响应量测量)指标的百分比形式来体现，即最终评估M^SRQ指标能否满足预期的要求。通过这种方式，仿真及实验中存在的不确定性的问题，可通过量化的方式来做评估。

基本的工作流程为，由使用者定义输入参数的概率分布通过优化工具的概率计算功能求解仿真输出结果的概率分布参数，如图2所示，由此可获得仿真结果的CDF(累积分布函数)曲线。

而实验结果的不确定分布可由使用者指定，也可通过程序内置的评估功能获得，从而获得实验结果的CDF曲线。通过两者之间CDF的面积对比来获取M^SRQ指标，如图3所示。

最终可以根据M^SRQ指标是否满足预定的要求来判断当前存在的不确定性是否在预计范围以内。

确定的过程参数可参见下表，其中仿真数据中的均值和标准差由优化工具的概率计算功能获得并自动读取，而试验数据的均值是使用者通过实际的实验过程获得，试验数据的标准差可以由使用者自己根据实际情况设置，也可使用软件默认的参考值。根据这四组参数，可生成并给出试验数据和仿真数据的CDF曲线，再通过曲线计算M^SRQ值，具体的，可以根据如下方法计算M^SRQ值：对两个函数做积分或者求解曲线对应的面积，再相减得到的面积差，即为M^SRQ值。

同时使用者还需要指定确认指标的值，这个需要使用者根据实际情况给出可以允许的不确定性的最大范围。通过对比确认指标及M^SRQ值，最终给出确认结果，如果M^SRQ值小于指定的确认指标，则通过确认，说明当前的不确定的程度满足要求，反之则不能通过确认。上述过程中，涉及到的数值可如下表所示。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的一种静力学模型的验证工具，可以根据结构力学计算的仿真分析要求，定制仿真分析流程模板，通过将仿真模型验证的知识和经验固化在模板内，提供给不同的人员使用，可以有效的提高不同人员计算结果的一致性。所定制的仿真分析模板，可以被重复调用，用于型号产品的快速性能评估，通过对仿真过程中存在的各种误差进行精确的控制，以及对参数灵敏度分析对数值仿真模型进行修正，在解决仿真精度及置信度的问题的同时，提高了验模的效率。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域人员应该理解的是，上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整，也可根据实际情况并发进行。

上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，例如：个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，例如：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.一种静力学模型的验证工具，其特征在于，包括：

离散误差分析模块，用于通过不断调整仿真模型相关网格的尺寸，直至求解结果满足设定的精度要求，得到合适的计算网格模型；

程序误差分析模块：用于通过同时调用多种CAE求解器，且每种CAE求解器利用所述离散误差分析模块得到的计算网格模型进行求解，并比较所有的求解结果，得到适合求解给定物理问题的求解器；

仿真结果与试验结果一致性分析模块：用于比较仿真结果和试验结果，得到误差分布数据，并根据所述误差分布数据对仿真结果的精度进行评估；

参数敏感性分析模块：用于通过优化算法对仿真模型的输入参数进行敏感性分析，计算参数的敏感度因子，得到高敏感性的参数；

仿真模型修正模块：用于对仿真结果不满足精度要求的仿真模型的高敏度参数进行修正，使仿真结果逼近试验结果；

不确定性分析模块：用于通过定义物理输入参数的概率分布，使用优化计算方法进行仿真输出参数的不确定性分析，评估模型输入的不确定性对输出结果的影响，并通过引入系统响应量参数对仿真结果及试验结果的不确定性进行量化。

2.根据权利要求1所述的静力学模型的验证工具，其特征在于，所述离散误差分析模块，采用如下方法得到合适的计算网格模型：

S1，导入CAD模型，按照默认的网格尺寸划分网格并进行仿真求解；

S2，根据求解结果计算误差参数；

S3，判断误差参数是否满足设定的目标精度要求，如果是，则输出网格尺寸和求解结果，否则，执行S4；

S4，按照设定的网格细化率对网格进行加密，并仿真求解，跳到S2，直到计算得到的误差参数满足设定的目标精度要求。

3.根据权利要求2所述的静力学模型的验证工具，其特征在于，S2中，所述误差参数采用GCI参数，所述GCI参数的计算公式为：

r＝h2/h1＝h3/h2，

<mrow> <mi>p</mi> <mo>=</mo> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mn>3</mn> </msub> <mo>-</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> </mrow> <mrow> <msub> <mi>w</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>/</mo> <mi>ln</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>

∈＝(w₁-w₂)/w₁，

<mrow> <mi>G</mi> <mi>C</mi> <mi>I</mi> <mo>=</mo> <msub> <mi>F</mi> <mi>s</mi> </msub> <mfrac> <mrow> <mo>|</mo> <mo>&amp;Element;</mo> <mo>|</mo> </mrow> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>h</mi> <mn>2</mn> </msub> <mo>/</mo> <msub> <mi>h</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mi>p</mi> </msup> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <mo>,</mo> </mrow>

其中，

h1、h2、h3为三组不同的网格尺寸，

w1、w2、w3为对应网格尺寸下的仿真求解结果，

Fs为安全系数，默认取1.25。

4.根据权利要求1所述的静力学模型的验证工具，其特征在于，所述程序误差分析模块，采用如下方法得到适合求解给定物理问题的求解器：

S1，同时调用多种CAE求解器；

S2，每种CAE求解器根据所述离散误差分析模块得到的计算网格模型进行仿真求解，得到求解结果；

S3，计算任意两个求解结果之间的差距；

S4，获取最小的差距和该最小差距对应的两个求解结果；

S5，选取S4选取的两个求解结果对应的两个CAE求解器中的任意一个为适合求解给定物理问题的求解器。

5.根据权利要求1所述的静力学模型的验证工具，其特征在于，所述仿真模型修正模块，采用如下方法实施：

以高灵敏度参数作为优化变量，以仿真和试验结果的误差作为优化目标，利用优化算法对仿真参数进行修正，使仿真结果逼近试验结果。

6.根据权利要求1所述的静力学模型的验证工具，其特征在于，所述不确定性分析模块，采用如下方法对仿真结果及实验结果的不确定性通过量化的方式进行评估：

S1，定义物理输入参数的概率分布；

S2，使用优化工具的概率计算功能求解仿真输出结果的概率分布，获得仿真结果的累积分布函数曲线；

S3，获取实验结果的累积分布函数曲线；

S4，利用仿真结果和实验结果的累积分布函数曲线构成的图形面积获取M^SRQ指标；

S5，判断M^SRQ指标是否满足设定的确认指标来判断当前存在的不确定性是否在要求的范围内。