Morris method screening — comp…

# Morris方法筛选反应器产率关键参数实操指南

一、Morris方法核心思路

• 初等效应（EE）：某参数一次扰动（±Δ）引起的产率变化，公式：EE_i = [Y(x + Δe_i) − Y(x)] / Δ
• 筛选指标：
• μ（EE均值）：整体影响强度
• μ\*（绝对值均值）：排除正负抵消后的真实影响力，筛选首选指标
• σ（标准差）：非线性程度与参数交互作用强弱
• 参数设置：k=12个参数，r=20条轨迹，总仿真次数 = r × (k+1) = 20 × 13 = 260次

二、操作步骤

1. 参数范围与尺度变换

• 确定每个参数（温度、压力、催化剂浓度等）的物理合理区间
• 统一变换到 [0, 1] 空间
• 离散网格建议设 p=4~6，步长 Δ = p / [2(p−1)]（经典取 Δ = 0.5 左右，保证扰动跳到另一网格点）

2. 生成轨迹（可用SALib库）

```python

from SALib.sample import morris as morris_sample

from SALib.analyze import morris as morris_analyze

```

• 定义12个参数的 bounds
• 调用 morris_sample.sample(problem, N=20, num_levels=4) 生成260组输入

3. 运行仿真

• 将260组参数逐一送入反应器仿真模型，记录产率Y
• 建议记录运行耗时与收敛状态，剔除失败样本（若失败需补算）

4. 计算与排序

```python

Si = morris_analyze.analyze(problem, X, Y, num_levels=4)

# 输出每个参数的 mu, mu_star, sigma

```

• 按 μ\* 降序排列，取前3名

三、筛选判读要点

• μ\* 大且σ小：线性主导、影响稳定 → 优先锁定
• μ\* 大且σ大：影响强但存在交互/非线性，可后续用Sobol深入分析
• μ\* 小（接近0）：对产率几乎不敏感，可考虑固定取值降维
• 结合工艺机理校验：如温度、催化剂浓度通常属高敏感项，若结果相反需检查参数区间是否合理

四、常见坑提醒

• r=20对12个参数属筛选级精度，足以排序但不能给精确敏感度数值
• 若多参数μ\*相近（差距在噪声范围内），建议增至r=50再确认
• 催化剂浓度等强非线性参数建议提高 num_levels（如6或8）

结论：跑完260次仿真后，按μ\*排序取前3即为目标参数，可再用Sobol法对这3个参数做定量精细分析。