Aus verschiedenen Gründen ist es sinnvoll die Fortpflanzung bzw. Ausbreitung der Unsicherheit in den Eingangsparametern durch das System zu berechnen. Zum Beispiel können hierdurch Aussagen über die Effekte von unsicheren Modelleingangsparametern gemacht werden und beispielsweise zusammenfassende Statistiken wie Erwartungswert und Varianz einer Ergebnisgröße bestimmt werden. Weiterhin können Konfidenzbereiche berechnet oder die Wahrscheinlichkeitsverteilung eines Ergebnisses bei unsicheren Eingangsparametern angegeben werden. Unsicherheit in verschiedenen Eingangsgrößen, wie z. B. Anfangsbedingungen, Umgebungsparameter und Messfehler, können das Ergebnis einer Simulation oder eines Experiments in unerwarteter Weise beeinflussen. Durch die Berechnung der Fortpflanzung von Unsicherheiten ist es möglich zu prüfen, ob die Systemausgangsgrößen die Anforderungen erfüllen. Darüber hinaus kann die Eintrittwahrscheinlichkeit bestimmter Ereignisse abgeschätzt werden. Die Kenntnis der Quelle und des Ausmaßes der Unsicherheiten in Simulations- und Versuchsergebnissen ist von zentraler Bedeutung, wenn bewertet werden soll, ob eine Konstruktionsvariante sinnvoll ist. Die Berechnung der Ausbreitung von Unsicherheiten ist daher ein wichtiges Werkzeug, um eine solide Basis für Entscheidungen mit hoher Konsequenz zu schaffen. Herkömmliche Methoden zur Berechnung der Ausbreitung von Unsicherheiten wie etwa das samplingbasierte Monte-Carlo-Verfahren erfordern häufig eine sehr große Anzahl von Modellauswertungen, um zuverlässige Ergebnisse zu produzieren, und können daher meist nicht in Kombination mit komplexen und aufwändig zu lösenden Simulationsmodellen verwendet werden. Neben Monte-Carlo-Verfahren sind noch klassische Ersatzmodelle basierend auf Polynomansätzen zu erwähnen. Hier besteht die Schwierigkeit darin, dass diese Ansätze nicht bei Problemen mit hoher stochastischer Dimension, d.h. bei vielen unsicheren Eingangsparametern, verwendet werden können. Wir setzen daher auf innovative, dem neusten Stand der Forschung entsprechende Ansätze zur Berechnung der Ausbreitung von Unsicherheiten. Dies sind zum einen fortschrittliche Sampling-Verfahren, denen entweder spezielle Strategien des Experimental-Designs zugrunde liegen, die die spezielle Struktur des Problem ausnutzen können. Dies ist z. B. bei der Berechnung von Ausfallwahrscheinlichkeiten der Fall. Als Alternative  verwenden wir sog. Multi-Fidelity Verfahren, die neben detailreichen und hochauflösenden Modellen auch Informationen aus vereinfachten Modellen, die deutlich weniger Rechenaufwand erfordern, verarbeiten können. Neben samplingbasierten Verfahren setzten wir außerdem auf Ersatzmodelle basierend auf statistischen Emulatoren. Emulatorbasierte Quantifizierung von Unsicherheiten ist aufgrund der Erhöhung der Geschwindigkeit bzw. Reduzierung des Rechenaufwandes gegenüber stichprobenbasierten Methoden zu einer beliebten Lösung geworden. Insbesondere für weiterführende Fragestellungen wie z.B. eine Sensitivitätanalyse eignen sich solche Emulatoren hervorragend. Speziell für sehr aufwändige Simulationsmodelle hat die AdCo Engineering^GW GmbH Multi-Fidelity-Emulatoren entwickelt, sodass auch hier Informationen unterschiedlich komplexer Modelle effizient kombiniert werden können und so bei gleicher Ergebnisqualität der Berechnungsaufwand gegenüber Standardverfahren deutlich niedriger ausfällt.