基于AI模型的数字孪生

数字孪生技术在埃森哲的 2021 年技术趋势中名列前茅是有原因的。被许多人视为第四次工业革命的关键，数字孪生技术正处于改变世界设计和制造方式的风口浪尖。

数字孪生是真实世界设计的虚拟复制，在其整个生命周期内使用物理对象中的数据进行动态更新。审查和分析实物资产的能力实际上有助于决策制定，可以避免建筑工地的调度问题，甚至可以最大限度地提高风力涡轮机的性能。由于数据集成和人工智能的改进，以及机器学习在工程领域更广泛的民主化，该技术得到了更广泛的应用。

与工程中使用的基于模型的经典方法相比，基于数据的机器学习算法已经证明了它们的适用性。通过不断收集和处理传感器、机器和其他数据，这些方法提供了客观的、数据驱动的设计或仿真优化以及故障检测。

数字孪生可用于加速城市规划、汽车设计、制造和航空工程等领域产品开发的数字化转型计划。在过去五年中，该技术迅速普及，特别是工程师使用该技术来帮助应对 COVID-19 大流行给他们带来的基于位置的挑战。

然而，随着这项技术渗透到不同行业的开发周期中，很明显，工程师仍然存在理解和注意的障碍，以便从这项技术中获得最佳使用。在对 250 名工程师进行的一项调查中，缺乏专业知识、过于复杂的软件环境和缺乏实时模型被列为采用的三大障碍。

当前发生的大多数学术研究都集中在创建实时模型上。有两种方法可以实现这一目标。

一方面，存在现实生活系统的数据驱动建模。例如，只有从真实数据中才能真正理解赛车的全部复杂性。像神经网络这样的人工智能模型在这里真的很有帮助，因为它们可以描述非常复杂的系统。然而，它们训练起来很麻烦，并且可以成为一个复杂的“黑匣子”，没有任何物理可解释性和有关如何使用它们的重要背景知识。

因此，主要挑战是使它们更易于访问和解释。

另一方面，通过有限元 (FEA) 或计算流体动力学 (CFD) 模拟等传统模拟方法可以创建更快的替代模型。它们是可解释的，并且已经在整个工程行业中广泛使用。然而，它们太慢了，无法实时更好地理解复杂的物理学。在这里，最新研究的重点是使用物理信息神经网络 (PINN) 来显着加速或增强传统 CAE 方法，而不会失去模型的物理可解释性。

几乎所有工程师在尝试创建数字孪生时面临的主要挑战之一是该领域发生的大多数研究几乎没有解决；软件环境的复杂性和构建数字孪生所需的专业知识水平。这是我将 Monolith 建立为商业企业的主要原因之一，而不仅仅是伦敦帝国理工学院的研究实验室。迫切需要不仅可以在《科学》杂志上发表，而且可以帮助工程师创建数字孪生的软件，而无需成为专业的开发人员。

举一个具体的例子，Jota Sports Endurance Racing 团队不是软件专家。然而，他们正在使用 Monolith 平台从汽车设置、车辆动力学、空气动力学和轮胎创建他们汽车的数字孪生。他们训练驾驶深度学习模型，使他们能够通过动态模型和预测技术在这些关键领域快速做出决策，从而提供有关驾驶员表现和环境因素如何影响汽车性能的反馈。

JOTA 技术总监 Tomoki Takahashi 表示：“Monolith 已经从根本上改变了我们在 JOTA 工程团队中的运作方式。他们的技术使我们的工程师能够做出更快、更好的设计决策，并简化我们的汽车和模拟数据的验证方式。我们是全球耐力赛的领导者，随着车辆测试的复杂性不断增加，我们相信 Monolith 的人工智能技术将为我们提供支持，让我们继续在竞争中领先一步。”

总体而言，试图对系统的复杂多物理过程进行建模和理解是极具挑战性的。机器学习越来越多地被用于工程设计和仿真中。使用机器学习模型构建数字孪生具有巨大的潜力，可以彻底改变我们在实体生命周期内优化不同物理资产的方式，并在快速机器学习模型提供智能建议的额外支持和协助下，在做出艰难决策时赋予工程师权力。

原文链接：Problems with AI generated digital twins

BimAnt翻译整理，转载请标明出处