In de niet al te verre toekomst, we kunnen verwachten dat onze lucht gevuld is met onbemande luchtvaartuigen (UAV's) die pakketten afleveren, misschien zelfs mensen, van locatie naar locatie.

In zo'n wereld, er komt ook een digitale tweeling voor elke UAV in de vloot:een virtueel model dat de UAV door zijn bestaan ​​zal volgen, evolueren met de tijd.

"Het is essentieel dat UAV's hun structurele gezondheid bewaken, " zei Karen Willcox, directeur van het Oden Institute for Computational Engineering and Sciences aan de Universiteit van Texas in Austin (UT Austin) en een expert in computationele lucht- en ruimtevaarttechniek. "En het is essentieel dat ze goede beslissingen nemen die resulteren in goed gedrag."

Een uitgenodigde spreker op de 2019 International Conference for High Performance Computing, Netwerken, Opslag en analyse (SC19), Willcox deelde de details van een project - voornamelijk ondersteund door het U.S. Air Force-programma in Dynamic Data-Driven Application Systems (DDDAS) - om een ​​voorspellende digitale tweeling te ontwikkelen voor een op maat gemaakte UAV. Het project is een samenwerking tussen UT Austin, MIT, Akselos, en Aurora Flight Sciences.

De tweeling vertegenwoordigt elk onderdeel van de UAV, evenals het geïntegreerde geheel, met behulp van op fysica gebaseerde modellen die de details van zijn gedrag vastleggen, van fijnschalig tot macroniveau. De twin neemt ook sensorgegevens van het voertuig op en integreert die informatie met het model om realtime voorspellingen te doen over de toestand van het voertuig.

Dreigt de UAV te crashen? Moet het zijn geplande route wijzigen om risico's te minimaliseren? Met een voorspellende digitale tweeling, dit soort beslissingen kunnen on-the-fly worden genomen, UAV's vliegend te houden.

Groter dan Big Data

In haar toespraak Willcox deelde de technologische en algoritmische vooruitgang waarmee een voorspellende digitale tweeling effectief kan functioneren. Ze deelde ook haar algemene filosofie over hoe problemen met 'hoge gevolgen' kunnen worden aangepakt in de wetenschap en techniek.

"Voor grote beslissingen is meer nodig dan alleen big data, "legde ze uit. "Ze hebben grote modellen nodig, te."

Deze combinatie van op fysica gebaseerde modellen en big data wordt vaak 'wetenschappelijke machine learning' genoemd. En terwijl machine learning, op zichzelf, is erin geslaagd een aantal problemen aan te pakken, zoals objectidentificatie, aanbevelingssystemen, en games zoals Go - robuustere oplossingen zijn vereist voor problemen waarbij het krijgen van het verkeerde antwoord ongelooflijk duur kan zijn, of gevolgen hebben op leven of dood.

"Deze grote problemen worden beheerst door complexe multiscale, multi-fysica verschijnselen, " zei Willcox. "Als we de omstandigheden een beetje veranderen, we kunnen drastisch ander gedrag zien."

In het werk van Willcox computationele modellering wordt gecombineerd met machine learning om voorspellingen te produceren die betrouwbaar zijn, en ook verklaarbaar. Black box-oplossingen zijn niet goed genoeg voor toepassingen met hoge gevolgen. Onderzoekers (of artsen of ingenieurs) moeten weten waarom een ​​machine learning-systeem op een bepaald resultaat uitkwam.

In het geval van de digitale tweeling UAV, Het systeem van Willcox is in staat om de veranderende veranderingen in de gezondheid van de UAV vast te leggen en te communiceren. Het kan ook verklaren welke sensormetingen een afnemende gezondheid aangeven en de voorspellingen sturen.

Realtime besluitvorming aan de rand

Dezelfde druk die het gebruik van op fysica gebaseerde modellen vereist - het gebruik van complexe, hoog-dimensionale modellen; de noodzaak van onzekerheidskwantificering; de noodzaak om alle mogelijke scenario's te simuleren, maakt het probleem van het maken van voorspellende digitale tweelingen ook rekenkundig uitdagend.

Dat is waar een benadering genaamd modelreductie in het spel komt. Met behulp van een op projectie gebaseerde methode ontwikkelden ze, Willcox en haar medewerkers kunnen geschatte modellen identificeren die kleiner zijn, maar coderen op de een of andere manier de belangrijkste dynamiek, zodat ze kunnen worden gebruikt voor voorspellingen.

"Deze methode biedt de mogelijkheid om goedkope, op fysica gebaseerde modellen die voorspellende digitale tweelingen mogelijk maken, " ze zei.

Willcox moest een andere oplossing ontwikkelen om de complexe fysieke interacties die plaatsvinden op de UAV te modelleren. In plaats van het hele voertuig als geheel te simuleren, ze werkt samen met Akselos om hun aanpak te gebruiken die het model doorbreekt (in dit geval het vliegtuig) in stukken, bijvoorbeeld een sectie van een vleugel - en berekent de geometrische parameters, materiële eigenschappen, en andere belangrijke factoren onafhankelijk van elkaar, terwijl ook rekening wordt gehouden met interacties die optreden wanneer het hele vliegtuig in elkaar wordt gezet.

Elke component wordt weergegeven door partiële differentiaalvergelijkingen en met hoge betrouwbaarheid, eindige-elementenmethoden en een rekenmaas worden gebruikt om de impact van de vlucht op elk segment te bepalen, het genereren van op fysica gebaseerde trainingsgegevens die worden ingevoerd in een classificator voor machine learning.

Deze training is rekenintensief, en in de toekomst zal het team van Willcox samenwerken met het Texas Advanced Computing Center (TACC) aan de UT Austin om supercomputing te gebruiken om nog grotere trainingssets te genereren die rekening houden met complexere vluchtscenario's. Als de training klaar is, online classificatie kan zeer snel worden gedaan.

Met behulp van deze modelreductie- en ontledingsmethoden, Willcox wist een 1 te behalen 000 keer sneller - simulatietijden verkorten van uren of minuten naar seconden - met behoud van de nauwkeurigheid die nodig is voor het nemen van beslissingen.

"De methode is zeer interpreteerbaar, " zei ze. "Ik kan teruggaan en zien welke sensor bijdraagt ​​aan classificatie in een staat." Het proces leent zich natuurlijk voor sensorselectie en om te bepalen waar sensoren moeten worden geplaatst om details vast te leggen die cruciaal zijn voor de gezondheid en veiligheid van de UAV.

In een demonstratie die Willcox op de conferentie liet zien, een UAV die een hindernisbaan doorkruiste, was in staat zijn eigen afnemende gezondheid te herkennen en een conservatiever pad uit te stippelen om ervoor te zorgen dat hij veilig thuiskwam. Dit is een test die UAV's moeten doorstaan ​​voordat ze in de toekomst breed kunnen worden ingezet.

"Het werk gepresenteerd door Dr. Karen Willcox is een geweldig voorbeeld van de toepassing van het DDDAS-paradigma, voor het verbeteren van modellerings- en instrumentatiemethoden en het creëren van realtime beslissingsondersteunende systemen met de nauwkeurigheid van modellen op ware grootte, " zei Frederica Darema, voormalig directeur van het Air Force Office of Scientific Research, die het onderzoek ondersteunden.

"Het werk van Dr. Willcox toonde aan dat de toepassing van DDDAS de volgende generatie 'digital twin'-omgevingen en -capaciteiten creëert. Dergelijke ontwikkelingen hebben een enorme impact op een grotere effectiviteit van kritieke systemen en diensten in de defensie- en civiele sector."

Digitale tweelingen zijn niet het exclusieve domein van UAV's; ze worden steeds meer ontwikkeld voor productie, olieraffinaderijen, en Formule 1-racewagens. De technologie werd uitgeroepen tot een van Gartner's Top 10 strategische technologietrends voor 2017 en 2018.

"Digitale tweelingen worden een zakelijke noodzaak, die de volledige levenscyclus van een asset of proces bestrijken en de basis vormen voor verbonden producten en diensten, " zei Thomas Keizer, SAP Senior Vice-President van IoT, in een Forbes-interview uit 2017. "Bedrijven die niet reageren, blijven achter."

Met betrekking tot voorspellende datawetenschap en de ontwikkeling van digitale tweelingen, Willcox zegt:"Leren van gegevens door de lens van modellen is de enige manier om hardnekkige problemen praktisch te maken. Het brengt de methoden en benaderingen uit de datawetenschap samen, machinaal leren, en computationele wetenschap en techniek, en stuurt ze naar toepassingen met een hoge impact."