Cách phân biệt giữa mô hình và bản sao số

Springer Science and Business Media LLC - 2020
L Wright1, Stuart Davidson1
1National Physical Laboratory, Hampton Road, Teddington, UK

Tóm tắt

Tóm tắt

“Khi tôi sử dụng một từ, nó có nghĩa là bất cứ điều gì tôi muốn nó có nghĩa”: Humpty Dumpty trong Cuộc phiêu lưu của Alice qua gương, Lewis Carroll. “Bản sao số” hiện nay là một thuật ngữ được áp dụng theo nhiều cách khác nhau. Một số sự khác biệt là sự biến đổi từ lĩnh vực này sang lĩnh vực khác, nhưng định nghĩa trong một lĩnh vực cũng có thể khác nhau đáng kể. Trong kỹ thuật, có những tuyên bố về lợi ích của việc sử dụng bản sao số cho thiết kế, tối ưu hóa, kiểm soát quá trình, thử nghiệm ảo, bảo trì dự đoán và ước lượng tuổi thọ. Trong nhiều cách sử dụng của nó, sự phân biệt giữa một mô hình và một bản sao số không được làm rõ. Nguy cơ của sự đa dạng và mơ hồ này là định nghĩa và giải thích kém hoặc không nhất quán về bản sao số có thể khiến mọi người từ chối nó như một sự phóng đại, để khi điều phóng đại và phản ứng không thể tránh khỏi qua đi, mức độ quan tâm và sử dụng cuối cùng ("mức sản xuất") có thể giảm xuống dưới tiềm năng tối đa của công nghệ. Các thành phần cơ bản của một bản sao số (về cơ bản là một mô hình và một số dữ liệu) thường tương đối trưởng thành và được hiểu rõ. Nhiều khía cạnh của việc sử dụng dữ liệu trong các mô hình cũng được hiểu rõ, từ kinh nghiệm lâu dài trong xác thực và kiểm tra mô hình, cũng như từ việc phát triển các điều kiện biên, điều kiện ban đầu và điều kiện tải từ các giá trị đo được. Tuy nhiên, vẫn còn nhiều câu hỏi mở thú vị tồn tại, một số liên quan đến khối lượng và tốc độ dữ liệu, một số liên quan đến độ tin cậy và sự không chắc chắn, và một số liên quan đến cập nhật mô hình động. Trong bài viết này, chúng tôi làm nổi bật sự khác biệt thiết yếu giữa một mô hình và một bản sao số, phác thảo một số lợi ích chính của việc sử dụng bản sao số, và đề xuất các hướng nghiên cứu tiếp theo để khai thác toàn bộ tiềm năng của phương pháp này.

Từ khóa


Tài liệu tham khảo

West T, Blackburn M. Is digital thread/digital twin affordable? A systemic assessment of the cost of DoD’s latest manhattan project. In: Complex adaptive systems, Chicago, USA, 2017.

Digital Twin—looking behind the buzzwords, April 2018 edition of benchmark magazine. https://www.nafems.org/publications/benchmark/archive/april-2018/. Accessed 19 Feb 2020.

[eBook] Forging the digital twin in discrete manufacturing: a vision for unity in the virtual and real worlds. https://www.lnsresearch.com/research-library/research-articles/ebook-forging-the-digital-twin-in-discrete-manufacturing-a-vision-for-unity-in-the-virtual-and-real-worlds. Accessed 19 Feb 2020.

Richard P, Fang H, Davis R. Foundation for the redefinition of the kilogram. Metrologia. 2016;53(5):A6.

Robinson IA, Schlamminger S. The watt or Kibble balance: a technique for implementing the new SI definition of the unit of mass. Metrologia. 2016;53(5):A46.

Newcastle’s ‘digital twin’ to help city plan for disasters. https://www.theguardian.com/cities/2018/dec/30/newcastles-digital-twin-to-help-city-plan-for-disasters. Accessed 19 Feb 2020.

The Gemini Principles. Centre for Digital Built Britain. https://www.cdbb.cam.ac.uk/Resources/ResoucePublications/TheGeminiPrinciples.pdf. Accessed 19 Feb 2020.

Stochastics Working Group. What is uncertainty quantification. NAFEMS publication. 2018. https://www.nafems.org/publications/resource_center/wt08/. Accessed 19 Feb 2020.

Fortier M. Stochastics and its role in robust design. NAFEMS publication. https://www.nafems.org/publications/browse_buy/browse_by_topic/education/r0107/. Accessed 19 Feb 2020.

BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP and OIML. Evaluation of measurement data—guide to the expression of uncertainty in measurement. Joint Committee for Guides in Metrology, JCGM. 2008;100.

BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP and OIML. Evaluation of measurement data—supplement 1 to the guide to the expression of uncertainty in measurement—propagation of distributions using a Monte Carlo method. Joint Committee for Guides in Metrology, JCGM. 2008;101.

Rasmussen K, et al. Best practice guide to uncertainty evaluation for computationally expensive models. 2015. http://www.mathmet.org/publications/guides/index.php#expensive. Accessed 19 Feb 2020.

Metrology for the factory of the future. https://www.ptb.de/empir2018/met4fof/home/. Accessed 19 Feb 2020.

Communication and validation of smart data in IoT-networks. https://www.ptb.de/empir2018/smartcom/home/. Accessed 19 Feb 2020.

Golub GH, Kahan W. Calculating the singular values and pseudo-inverse of a matrix. J Soc Ind Appl Math Ser B Numer Anal. 1965;2(2):205–24. https://doi.org/10.1137/0702016.

Chrétien S, Wei T. Sensing tensors with Gaussian filters. IEEE Trans Inf Theory. 2017;63(2):843–52.

Rogers CD. Inverse methods for atmospheric sounding: theory and practice. Singapore: World Scientific Publishing Co.; 2000. ISBN 978-981-02-2740-1.

Stroh R, et al. Assessing fire safety using complex numerical models with a Bayesian multi-fidelity approach. Fire Saf J. 2017;91:1016–25.

Yang Z, et al. Investigating predictive metamodelling for additive manufacturing. In: ASME 2016 international design engineering technical conferences and computers and information in engineering conference.

Rasmussen CE, Williams CKI. Gaussian processes for machine learning. Cambridge: MIT Press; 2006. http://www.gaussianprocess.org/gpml/chapters/RW.pdf. Accessed 19 Feb 2020.

Wikipedia. Hype Cycle. https://commons.wikimedia.org/wiki/File:Gartner_Hype_Cycle.svg. Accessed 19 Feb 2020.

Wikimedia Commons, GNU free documentation license, version 1. https://commons.wikimedia.org/wiki/Commons:GNU_Free_Documentation_License,_version_1.2. Accessed 19 Feb 2020.

Chinesta F, Cueto E, Abisset-Chavanne E, Duval JL, El Khaldi F. Virtual, digital and hybrid twins. Arch Comput Methods Eng. 2018. https://doi.org/10.1007/s11831-018-9301-4.

Thông tin
Thông tin xuất bản

Springer Science and Business Media LLC

Thông tin tác giả