In un futuro non troppo lontano, possiamo aspettarci di vedere i nostri cieli pieni di veicoli aerei senza equipaggio (UAV) che consegnano pacchi, forse anche le persone, da luogo a luogo.

In un mondo così, ci sarà anche un gemello digitale per ogni UAV della flotta:un modello virtuale che seguirà l'UAV attraverso la sua esistenza, evolvendo con il tempo.

"È essenziale che gli UAV monitorino la loro salute strutturale, "ha detto Karen Willcox, direttore dell'Oden Institute for Computational Engineering and Sciences presso l'Università del Texas ad Austin (UT Austin) ed esperto di ingegneria aerospaziale computazionale. "Ed è essenziale che prendano buone decisioni che si traducano in un buon comportamento".

Relatore invitato alla International Conference for High Performance Computing 2019, Rete, Archiviazione e analisi (SC19), Willcox ha condiviso i dettagli di un progetto, supportato principalmente dal programma dell'aeronautica statunitense in Dynamic Data-Driven Application Systems (DDDAS), per sviluppare un gemello digitale predittivo per un UAV personalizzato. Il progetto è una collaborazione tra UT Austin, MIT, Akselos, e Scienze del volo Aurora.

Il gemello rappresenta ogni componente dell'UAV, così come il suo insieme integrato, utilizzando modelli basati sulla fisica che catturano i dettagli del suo comportamento dalla scala fine al livello macro. Il gemello acquisisce anche i dati dei sensori di bordo dal veicolo e integra tali informazioni con il modello per creare previsioni in tempo reale sullo stato di salute del veicolo.

L'UAV rischia di schiantarsi? Dovrebbe cambiare il percorso pianificato per ridurre al minimo i rischi? Con un gemello digitale predittivo, questo tipo di decisioni possono essere prese al volo, per far volare gli UAV.

Più grande dei Big Data

Nel suo discorso, Willcox ha condiviso i progressi tecnologici e algoritmici che consentono a un gemello digitale predittivo di funzionare in modo efficace. Ha anche condiviso la sua filosofia generale su come i problemi "ad alto rischio" possono essere affrontati in tutta la scienza e l'ingegneria.

"Le grandi decisioni richiedono più di semplici big data, " ha spiegato. "Hanno bisogno di grandi modelli, pure."

Questa combinazione di modelli basati sulla fisica e big data viene spesso chiamata "apprendimento automatico scientifico". E mentre l'apprendimento automatico, da solo, ha avuto successo nell'affrontare alcuni problemi, come l'identificazione degli oggetti, sistemi di raccomandazione, e giochi come Go:sono necessarie soluzioni più solide per problemi in cui ottenere la risposta sbagliata può essere incredibilmente costoso, o avere conseguenze di vita o di morte.

"Questi grandi problemi sono governati da complessi multiscala, fenomeni multifisici, " disse Willcox. "Se cambiamo un po' le condizioni, possiamo vedere comportamenti drasticamente diversi".

Nel lavoro di Willcox, la modellazione computazionale è abbinata all'apprendimento automatico per produrre previsioni affidabili, e anche spiegabile. Le soluzioni black box non sono sufficienti per le applicazioni ad alto impatto. I ricercatori (o i medici o gli ingegneri) devono sapere perché un sistema di apprendimento automatico si è basato su un determinato risultato.

Nel caso dell'UAV gemello digitale, Il sistema di Willcox è in grado di catturare e comunicare i cambiamenti in evoluzione nella salute dell'UAV. Può anche spiegare quali letture dei sensori indicano un peggioramento della salute e guidano le previsioni.

Processo decisionale in tempo reale ai margini

Le stesse pressioni che richiedono l'uso di modelli basati sulla fisica, l'uso di complessi, modelli ad alta dimensionalità; la necessità di quantificare l'incertezza; la necessità di simulare tutti i possibili scenari, rende anche il problema della creazione di gemelli digitali predittivi un problema computazionalmente impegnativo.

È qui che entra in gioco un approccio chiamato riduzione del modello. Utilizzando un metodo basato sulla proiezione che hanno sviluppato, Willcox e i suoi collaboratori possono identificare modelli approssimativi più piccoli, ma in qualche modo codificano le dinamiche più importanti, tali da poter essere utilizzati per le previsioni.

"Questo metodo consente la possibilità di creare a basso costo, modelli basati sulla fisica che consentono gemelli digitali predittivi, " lei disse.

Willcox ha dovuto sviluppare un'altra soluzione per modellare le complesse interazioni fisiche che si verificano sull'UAV. Invece di simulare l'intero veicolo nel suo insieme, lavora con Akselos per usare il loro approccio che rompe il modello (in questo caso, l'aereo) in pezzi, ad esempio una sezione di un'ala e calcola i parametri geometrici, proprietà dei materiali, e altri fattori importanti in modo indipendente, mentre tiene conto anche delle interazioni che si verificano quando l'intero piano viene messo insieme.

Ogni componente è rappresentato da equazioni differenziali alle derivate parziali e ad alta fedeltà, vengono utilizzati metodi agli elementi finiti e una mesh computazionale per determinare l'impatto del volo su ciascun segmento, generazione di dati di addestramento basati sulla fisica che alimentano un classificatore di machine learning.

Questa formazione è computazionalmente intensiva, e in futuro il team di Willcox collaborerà con il Texas Advanced Computing Center (TACC) presso UT Austin per utilizzare il supercalcolo per generare set di addestramento ancora più grandi che considerino scenari di volo più complessi. Una volta terminato l'allenamento, la classificazione online può essere eseguita molto rapidamente.

Utilizzando questi metodi di riduzione e scomposizione del modello, Willcox è stato in grado di ottenere un 1, Accelerazione di 000 volte, riducendo i tempi di simulazione da ore o minuti a secondi, pur mantenendo la precisione necessaria per il processo decisionale.

"Il metodo è altamente interpretabile, ", ha detto. "Posso tornare indietro e vedere quale sensore contribuisce alla classificazione in uno stato". l'UAV.

In una dimostrazione che Willcox ha mostrato alla conferenza, un UAV che attraversava un percorso a ostacoli è stato in grado di riconoscere la propria salute in declino e tracciare un percorso più conservativo per assicurarsi di tornare a casa in sicurezza. Questo è un test che gli UAV devono superare per poter essere distribuiti ampiamente in futuro.

"Il lavoro presentato dalla Dott.ssa Karen Willcox è un ottimo esempio dell'applicazione del paradigma DDDAS, per migliorare i metodi di modellazione e strumentazione e creare sistemi di supporto alle decisioni in tempo reale con l'accuratezza di modelli a grandezza naturale, " disse Frederica Darema, già Direttore dell'Ufficio per la Ricerca Scientifica dell'Aeronautica Militare, che ha sostenuto la ricerca.

"Il lavoro del Dr. Willcox ha dimostrato che l'applicazione di DDDAS crea la prossima generazione di ambienti e capacità di 'gemello digitale'. Tali progressi hanno un impatto enorme per una maggiore efficacia di sistemi e servizi critici nei settori della difesa e civile".

I gemelli digitali non sono il dominio esclusivo degli UAV; sono sempre più sviluppate per la produzione, raffinerie petrolifere, e auto da corsa di Formula 1. La tecnologia è stata nominata una delle 10 migliori tendenze tecnologiche strategiche di Gartner per il 2017 e il 2018.

"I gemelli digitali stanno diventando un imperativo aziendale, copre l'intero ciclo di vita di un bene o processo e costituisce la base per prodotti e servizi connessi, " ha detto Thomas Kaiser, SAP Senior Vice President di IoT, in un'intervista a Forbes del 2017. "Le aziende che non rispondono saranno lasciate indietro".

Per quanto riguarda la data science predittiva e lo sviluppo dei gemelli digitali, Willcox afferma:"Imparare dai dati attraverso la lente dei modelli è l'unico modo per rendere pratici problemi intrattabili. Riunisce i metodi e gli approcci dei campi della scienza dei dati, apprendimento automatico, e scienze e ingegneria computazionali, e li indirizza verso applicazioni ad alto impatto."