Inom en inte alltför avlägsen framtid, vi kan förvänta oss att se vår himmel fyllas med obemannade flygfarkoster (UAV) som levererar paket, kanske till och med människor, från plats till plats.

I en sådan värld, Det kommer också att finnas en digital tvilling för varje UAV i flottan:en virtuell modell som kommer att följa UAV:en genom dess existens, utvecklas med tiden.

"Det är viktigt att UAV:er övervakar sin strukturella hälsa, sa Karen Willcox, chef för Oden Institute for Computational Engineering and Sciences vid University of Texas i Austin (UT Austin) och expert på beräkningsteknik för flyg- och rymdteknik. "Och det är viktigt att de fattar bra beslut som resulterar i bra beteende."

En inbjuden talare vid 2019 års internationella konferens för högpresterande datoranvändning, Nätverk, Lagring och analys (SC19), Willcox delade med sig av detaljerna i ett projekt – som främst stöds av U.S. Air Force-programmet i Dynamic Data-Driven Application Systems (DDDAS) – för att utveckla en prediktiv digital tvilling för en specialbyggd UAV. Projektet är ett samarbete mellan UT Austin, MIT, Akselos, och Aurora Flight Sciences.

Tvillingen representerar varje komponent i UAV, såväl som dess integrerade helhet, med hjälp av fysikbaserade modeller som fångar detaljerna i dess beteende från finskalan till makronivån. Tvillingen tar också in ombord sensordata från fordonet och integrerar den informationen med modellen för att skapa realtidsförutsägelser om fordonets hälsa.

Riskerar UAV:en att krascha? Bör den ändra sin planerade rutt för att minimera riskerna? Med en prediktiv digital tvilling, den här typen av beslut kan fattas i farten, för att hålla UAV flygande.

Större än Big Data

I hennes föredrag, Willcox delade med sig av de tekniska och algoritmiska framstegen som gör att en prediktiv digital tvilling kan fungera effektivt. Hon delade också med sig av sin allmänna filosofi för hur "högkonsekvens"-problem kan lösas inom vetenskap och teknik.

"Stora beslut behöver mer än bara big data, " förklarade hon. "De behöver stora modeller, för."

Denna kombination av fysikbaserade modeller och big data kallas ofta för "vetenskaplig maskininlärning". Och medan maskininlärning, av sig själv, har lyckats lösa vissa problem – som objektidentifiering, rekommendationssystem, och spel som Go – mer robusta lösningar krävs för problem där det kan vara oerhört kostsamt att få fel svar, eller få konsekvenser på liv eller död.

"Dessa stora problem styrs av komplexa multiscale, multifysikfenomen, " sa Willcox. "Om vi ​​ändrar förhållandena lite, vi kan se drastiskt olika beteende."

I Willcox arbete, beräkningsmodellering är ihopkopplad med maskininlärning för att producera förutsägelser som är tillförlitliga, och även förklarande. Black box-lösningar är inte tillräckligt bra för högkonsekvensapplikationer. Forskare (eller läkare eller ingenjörer) behöver veta varför ett maskininlärningssystem satte sig på ett visst resultat.

När det gäller den digitala tvilling-UAV, Willcoxs system kan fånga och kommunicera de framväxande förändringarna i UAV:s hälsa. Det kan också förklara vilka sensoravläsningar som indikerar sjunkande hälsa och driver förutsägelserna.

Beslutsfattande i realtid vid kanten

Samma tryck som kräver användning av fysikbaserade modeller – användningen av komplexa, högdimensionella modeller; behovet av kvantifiering av osäkerhet; nödvändigheten av att simulera alla möjliga scenarier – gör också problemet med att skapa prediktiva digitala tvillingar till ett beräkningsmässigt utmanande.

Det är där ett tillvägagångssätt som kallas modellreduktion kommer in i bilden. Med hjälp av en projektionsbaserad metod utvecklade de, Willcox och hennes medarbetare kan identifiera ungefärliga modeller som är mindre, men koda på något sätt den viktigaste dynamiken, så att de kan användas för förutsägelser.

"Denna metod tillåter möjligheten att skapa låg kostnad, fysikbaserade modeller som möjliggör prediktiva digitala tvillingar, " Hon sa.

Willcox var tvungen att utveckla en annan lösning för att modellera de komplexa fysiska interaktioner som uppstår på UAV. Istället för att simulera hela fordonet som helhet, hon arbetar med Akselos för att använda deras tillvägagångssätt som bryter mot modellen (i det här fallet, planet) i bitar – till exempel, en sektion av en vinge – och beräknar de geometriska parametrarna, materialegenskaper, och andra viktiga faktorer oberoende, samtidigt som man tar hänsyn till interaktioner som uppstår när hela planet sätts ihop.

Varje komponent representeras av partiella differentialekvationer och vid high fidelity, finita elementmetoder och ett beräkningsnät används för att bestämma flygningens inverkan på varje segment, generera fysikbaserad träningsdata som matas in i en maskininlärningsklassificerare.

Denna utbildning är beräkningsintensiv, och i framtiden kommer Willcox team att samarbeta med Texas Advanced Computing Center (TACC) vid UT Austin för att använda superdatorer för att generera ännu större träningsuppsättningar som tar hänsyn till mer komplexa flygscenarier. När träningen väl är klar, onlineklassificering kan göras mycket snabbt.

Genom att använda dessa modeller för reduktion och nedbrytningsmetoder, Willcox kunde uppnå en 1, 000 gångers hastighet – minskar simuleringstiderna från timmar eller minuter till sekunder – samtidigt som den noggrannhet som behövs för beslutsfattande bibehålls.

"Metoden är mycket tolkbar, " sa hon. "Jag kan gå tillbaka och se vilken sensor som bidrar till att klassificeras i ett tillstånd." Processen lämpar sig naturligtvis för sensorval och till att bestämma var sensorer måste placeras för att fånga detaljer som är avgörande för hälsa och säkerhet hos UAV:en.

I en demonstration som Willcox visade på konferensen, en UAV som korsade en hinderbana kunde känna igen sin egen försämrade hälsa och kartlägga en väg som var mer konservativ för att försäkra sig om att den kom tillbaka hem på ett säkert sätt. Detta är ett test som UAV:er måste klara för att de ska kunna distribueras brett i framtiden.

"Arbetet som presenteras av Dr. Karen Willcox är ett bra exempel på tillämpningen av DDDAS-paradigmet, för att förbättra modellering och instrumenteringsmetoder och skapa beslutsstödssystem i realtid med noggrannheten hos fullskaliga modeller, sa Frederica Darema, tidigare chef för flygvapnets kontor för vetenskaplig forskning, som stödde forskningen.

"Dr. Willcox arbete visade att tillämpningen av DDDAS skapar nästa generation av "digitala tvillingmiljöer" och kapaciteter. Sådana framsteg har enorm inverkan för ökad effektivitet hos kritiska system och tjänster inom försvars- och civila sektorer."

Digitala tvillingar är inte den exklusiva domänen för UAV; de utvecklas alltmer för tillverkning, oljeraffinaderier, och Formel 1 racerbilar. Tekniken utsågs till en av Gartners topp 10 strategiska teknologitrender för 2017 och 2018.

"Digitala tvillingar blir ett affärsbehov, täcker hela livscykeln för en tillgång eller process och utgör grunden för anslutna produkter och tjänster, sa Thomas Kaiser, SAP Senior Vice President för IoT, i en Forbes-intervju 2017. "Företag som inte svarar kommer att bli kvar."

När det gäller prediktiv datavetenskap och utvecklingen av digitala tvillingar, Willcox säger:"Att lära sig av data genom modellernas lins är det enda sättet att göra svårlösta problem praktiska. Det sammanför metoderna och tillvägagångssätten från datavetenskapens områden, maskininlärning, och beräkningsvetenskap och teknik, och riktar dem mot tillämpningar med hög konsekvens."