Num futuro não muito distante, podemos esperar ver nossos céus cheios de veículos aéreos não tripulados (UAVs) entregando pacotes, talvez até pessoas, de local para local.

Em tal mundo, também haverá um gêmeo digital para cada UAV da frota:um modelo virtual que acompanhará o UAV ao longo de sua existência, evoluindo com o tempo.

“É essencial que os UAVs monitorem sua saúde estrutural, "disse Karen Willcox, diretor do Instituto Oden de Engenharia e Ciências Computacionais da Universidade do Texas em Austin (UT Austin) e especialista em engenharia aeroespacial computacional. "E é essencial que eles tomem boas decisões que resultem em bom comportamento."

Um palestrante convidado na Conferência Internacional de Computação de Alto Desempenho de 2019, Networking, Armazenamento e análise (SC19), Willcox compartilhou os detalhes de um projeto - apoiado principalmente pelo programa da Força Aérea dos EUA em Dynamic Data-Driven Application Systems (DDDAS) - para desenvolver um gêmeo digital preditivo para um UAV personalizado. O projeto é uma colaboração entre a UT Austin, MIT, Akselos, e Aurora Flight Sciences.

O gêmeo representa cada componente do UAV, bem como seu todo integrado, usando modelos baseados na física que capturam os detalhes de seu comportamento desde a escala fina até o nível macro. O gêmeo também ingere dados do sensor a bordo do veículo e integra essas informações com o modelo para criar previsões em tempo real da saúde do veículo.

O UAV corre o risco de cair? Deve mudar sua rota planejada para minimizar os riscos? Com um gêmeo digital preditivo, esse tipo de decisão pode ser feito na hora, para manter os UAVs voando.

Maior que Big Data

Em sua conversa, Willcox compartilhou os avanços tecnológicos e algorítmicos que permitem que um gêmeo digital preditivo funcione com eficácia. Ela também compartilhou sua filosofia geral sobre como os problemas de "alta consequência" podem ser tratados na ciência e na engenharia.

"Grandes decisões precisam de mais do que apenas grandes volumes de dados, "ela explicou." Eles precisam de modelos grandes, também."

Essa combinação de modelos baseados em física e big data é frequentemente chamada de "aprendizado de máquina científico". E enquanto o aprendizado de máquina, por si próprio, teve sucesso na resolução de alguns problemas, como identificação de objetos, sistemas de recomendação, e jogos como Go - soluções mais robustas são necessárias para problemas em que obter a resposta errada pode ser incrivelmente caro, ou ter consequências de vida ou morte.

"Esses grandes problemas são governados por multiescala complexas, fenômenos multi-físicos, "Willcox disse." Se mudarmos um pouco as condições, podemos ver um comportamento drasticamente diferente. "

No trabalho de Willcox, modelagem computacional é combinada com aprendizado de máquina para produzir previsões confiáveis, e também explicável. As soluções de caixa preta não são boas o suficiente para aplicações de altas consequências. Pesquisadores (ou médicos ou engenheiros) precisam saber por que um sistema de aprendizado de máquina se estabeleceu em um determinado resultado.

No caso do UAV gêmeo digital, O sistema de Willcox é capaz de capturar e comunicar as mudanças em evolução na saúde do UAV. Também pode explicar quais leituras do sensor estão indicando o declínio da saúde e direcionando as previsões.

Tomada de decisão em tempo real no limite

As mesmas pressões que exigem o uso de modelos baseados na física - o uso de complexos, modelos de alta dimensão; a necessidade de quantificação da incerteza; a necessidade de simular todos os cenários possíveis - também torna o problema de criar gêmeos digitais preditivos um desafio computacional.

É aí que uma abordagem chamada redução de modelo entra em jogo. Usando um método baseado em projeção, eles desenvolveram, Willcox e seus colaboradores podem identificar modelos aproximados que são menores, mas de alguma forma codifica a dinâmica mais importante, de modo que eles podem ser usados ​​para previsões.

“Esse método possibilita a criação de baixo custo, modelos baseados na física que permitem gêmeos digitais preditivos, " ela disse.

Willcox teve que desenvolver outra solução para modelar as complexas interações físicas que ocorrem no UAV. Em vez de simular o veículo inteiro como um todo, ela trabalha com Akselos para usar sua abordagem que quebra o modelo (neste caso, o avião) em pedaços, por exemplo, uma seção de uma asa - e calcula os parâmetros geométricos, propriedades do material, e outros fatores importantes de forma independente, ao mesmo tempo em que leva em conta as interações que ocorrem quando todo o plano é montado.

Cada componente é representado por equações diferenciais parciais e em alta fidelidade, métodos de elementos finitos e uma malha computacional são usados ​​para determinar o impacto do voo em cada segmento, gerar dados de treinamento com base na física que alimentam um classificador de aprendizado de máquina.

Este treinamento é computacionalmente intensivo, e no futuro a equipe de Willcox irá colaborar com o Texas Advanced Computing Center (TACC) na UT Austin para usar supercomputação para gerar conjuntos de treinamento ainda maiores que consideram cenários de voo mais complexos. Assim que o treinamento estiver concluído, a classificação online pode ser feita muito rapidamente.

Usando esses métodos de redução e decomposição de modelo, Willcox conseguiu atingir 1, Aceleração de 000 vezes - reduzindo os tempos de simulação de horas ou minutos para segundos - enquanto mantém a precisão necessária para a tomada de decisões.

"O método é altamente interpretável, ", disse ela." Posso voltar e ver qual sensor está contribuindo para ser classificado em um estado. "O processo naturalmente se presta à seleção do sensor e à determinação de onde os sensores precisam ser colocados para capturar detalhes críticos para a saúde e segurança de o UAV.

Em uma demonstração que Willcox mostrou na conferência, um UAV atravessando uma pista de obstáculos foi capaz de reconhecer sua própria saúde em declínio e traçar um caminho mais conservador para garantir que ele voltasse para casa com segurança. Este é um teste que os UAVs devem passar para que sejam amplamente implantados no futuro.

“O trabalho apresentado pela Dra. Karen Willcox é um ótimo exemplo da aplicação do paradigma DDDAS, para melhorar os métodos de modelagem e instrumentação e criar sistemas de apoio à decisão em tempo real com a precisão dos modelos em escala real, "disse Frederica Darema, ex-Diretor do Escritório de Pesquisa Científica da Força Aérea, quem apoiou a pesquisa.

"O trabalho do Dr. Willcox mostrou que a aplicação de DDDAS cria a próxima geração de ambientes e recursos 'gêmeos digitais'. Esses avanços têm um enorme impacto para aumentar a eficácia de sistemas e serviços críticos nos setores de defesa e civil."

Gêmeos digitais não são domínio exclusivo dos UAVs; estão cada vez mais sendo desenvolvidos para manufatura, refinarias de petróleo, e carros de corrida de Fórmula 1. A tecnologia foi nomeada uma das 10 principais tendências tecnológicas estratégicas da Gartner para 2017 e 2018.

"Os gêmeos digitais estão se tornando um imperativo de negócios, cobrindo todo o ciclo de vida de um ativo ou processo e formando a base para produtos e serviços conectados, "disse Thomas Kaiser, Vice-presidente sênior de IoT da SAP, em uma entrevista de 2017 da Forbes. "As empresas que não responderem serão deixadas para trás."

Com relação à ciência de dados preditivos e ao desenvolvimento de gêmeos digitais, Willcox diz:"Aprender com dados através das lentes de modelos é a única maneira de tornar práticos problemas intratáveis. Reúne os métodos e as abordagens dos campos da ciência de dados, aprendizado de máquina, e ciência e engenharia computacional, e os direciona para aplicativos de alta conseqüência. "