En un futuro no muy lejano, podemos esperar ver nuestros cielos llenos de vehículos aéreos no tripulados (UAV) entregando paquetes, tal vez incluso personas, de un lugar a otro.

En un mundo así También habrá un gemelo digital para cada UAV de la flota:un modelo virtual que seguirá al UAV a lo largo de su existencia, evolucionando con el tiempo.

"Es esencial que los UAV controlen su salud estructural, "dijo Karen Willcox, director del Instituto Oden de Ingeniería y Ciencias Computacionales de la Universidad de Texas en Austin (UT Austin) y experto en ingeniería aeroespacial computacional. "Y es esencial que tomen buenas decisiones que resulten en un buen comportamiento".

Ponente invitado en la Conferencia Internacional de Computación de Alto Rendimiento de 2019, Redes, Almacenamiento y análisis (SC19), Willcox compartió los detalles de un proyecto, respaldado principalmente por el programa de la Fuerza Aérea de los EE. UU. En Sistemas de Aplicaciones Dinámicos Controlados por Datos (DDDAS), para desarrollar un gemelo digital predictivo para un UAV personalizado. El proyecto es una colaboración entre UT Austin, MIT, Akselos, y Aurora Flight Sciences.

El gemelo representa cada componente del UAV, así como su todo integrado, utilizando modelos basados ​​en la física que capturan los detalles de su comportamiento desde la escala fina hasta el nivel macro. El gemelo también ingiere datos de sensores a bordo del vehículo e integra esa información con el modelo para crear predicciones en tiempo real de la salud del vehículo.

¿Está el UAV en peligro de estrellarse? ¿Debería cambiar su ruta planificada para minimizar los riesgos? Con un gemelo digital predictivo, este tipo de decisiones se pueden tomar sobre la marcha, para que los UAV sigan volando.

Más grande que Big Data

En su charla, Willcox compartió los avances tecnológicos y algorítmicos que permiten que un gemelo digital predictivo funcione de manera efectiva. También compartió su filosofía general sobre cómo se pueden abordar los problemas de "grandes consecuencias" en la ciencia y la ingeniería.

"Las grandes decisiones necesitan algo más que macrodatos, ", explicó." Necesitan modelos grandes, también."

Esta combinación de modelos basados ​​en la física y big data se denomina con frecuencia "aprendizaje de máquina científica". Y mientras que el aprendizaje automático, por sí mismo, ha tenido éxito en abordar algunos problemas, como la identificación de objetos, sistemas de recomendación, y juegos como Go:se requieren soluciones más sólidas para problemas en los que obtener una respuesta incorrecta puede resultar increíblemente costoso, o tener consecuencias de vida o muerte.

"Estos grandes problemas se rigen por complejos multiescala, fenómenos de multifísica, "Willcox dijo." Si cambiamos un poco las condiciones, podemos ver un comportamiento drásticamente diferente ".

En el trabajo de Willcox, El modelado computacional se combina con el aprendizaje automático para producir predicciones confiables. y también explicable. Las soluciones de caja negra no son lo suficientemente buenas para aplicaciones de alto impacto. Los investigadores (o médicos o ingenieros) necesitan saber por qué un sistema de aprendizaje automático se decidió por un resultado determinado.

En el caso del UAV gemelo digital, El sistema de Willcox es capaz de capturar y comunicar los cambios en evolución en la salud del UAV. También puede explicar qué lecturas de los sensores indican un deterioro de la salud e impulsan las predicciones.

Toma de decisiones en tiempo real en el borde

Las mismas presiones que requieren el uso de modelos basados ​​en la física:el uso de complejos, modelos de alta dimensión; la necesidad de cuantificar la incertidumbre; la necesidad de simular todos los escenarios posibles, también hace que el problema de crear gemelos digitales predictivos sea un desafío computacional.

Ahí es donde entra en juego un enfoque llamado reducción de modelo. Usando un método basado en proyecciones que desarrollaron, Willcox y sus colaboradores pueden identificar modelos aproximados que son más pequeños, pero de alguna manera codifica las dinámicas más importantes, de modo que puedan utilizarse para predicciones.

"Este método permite la posibilidad de crear de bajo costo, modelos basados ​​en la física que permiten gemelos digitales predictivos, " ella dijo.

Willcox tuvo que desarrollar otra solución para modelar las complejas interacciones físicas que ocurren en el UAV. En lugar de simular todo el vehículo como un todo, ella trabaja con Akselos para usar su enfoque que rompe el modelo (en este caso, el avión) en pedazos, por ejemplo, una sección de un ala y calcula los parámetros geométricos, propiedades materiales, y otros factores importantes de forma independiente, mientras que también tiene en cuenta las interacciones que ocurren cuando se ensambla todo el plano.

Cada componente está representado por ecuaciones diferenciales parciales y con alta fidelidad, Se utilizan métodos de elementos finitos y una malla computacional para determinar el impacto del vuelo en cada segmento, generar datos de entrenamiento basados ​​en la física que se alimentan a un clasificador de aprendizaje automático.

Esta formación es computacionalmente intensiva, y en el futuro, el equipo de Willcox colaborará con el Centro de Computación Avanzada de Texas (TACC) en UT Austin para usar la supercomputación para generar conjuntos de entrenamiento aún más grandes que consideran escenarios de vuelo más complejos. Una vez que se realiza el entrenamiento, La clasificación en línea se puede hacer muy rápidamente.

Usando estos métodos de reducción y descomposición de modelos, Willcox pudo lograr un 1, 000 veces más rápido, reduciendo los tiempos de simulación de horas o minutos a segundos, mientras se mantiene la precisión necesaria para la toma de decisiones.

"El método es muy interpretable, ", dijo." Puedo volver y ver qué sensor está contribuyendo a ser clasificado en un estado ". El proceso se presta naturalmente a la selección del sensor y a determinar dónde se deben colocar los sensores para capturar detalles críticos para la salud y la seguridad de el UAV.

En una demostración que Willcox mostró en la conferencia, un UAV que atravesaba una carrera de obstáculos pudo reconocer su propia salud en declive y trazar un camino que era más conservador para asegurar que regresara a casa de manera segura. Esta es una prueba que los UAV deben pasar para que se implementen ampliamente en el futuro.

"El trabajo presentado por la Dra. Karen Willcox es un gran ejemplo de la aplicación del paradigma DDDAS, para mejorar los métodos de modelado e instrumentación y crear sistemas de apoyo a la toma de decisiones en tiempo real con la precisión de modelos a gran escala, "dijo Frederica Darema, ex Director de la Oficina de Investigación Científica de la Fuerza Aérea, que apoyó la investigación.

"El trabajo del Dr. Willcox demostró que la aplicación de DDDAS crea la próxima generación de entornos y capacidades de 'gemelos digitales'. Estos avances tienen un impacto enorme para una mayor eficacia de los sistemas y servicios críticos en los sectores de defensa y civil".

Los gemelos digitales no son dominio exclusivo de los UAV; se desarrollan cada vez más para la fabricación, Refinerías de petroleo, y coches de carreras de Fórmula 1. La tecnología fue nombrada una de las 10 principales tendencias tecnológicas estratégicas de Gartner para 2017 y 2018.

"Los gemelos digitales se están convirtiendo en un imperativo empresarial, cubriendo todo el ciclo de vida de un activo o proceso y formando la base para productos y servicios conectados, "dijo Thomas Kaiser, Vicepresidente sénior de IoT de SAP, en una entrevista de Forbes de 2017. "Las empresas que no respondan se quedarán atrás".

Con respecto a la ciencia de datos predictivos y el desarrollo de gemelos digitales, Willcox dice:"Aprender de los datos a través de la lente de los modelos es la única manera de hacer prácticos problemas intratables. Reúne los métodos y enfoques de los campos de la ciencia de datos, aprendizaje automático, y ciencia e ingeniería computacionales, y los dirige a aplicaciones de alto impacto ".