En un futuro no muy lejano, podemos esperar ver nuestros cielos llenos de vehículos aéreos no tripulados UAV que entregan paquetes, tal vez incluso personas, de un lugar a otro.
En un mundo así, también habrá un gemelo digital para cada UAV en la flota: un modelo virtual que seguirá al UAV a través de su existencia, evolucionando con el tiempo.
"Es esencial que los UAV supervisen su salud estructural", dijo Karen Willcox, directora del Instituto Oden de Ingeniería y Ciencias Computacionales de la Universidad de Texas en Austin UT Austin y experta en ingeniería aeroespacial computacional ". Y es esencialque toman buenas decisiones que resultan en un buen comportamiento "
Un orador invitado en la Conferencia Internacional de 2019 para Computación, Redes, Almacenamiento y Análisis de Alto Rendimiento SC19, Willcox compartió los detalles de un proyecto, apoyado principalmente por el programa de la Fuerza Aérea de los EE. UU. En Sistemas de Aplicación Dinámica Controlada 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 conjunto 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 los datos del sensor a bordo deel vehículo e integra esa información con el modelo para crear predicciones en tiempo real de la salud del vehículo.
¿El UAV está 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 mantener los UAV 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 "alta consecuencia" en la ciencia y la ingeniería.
"Las grandes decisiones necesitan algo más que grandes datos", explicó. "También necesitan grandes modelos".
Esta combinación de modelos basados en la física y big data con frecuencia se denomina "aprendizaje automático científico". Y aunque el aprendizaje automático, por sí solo, ha tenido éxito al abordar algunos problemas, como la identificación de objetos, los sistemas de recomendación y los juegos como Go,- se requieren soluciones más sólidas para problemas en los que obtener la respuesta incorrecta puede ser increíblemente costoso o tener consecuencias de vida o muerte.
"Estos grandes problemas se rigen por fenómenos complejos multiescala y física", dijo Willcox. "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 explicables. Las soluciones de caja negra no son lo suficientemente buenas para aplicaciones de alta consecuencia. Los investigadores o médicos o ingenieros necesitan saber por qué una máquinasistema de aprendizaje establecido en un determinado resultado.
En el caso del UAV gemelo digital, el sistema de Willcox puede capturar y comunicar los cambios evolutivos en la salud del UAV. También puede explicar qué lecturas de los sensores indican una disminución de la salud e impulsar 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 modelos complejos de alta dimensión; la necesidad de cuantificar la incertidumbre; la necesidad de simular todos los escenarios posibles también plantea el problema de crear gemelos digitales predictivosuno computacionalmente desafiante.
Ahí es donde entra en juego un enfoque llamado reducción de modelo. Utilizando un método basado en proyección que desarrollaron, Willcox y sus colaboradores pueden identificar modelos aproximados que son más pequeños, pero de alguna manera codifican la dinámica más importante, de modo que puedan usarse para predicciones.
"Este método permite la posibilidad de crear modelos de bajo costo basados en la física que permiten gemelos digitales predictivos", 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 en su conjunto, ella trabaja con Akselos para usar su enfoque que rompe el modelo en este caso, el aviónen pedazos, por ejemplo, una sección de un ala, y calcula los parámetros geométricos, las propiedades del material y otros factores importantes de forma independiente, al tiempo que explica las interacciones que se producen cuando todo el plano se une
Cada componente está representado por ecuaciones diferenciales parciales y a alta fidelidad, se utilizan métodos de elementos finitos y una malla computacional para determinar el impacto del vuelo en cada segmento, generando datos de entrenamiento basados en la física que se alimentan en un clasificador de aprendizaje automático.
Esta capacitación 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 capacitación aún más grandes que consideren escenarios de vuelo más complejos. Una vez que se realiza la capacitación, en líneaLa clasificación se puede hacer muy rápidamente.
Utilizando estos métodos de reducción y descomposición del modelo, Willcox pudo lograr una velocidad de 1,000 veces - cortando los tiempos de simulación de horas o minutos a segundos - mientras mantenía la precisión necesaria para la toma de decisiones.
"El método es altamente interpretable", dijo. "Puedo regresar 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 deben colocarse los sensores.capturar detalles críticos para la salud y la seguridad del 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 aprobarellos se desplegarán 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 soporte de decisiones en tiempo real con la precisión de los 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 'gemelas digitales'. Estos avances tienen un enorme impacto para una mayor efectividad de los sistemas y servicios críticos en los sectores de defensa y civiles".
Los gemelos digitales no son el dominio exclusivo de los UAV; se están desarrollando cada vez más para la fabricación, las refinerías de petróleo y los autos 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 comercial, cubriendo todo el ciclo de vida de un activo o proceso y formando la base para productos y servicios conectados", dijo Thomas Kaiser, vicepresidente senior de SAP de IoT, en una entrevista de Forbes en 2017.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 forma de hacer que los problemas intratables sean prácticos. Reúne los métodos y los enfoques de los campos de datosciencia, aprendizaje automático y ciencias e ingeniería computacionales, y las dirige a aplicaciones de alta consecuencia "
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :