Los Gemelos Digitales intervienen básicamente en los siguientes puntos:
- Optimización de procesos. El gemelo digital permite modificar variables como presión o temperatura de manera rápida y ahorrar tiempos.
- Análisis predictivo. El gemelo digital se configura para un tiempo futuro y anticipar fallos y errores que podría tener la infraestructura.
- Simulación de nuevos escenarios, creando varios modelos virtuales sobre el gemelo digital y testeándolos hasta dar con la formula correcta, si alterar o modificar la cadena de producción real.
Hay un enorme valor añadido al realizar escenarios de “qué pasaría si”, y predecir el rendimiento futuro.
El objetivo final del gemelo digital es la conexión en bucle cerrado entre el mundo virtual de desarrollo de productos y la planificación de la producción en el mundo físico del sistema de producción.
Simulación Física de los Gemelos Digitales
La combinación de los modelos de simulación basados en la física, proporcionan mejores predicciones para otros gemelos digitales y pueden abordar cualquier campo que pueda ser simulado o modelado de manera analítica. Incluso pueden integrarse varias de estas simulaciones para desarrollar modelos integrados más completos y en los cuales intervengan diferentes físicas pudiendo ser alguna de estas físicas directamente datos de sensores.
Los modelos analíticos tienen una solución de forma cerrada, es decir la solución de ecuaciones utilizadas para describir los cambios en un sistema se pueden expresar como una función analítica matemática donde las variables solución es función explicita del resto de parámetros.
Pueden ser Modelos Analíticos
Son modelos matemáticos que tienen solución de forma cerrada. La solución de las ecuaciones utilizadas para describir los cambios en un sistema se expresa como una función analítica, donde la variable solución es función explicita del resto de parámetros.
Los modelos analíticos permiten ver si la influencia de parámetros aumenta o disminuye con el tiempo, si el modelo converge hacia algún estado final cada vez más estable, o si fluctúa mostrando un comportamiento periódico.
Modelos de Simulación
Hay muchas aplicaciones en el mundo real que no pueden resolverse con fórmulas exactas o analíticas, es común reducir el problema a casos especiales y situaciones simplificadas y estudiarlas en detalle
El objetivo de estos modelos numéricos es descubrir conceptos y propiedades aplicables de modo general, que puedan guiarnos hacia problemas más difíciles
El modelo analítico simplificado del problema se convierte en un modelo numérico que se puede resolver por un conjunto finito de operaciones aritméticas básicas y constituye una aproximación de un modelo analítico, lo que implica un error.
Modelos Reducidos y Machine Learning
Los modelos reducidos representan una estrategia numérica que tiene como objetivo el transformar sistemas complejos y multivariable en una aproximación matemática menos compleja. Incluyen una reducción del alcance de la definición del sistema para aproximar el sistema a través de un modelo matemático que presenta las siguientes ventajas:
- Descripción de un sistema parcial o totalmente desconocido.
- Tiempos de ordenado razonables.
- Puede formar parte de un modelo construido a partir de varios gemelos digitales, donde el sistema real está dividido en bloques más sencillos, cada uno aproximado por un gemelo digital.
Tensor Rank Descomposición ( TRD )
Un sistema complejo se puede describir a través de la interacción de diferentes variables. Si queremos conocer la respuesta del sistema modificado solo una de las variables puede que sea imposible obtener una única fórmula que describa el sistema, ya que las variables pueden verse afectadas también entre sí.
Obtener una relación matemática entre las variables y la respuesta del sistema puede convertirse en una tarea compleja. La posibilidad de describir el sistema a través de funciones independientes, una para cada variable del sistema es la base de la descomposición TRD.
La descomposición TRD es una técnica de descomposición de tensores, de objetos matemáticos que pueden ser vistos como mapas multilineales que contienen información sobre las relaciones paramétricas del sistema. Los tensores multidimensionales tendrán tantas dimensiones como parámetros se hayan incluidos en el sistema
La descomposición TRD es un método numérico para modelos de orden reducido y se basa en asumir que un problema de N variables, puede escribirse como el producto de N funciones dimensionales, una para cada una de las variables del sistema. Permite por tanto descomponer nuestro tensor de N dimensiones en M tensores unidimensionales.
