La technologie numérique à double fonction est la transformation des industries en créant des répliques virtuelles dynamiques de biens physiques, de systèmes ou de processus. Au cœur de ces contreparties numériques se trouve la modélisation fonctionnelle – la discipline qui définit comment un jumeau numérique se comporte, réagit et interagit avec son environnement et avec d'autres systèmes.

État actuel de la modélisation fonctionnelle

Aujourd'hui, la modélisation fonctionnelle des jumeaux numériques est principalement basée sur des simulations basées sur la physique, la dynamique du système et les modèles comportementaux axés sur les données. Les ingénieurs et les data savants créent des représentations détaillées qui reflètent les fonctions réelles des machines, des bâtiments, des chaînes d'approvisionnement, voire des villes entières. Ces modèles reposent sur un flux continu de données provenant de capteurs Internet of Things (IoT), de systèmes de contrôle et d'acquisition de données (SCADA) et d'historiques enregistrements opérationnels.

Dans le domaine de l'aviation, les jumelles numériques des moteurs à réaction utilisent des modèles fonctionnels pour prévoir la durée de vie des composants et les révisions de leur calendrier. Toutefois, la plupart des implémentations actuelles sont encore en grande partie statiques : elles sont formées sur des données historiques et mises à jour périodiquement, plutôt que de s'adapter en temps réel aux nouvelles conditions d'exploitation. Cette limitation est un moteur important pour la prochaine génération d'approches de modélisation fonctionnelle.

Technologies clés qui conduisent à l'évolution de la modélisation fonctionnelle

L'avenir de la modélisation fonctionnelle sera façonné par plusieurs forces technologiques convergentes, notamment les progrès de l'intelligence artificielle, l'élargissement des capacités d'intégration des données et la maturation de l'infrastructure de simulation et de calcul.

Intelligence artificielle et intégration de l'apprentissage automatique

L'IA et l'apprentissage machine (ML) passent de la modélisation fonctionnelle des simulations statiques à la simulation adaptative. Au lieu d'exiger des ingénieurs qu'ils codent manuellement tous les comportements possibles, les algorithmes ML peuvent découvrir les modèles dans les données des capteurs et mettre à jour le modèle automatiquement. Par exemple, l'apprentissage de renforcement peut aider un jumeau numérique à prédire la stratégie de contrôle optimale d'un bras robotique sous des charges variables, en apprenant de chaque cycle.Cette capacité permet aux jumelles numériques de gérer des dynamiques complexes et non linéaires difficiles à modéliser analytiquement.

Intégration et interopérabilité élargies des données

Les futurs modèles fonctionnels s'appuieront sur une gamme de sources de données beaucoup plus large qu'aujourd'hui. Les flux de capteurs en temps réel, les images satellitaires, les données météorologiques, le sentiment des médias sociaux et les prix du marché peuvent tous influencer le comportement d'un actif physique. Par exemple, un jumeau numérique d'un parc éolien pourrait intégrer les prévisions de vitesse éolienne, les données de vibration de turbine et les prix au comptant de l'électricité pour optimiser la production d'électricité.

Informatique en nuage et en bordure

Les exigences informatiques de la modélisation fonctionnelle de haute fidélité sont immenses. Le cloud computing fournit des ressources évolutives pour la formation de modèles complexes et l'exécution de simulations à grande échelle. Cependant, de nombreux cas d'utilisation nécessitent des réponses en temps réel ou quasi-réel. Par exemple, un jumeau numérique pour la navigation autonome doit réagir en millisecondes. Le frame computing s'attaque à cela en exécutant des exemples de modèles plus légers plus près de l'actif physique, avec le cloud manipulant des analyses lourdes et des mises à jour de modèles.

Modélisation sémantique et ontologique

La modélisation sémantique utilise des ontologies – représentations formelles de la connaissance – pour définir les fonctions, les propriétés et les dépendances des composants du système. Par exemple, un modèle sémantique fonctionnel peut déduire qu'une augmentation de la température du moteur peut être liée à une réduction de la lubrification, même si aucun capteur direct ne mesure cette relation. Les ontologies facilitent également l'interopérabilité entre les jumelles numériques de différents fournisseurs ou domaines, permettant ce que l'on appelle parfois un jumeau numérique « système de systèmes ». Cette approche s'enlise dans les initiatives de la ville intelligente, où les jumelles numériques de transport, d'énergie et d'eau doivent communiquer et coordonner.

Co-simulation et modélisation multiphysique

Les systèmes du monde réel impliquent souvent plusieurs domaines physiques interactifs – thermiques, électriques, mécaniques, hydrauliques, etc.. Les outils de cosimulation permettent aux modèles fonctionnels de différents domaines de fonctionner simultanément et d'échanger des données à chaque étape. Cette capacité est essentielle pour les jumeaux numériques de systèmes complexes tels que les véhicules électriques (où la gestion thermique des batteries, le contrôle moteur et la dynamique du véhicule interagissent) ou les usines chimiques (où la cinétique de réaction, le flux de fluide et le transfert de chaleur sont étroitement couplés).

Tendances nouvelles de la modélisation fonctionnelle pour les jumeaux numériques

En s'appuyant sur ces technologies, plusieurs tendances spécifiques ont été modifiées pour modifier la façon dont les modèles fonctionnels sont conçus, déployés et entretenus.

Modèles adaptatifs et auto-apprentissage

La tendance la plus transformatrice est le passage vers des modèles qui apprennent continuellement à partir de données en continu. Au lieu d'être formés une fois et gelés, les modèles fonctionnels mettent à jour leurs paramètres en temps réel à mesure que de nouvelles observations deviennent disponibles. Par exemple, un jumeau numérique d'un convoyeur de fabrication pourrait détecter des changements dans le roulement de friction et ajuster automatiquement ses modèles prédictifs pour déterminer la probabilité de défaillance.

L'homme dans la boucle et l'explicitabilité

Malgré les progrès de l'automatisation, le jugement humain demeure crucial pour les décisions critiques.Les futurs modèles fonctionnels intégreront des flux de travail humains dans la boucle (HITL), où le modèle explique ses prédictions et permet aux opérateurs de dépasser ou de peaufiner les comportements.Des méthodes d'IA (XAI) explicables sont en cours de développement pour rendre transparent le fonctionnement intérieur des modèles fonctionnels, par exemple, en soulignant les facteurs d'entrée les plus fortement influencés par un échec prédit.

Fédérations et marchés jumelés numériques

Un modèle fonctionnel d'une chaîne d'approvisionnement pourrait se connecter à des jumeaux numériques de différentes usines, entrepôts et fournisseurs de logistique pour optimiser les performances de bout en bout. Les marchés pour les composants numériques jumelés – y compris les modèles fonctionnels – émergent, permettant aux entreprises d'acheter, de vendre ou de souscrire à des modules de simulation validés. Cette tendance pourrait démocratiser l'accès à des capacités de modélisation avancées, permettant aux petites entreprises d'intégrer des modèles fonctionnels de haute qualité sans les construire à partir de zéro.

Durabilité et opérations écologiques

La modélisation fonctionnelle est de plus en plus utilisée pour mener des initiatives de durabilité. Les jumeaux numériques peuvent modéliser la consommation d'énergie, les émissions de carbone, la production de déchets et l'utilisation de l'eau, puis recommander des changements opérationnels pour réduire l'impact environnemental. Par exemple, un jumeau numérique d'un centre de données pourrait modéliser le compromis entre l'énergie de refroidissement et les performances du serveur, en trouvant le bon endroit qui minimise l'empreinte carbone globale.

Défis à relever face à l'avenir de la modélisation fonctionnelle

La voie de la modélisation fonctionnelle de la prochaine génération n'est pas sans obstacles. Il faut relever les défis clés pour libérer tout le potentiel des jumeaux numériques.

Qualité des données et validation du modèle

L'absence de données cohérentes, bruyantes ou incomplètes conduit à des prédictions inexactes. La qualité des données entre différentes sources, surtout lorsqu'on utilise des données externes comme les données météorologiques ou les flux du marché, est un défi majeur. De plus, la validation qu'un modèle continue de représenter correctement l'actif physique au fil du temps (appelé étalonnage et vérification du modèle) nécessite des efforts continus.

Sécurité et confidentialité

Un modèle fonctionnel qui contrôle un réseau électrique ou une cellule de fabrication pourrait être manipulé pour causer des dommages physiques. La protection de l'intégrité du modèle et des données qu'il utilise est une priorité. Des techniques telles que la blockchain pour le contrôle de la version du modèle, le chiffrement homomorphe pour un calcul sécurisé et des contrôles d'accès rigoureux sont à l'étude. De plus, des préoccupations de confidentialité se posent lorsque les modèles fonctionnels intègrent des données sensibles (p. ex. des jumeaux numériques de soins de santé); des approches d'apprentissage fédérées où le modèle s'entraîne localement sans partager des données brutes sont une solution prometteuse.

Scalabilité informatique

La modélisation fonctionnelle en temps réel de systèmes complexes peut être intensive en calcul. L'exécution de simulations à haute fidélité parallèlement au traitement en continu des données nécessite des ressources matérielles importantes, surtout lorsque de nombreuses occasions sont nécessaires pour une flotte d'actifs identiques. Bien que l'informatique en nuage offre des contraintes d'évolutivité, de latence et de bande passante peut être problématique.

Normalisation et interopérabilité

L'absence de normes universelles pour la modélisation fonctionnelle demeure un obstacle. Différents fournisseurs utilisent des formats propriétaires pour la description des modèles, l'échange de données et les API. Cette fragmentation rend difficile l'intégration de jumeaux numériques de sources multiples ou la migration de modèles entre les plateformes. Les consortiums industriels (comme l'Industrial Digital Twin Association ou l'initiative Asset Administration Shell dans la fabrication) travaillent sur des normes, mais une large convergence est probablement loin d'être faite.

La main-d'oeuvre et les compétences

La construction et le maintien de modèles fonctionnels avancés exigent une expertise dans de nombreux domaines : la physique, la science des données, l'ingénierie logicielle et souvent une compréhension approfondie de l'industrie spécifique. Le bassin de talents pour de telles compétences interdisciplinaires est encore petit.

Possibilités et impact dans l'ensemble des industries

Malgré ces défis, les possibilités offertes par la modélisation fonctionnelle avancée sont vastes.

Fabrication et automatisation industrielle

Dans la fabrication, les jumelles numériques avec des modèles fonctionnels adaptatifs peuvent permettre la production de lumières, où les machines auto-optimisation des horaires, détecter les défauts, et demander la maintenance de façon autonome. Les modèles fonctionnels soutiennent également l'intégration de fils numériques, reliant la conception, la production et le service après-vente. Par exemple, tout le cycle de vie d'un produit peut être simulé pour identifier les améliorations de conception avant le début de la production physique. Siemens a été un leader dans l'application de modèles fonctionnels aux jumelles numériques industrielles, en particulier dans les secteurs automobile et aérospatial.

Santé et sciences de la vie

La modélisation fonctionnelle en soins de santé peut simuler la physiologie du patient pour une planification personnalisée du traitement, prévoir la propagation des maladies infectieuses dans un établissement ou optimiser les flux de travail des hôpitaux. Par exemple, un jumeau numérique d'une unité de soins intensifs pourrait modéliser l'occupation du lit, la disponibilité du personnel et l'utilisation de l'équipement pour améliorer les résultats du patient. IBM Research a exploré les concepts numériques jumaux pour les soins de santé, mettant en évidence le potentiel des modèles fonctionnels pour transformer la prise de décision clinique.

Énergie et services publics

Les opérateurs du réseau électrique utilisent des jumelles numériques avec des modèles fonctionnels pour équilibrer l'offre et la demande, gérer les fluctuations des énergies renouvelables et prévenir les pannes. Les modèles fonctionnels d'éoliennes et de panneaux solaires aident à prédire la production en fonction des prévisions météorologiques, tandis que les modèles de lignes de transmission évaluent les limites thermiques et le risque de blocage. Le secteur énergétique bénéficie également de modèles fonctionnels qui simulent les processus de captage et de stockage du carbone. GE Digital offre des solutions numériques jumelles pour la production d'électricité qui reposent sur une modélisation fonctionnelle sophistiquée pour la gestion des performances des actifs.

Villes intelligentes et infrastructures

Des modèles fonctionnels permettent des analyses de ce que l'on peut faire, par exemple, en simulant l'impact d'une nouvelle ligne de métro sur les temps de trajet et la qualité de l'air. Le jumeau numérique virtuel de Singapour est un exemple important, utilisant la modélisation fonctionnelle pour aider les urbanistes à tester des scénarios avant de les mettre en œuvre.

Transports et logistique

Les entreprises de logistique utilisent des jumelles numériques pour optimiser la planification des routes, les opérations d'entrepôt et la gestion du parc.Les modèles fonctionnels peuvent simuler les effets des retards, des remorquages ou des changements de capacité dans une chaîne d'approvisionnement.Pour les véhicules autonomes, les jumelles numériques offrent un environnement sûr pour tester les modèles fonctionnels de perception, de planification et de contrôle avant de se déployer sur de vraies routes. Ansys offre des outils de simulation qui aident à créer des modèles fonctionnels de haute fidélité pour les applications automobiles et aérospatiales.

Perspectives d'avenir : Le Jumeau numérique autonome

En ce qui concerne l'avenir, la vision ultime de la modélisation fonctionnelle est le jumeau numérique autonome, un système auto-opérant et auto-guérisant qui nécessite une intervention humaine minimale. Un tel jumeau ne refléterait pas seulement l'actif physique mais prendrait également des mesures pour optimiser les performances, atténuer les risques et s'adapter aux événements imprévus.

  • Modèles d'autoguérison prédictifs qui peuvent anticiper les défaillances et reconfigurer le système avant qu'une panne ne se produise.
  • Collaboration multi-agents où des jumeaux numériques de différents actifs négocient pour atteindre des objectifs mondiaux (p. ex., réduire la demande énergétique maximale d'une ville).
  • L'apprentissage fédéré à travers les jumeaux numériques qui partagent des idées sans exposer de données exclusives, accélérant l'amélioration du modèle pour l'ensemble des flottes.
  • Intégration avec conception générative[ où les modèles fonctionnels non seulement simulent les systèmes existants, mais proposent également de nouvelles configurations pour les actifs de la prochaine génération.

La recherche dans les laboratoires universitaires et industriels est déjà en train de pousser dans ces directions. Par exemple, le Digital Twin Consortium développe activement des architectures de référence et des pratiques exemplaires pour les jumeaux numériques autonomes.

Conclusion

L'avenir de la modélisation fonctionnelle dans les technologies numériques jumelles est celui de l'intelligence, de la connectivité et de l'autonomie croissantes. Animés par l'intelligence artificielle, l'intégration étendue des données et une infrastructure informatique robuste, les modèles fonctionnels évolueront de représentations statiques vers des systèmes d'apprentissage adaptés qui améliorent continuellement leur compréhension de la réalité physique.Les défis entourant la qualité des données, la sécurité, la normalisation et les compétences demeurent, mais les récompenses potentielles – plus grande efficacité, durabilité et innovation dans l'ensemble des industries – sont immenses.