Dans un futur pas si lointain, nous pouvons nous attendre à voir notre ciel se remplir de véhicules aériens sans pilote (UAV) livrant des colis, peut-être même des gens, d'un endroit à l'autre.

Dans un tel monde, il y aura également un jumeau numérique pour chaque drone de la flotte :une maquette virtuelle qui suivra le drone tout au long de son existence, évoluant avec le temps.

"Il est essentiel que les drones surveillent leur santé structurelle, " a déclaré Karen Willcox, directeur de l'Oden Institute for Computational Engineering and Sciences de l'Université du Texas à Austin (UT Austin) et expert en ingénierie informatique aérospatiale. "Et il est essentiel qu'ils prennent de bonnes décisions qui se traduisent par un bon comportement."

Conférencier invité à la Conférence internationale 2019 pour le calcul haute performance, La mise en réseau, Stockage et analyse (SC19), Willcox a partagé les détails d'un projet - soutenu principalement par le programme de l'US Air Force dans les systèmes d'applications dynamiques basés sur les données (DDDAS) - pour développer un jumeau numérique prédictif pour un drone sur mesure. Le projet est une collaboration entre UT Austin, MIT, Aksélos, et Aurora Flight Sciences.

Le jumeau représente chaque composant du drone, ainsi que son ensemble intégré, en utilisant des modèles basés sur la physique qui capturent les détails de son comportement de l'échelle fine au niveau macro. Le jumeau ingère également les données des capteurs embarqués du véhicule et intègre ces informations avec le modèle pour créer des prédictions en temps réel de la santé du véhicule.

Le drone risque-t-il de s'écraser ? Doit-il modifier son itinéraire prévu pour minimiser les risques ? Avec un jumeau numérique prédictif, ce genre de décisions peut être prise à la volée, pour garder les drones en vol.

Plus gros que le Big Data

Dans son discours, Willcox a partagé les avancées technologiques et algorithmiques qui permettent à un jumeau numérique prédictif de fonctionner efficacement. Elle a également partagé sa philosophie générale sur la façon dont les problèmes à « conséquences élevées » peuvent être résolus à travers la science et l'ingénierie.

« Les grandes décisions nécessitent plus que de simples données volumineuses, " expliqua-t-elle. "Ils ont besoin de grands modèles, trop."

Cette combinaison de modèles basés sur la physique et de mégadonnées est souvent appelée « apprentissage automatique scientifique ». Et pendant l'apprentissage automatique, par lui-même, a réussi à résoudre certains problèmes, comme l'identification d'objets, systèmes de recommandation, et des jeux comme Go :des solutions plus robustes sont nécessaires pour les problèmes où obtenir la mauvaise réponse peut être incroyablement coûteux, ou avoir des conséquences de vie ou de mort.

"Ces gros problèmes sont régis par des multi-échelles complexes, phénomènes multi-physiques, " Willcox a dit. " Si nous changeons un peu les conditions, nous pouvons voir des comportements radicalement différents."

Dans l'œuvre de Willcox, la modélisation informatique est associée à l'apprentissage automatique pour produire des prédictions fiables, et aussi explicable. Les solutions de boîte noire ne sont pas suffisantes pour les applications à fortes conséquences. Les chercheurs (ou médecins ou ingénieurs) ont besoin de savoir pourquoi un système d'apprentissage automatique s'est installé sur un certain résultat.

Dans le cas du drone jumeau numérique, Le système de Willcox est capable de capturer et de communiquer les changements évolutifs de la santé de l'UAV. Cela peut également expliquer quelles lectures des capteurs indiquent une baisse de la santé et déterminent les prédictions.

Prise de décision en temps réel à la périphérie

Les mêmes pressions qui nécessitent l'utilisation de modèles basés sur la physique - l'utilisation de modèles de grande dimension; le besoin de quantification de l'incertitude; la nécessité de simuler tous les scénarios possibles - rend également le problème de la création de jumeaux numériques prédictifs un défi informatique.

C'est là qu'intervient une approche appelée réduction de modèle. En utilisant une méthode basée sur la projection qu'ils ont développée, Willcox et ses collaborateurs peuvent identifier des modèles approximatifs plus petits, mais encoder en quelque sorte la dynamique la plus importante, de telle sorte qu'ils puissent être utilisés pour des prédictions.

« Cette méthode permet de créer à faible coût, des modèles basés sur la physique qui permettent des jumeaux numériques prédictifs, " elle a dit.

Willcox a dû développer une autre solution pour modéliser les interactions physiques complexes qui se produisent sur le drone. Plutôt que de simuler l'ensemble du véhicule dans son ensemble, elle travaille avec Akselos pour utiliser leur approche qui casse le modèle (dans ce cas, l'avion) ​​en morceaux - par exemple, une section d'aile - et calcule les paramètres géométriques, propriétés matérielles, et d'autres facteurs importants indépendamment, tout en tenant compte des interactions qui se produisent lorsque l'ensemble du plan est assemblé.

Chaque composante est représentée par des équations aux dérivées partielles et à haute fidélité, des méthodes d'éléments finis et un maillage de calcul sont utilisés pour déterminer l'impact du vol sur chaque segment, générer des données d'entraînement basées sur la physique qui alimentent un classificateur d'apprentissage automatique.

Cette formation est intensive en calcul, et à l'avenir, l'équipe de Willcox collaborera avec le Texas Advanced Computing Center (TACC) de l'UT Austin pour utiliser la superinformatique afin de générer des ensembles de formation encore plus vastes qui prennent en compte des scénarios de vol plus complexes. Une fois la formation terminée, le classement en ligne peut se faire très rapidement.

En utilisant ces méthodes de réduction et de décomposition de modèle, Willcox a réussi à obtenir un 1, Une accélération de 000 fois, en réduisant les temps de simulation de quelques heures ou minutes à quelques secondes, tout en maintenant la précision nécessaire à la prise de décision.

« La méthode est hautement interprétable, " dit-elle. " Je peux revenir en arrière et voir quel capteur contribue à être classé dans un état. " Le processus se prête naturellement à la sélection des capteurs et à la détermination de l'endroit où les capteurs doivent être placés pour capturer les détails critiques pour la santé et la sécurité des le drone.

Dans une démonstration que Willcox a présentée à la conférence, un UAV traversant un parcours d'obstacles a pu reconnaître sa propre santé déclinante et tracer un chemin plus conservateur pour s'assurer qu'il rentre chez lui en toute sécurité. Il s'agit d'un test que les UAV doivent réussir pour qu'ils soient déployés à grande échelle à l'avenir.

"Le travail présenté par le Dr Karen Willcox est un excellent exemple de l'application du paradigme DDDAS, pour améliorer les méthodes de modélisation et d'instrumentation et créer des systèmes d'aide à la décision en temps réel avec la précision des modèles grandeur nature, " a déclaré Frédérica Darema, ancien directeur du bureau de la recherche scientifique de l'armée de l'air, qui a soutenu la recherche.

« Les travaux du Dr Willcox ont montré que l'application du DDDAS crée la prochaine génération d'environnements et de capacités de « jumeaux numériques ». De telles avancées ont un impact énorme sur l'efficacité accrue des systèmes et services critiques dans les secteurs de la défense et civil.

Les jumeaux numériques ne sont pas le domaine exclusif des drones; ils sont de plus en plus développés pour la fabrication, raffineries de pétrole, et voitures de course de Formule 1. La technologie a été nommée l'une des 10 meilleures tendances technologiques stratégiques de Gartner pour 2017 et 2018.

« Les jumeaux numériques deviennent un impératif commercial, couvrant l'ensemble du cycle de vie d'un actif ou d'un processus et constituant la base des produits et services connectés, " a déclaré Thomas Kaiser, Vice-président principal SAP de l'IoT, dans une interview de Forbes en 2017. "Les entreprises qui ne répondent pas seront laissées pour compte."

En ce qui concerne la science des données prédictives et le développement de jumeaux numériques, Willcox déclare :« L'apprentissage des données à travers le prisme des modèles est le seul moyen de rendre pratiques des problèmes insolubles. Il rassemble les méthodes et les approches des domaines de la science des données, apprentissage automatique, et la science et l'ingénierie informatiques, et les dirige vers des applications à hautes conséquences."