Potencia tu gemelo digital con la analítica híbrida

Un gemelo digital es una representación virtual de entidades y procesos del mundo real, sincronizados con una frecuencia y fidelidad específicas, según el Digital Twin Consortium. Hoy en día, con Ansys Twin Builder y la integración de inteligencia artificial/aprendizaje automático (IA/ML), los ingenieros pueden combinar datos y física para crear un gemelo digital avanzado: el gemelo digital híbrido.

Los gemelos digitales híbridos combinan la potencia de la física y el modelado de datos para permitir la monitorización en tiempo real, el mantenimiento predictivo y la optimización del rendimiento, al tiempo que apoyan el valor empresarial de muchas otras maneras. También fomentan la colaboración entre los equipos de diseño y operaciones.

Los gemelos digitales híbridos acortan la distancia entre el proceso de diseño y el de operaciones al fusionar los conocimientos de diseño procedentes de la simulación con el comportamiento sobre el terreno procedente de los datos. Por el contrario, un gemelo digital construido únicamente a partir de las especificaciones de diseño puede reflejar la intención del diseño pero carecer de la observación sobre el terreno, mientras que un gemelo digital diseñado teniendo en cuenta el comportamiento sobre el terreno puede carecer de conocimientos sobre el diseño. Además, incluso si el diseño original incorpora el comportamiento en el campo, las condiciones de funcionamiento en el campo pueden cambiar con el tiempo, incluyendo la degradación del equipo. Como resultado, un gemelo digital que proporcionó una representación de alta fidelidad de un activo o sistema cuando se desplegó por primera vez puede desviarse del comportamiento observado en el campo.

Los gemelos digitales híbridos ofrecen una solución al adaptarse y actualizarse automáticamente a estas circunstancias a lo largo del tiempo, y ayudan en cuatro áreas clave:

1. Reutilización del diseño de ingeniería en las operaciones
2. Diseñar para los datos y aprender de ellos
3. Rendimiento anticipado
4. Cerrar el ciclo de diseño

Reutilización del diseño de ingeniería en las operaciones

Los ingenieros suelen conocer a fondo el funcionamiento de un sistema a través de modelos físicos construidos y simulados mediante análisis de elementos finitos (FEA) de alta fidelidad o solvers de dinámica de fluidos computacional (CFD). Tradicionalmente, estos modelos de simulación permanecen en la fase de diseño, ya que muchos de ellos no pueden utilizarse en las operaciones porque son demasiado costosos desde el punto de vista computacional.

Los gemelos digitales permiten a los ingenieros reutilizar modelos de diseño de alta fidelidad en las operaciones. Los modelos de orden reducido (ROM) se utilizan para crear modelos más ligeros y de ejecución más rápida que siguen conservando la fidelidad de la física en los modelos de diseño.

De este modo, un modelo de diseño puede transferirse a un modelo de sistema o gemelo digital, lo que también aumenta el alcance de lo que puede ser un gemelo digital híbrido. Sin las ROMs, sólo podrían utilizarse modelos más sencillos como gemelos digitales. Los ROMs permiten modelar como gemelos digitales sistemas más complejos, como hornos y máquinas eléctricas.

Diseñar para los datos y aprender de ellos

El trabajo conjunto de los datos y los modelos físicos proporciona mejores resultados que si se centran en uno de los dos enfoques por separado. Por ejemplo, los modelos de aprendizaje automático pueden rastrear y predecir información valiosa, pero sólo si han sido entrenados suficientemente. La falta de información de los sensores puede limitar gravemente la utilidad de los modelos de aprendizaje automático. Teniendo esto en cuenta, se pueden diseñar gemelos basados en la simulación para proporcionar datos de entrenamiento adicionales.

Los gemelos digitales híbridos utilizan la información disponible sobre el terreno para proporcionar información que no está disponible de otro modo. Aun así, un gemelo digital requiere cierta información de los sensores físicos para conectarlo completamente con el activo que refleja. Sin esto, no habría forma de saber si el comportamiento coincide o cambia con el tiempo. Sin embargo, una vez establecida esa coincidencia, el gemelo puede proporcionar información adicional en forma de sensores virtuales.

Los sensores físicos pueden ser caros, y hay información que simplemente no se puede obtener mediante sensores, como la temperatura en todo un horno o el campo electromagnético en todos los lugares de una máquina eléctrica. Pero un gemelo digital, basado en los principios físicos subyacentes, puede tomar las señales de los sensores físicos como entrada y calcular otras cantidades físicas en cualquier lugar del modelo. Estos cálculos pueden ser devueltos como datos que pueden ser utilizados por los operadores para entender mejor cómo funciona un sistema, o pueden ser utilizados para entrenar modelos de datos más robustos que los sensores físicos solamente.

Asimismo, los modelos de simulación pueden aprender de los datos de campo. Al anticiparse a las operaciones, los diseñadores pueden parametrizar un gemelo para que aprenda de los datos y se actualice sobre el terreno. Un gemelo digital híbrido encarna una sinergia entre datos y simulación en la que la simulación proporciona más datos para los modelos de datos, mientras que los datos de los sensores del campo enseñan al modelo sobre el rendimiento operativo.

Rendimiento anticipado

La supervisión de los activos sobre el terreno es valiosa, pero la capacidad de predecir el comportamiento futuro es, en última instancia, el aspecto en el que los gemelos digitales aportan el máximo valor. Los gemelos digitales híbridos son la clave para predecir el comportamiento futuro en condiciones ilimitadas. Los equipos de diseño se preparan para lo que está previsto, pero las condiciones no limitadas en el campo a menudo conducen a situaciones inesperadas. El modelado de datos por sí solo suele fallar en estas situaciones, ya que los escenarios imprevistos, por definición, no pueden haberse incluido en el entrenamiento del modelo. Los modelos físicos son necesarios para predecir lo que es físicamente posible dadas algunas condiciones de entrada. Sin embargo, a menos que se modele toda la física, algunas predicciones pueden ser inexactas. Los datos de los sensores son necesarios para informar al gemelo cuando sus predicciones se quedan cortas. Por lo tanto, calibrar un gemelo con los datos actuales de los sensores proporciona la confianza de que las futuras predicciones físicas son precisas.

Con estos dos ingredientes, los gemelos pueden utilizarse para predecir el comportamiento futuro basándose en las condiciones actuales o para buscar un mejor resultado optimizando las entradas del proceso. Un operario puede ver que un proceso no está funcionando de una manera que produzca la calidad esperada. El operario puede utilizar el gemelo para probar diferentes controles y ver qué es lo que hace que el proceso vuelva a estar dentro de los límites. A continuación, el operario puede intervenir para ajustar los controles del proceso. Esta capacidad es aún más relevante en los procesos dinámicos en los que la historia importa y la propagación de la incertidumbre pone en peligro la precisión de las predicciones del estado futuro. En otras palabras, la optimización de un gemelo para obtener el mejor rendimiento en el presente tiene efectos secundarios en el rendimiento futuro. Un buen ejemplo de ello es la optimización de un proceso de perforación en el que los próximos pies perforados están íntimamente relacionados con la historia del pozo.

Cerrar el ciclo de diseño

Como hemos comentado, un gemelo digital híbrido puede ajustarse al comportamiento del campo para proporcionar mejores predicciones y adaptarse al comportamiento físico para mejorar las operaciones. Sin embargo, aunque esto tiene un valor incalculable, es incompleto si la información adquirida se queda sólo en el campo. Por otra parte, los aprendizajes capturados en el campo pueden y deben retroalimentar la información a los equipos de diseño para mejorar las siguientes iteraciones de diseño y control.

Una vez que un gemelo aprende el comportamiento de un activo, puede utilizarse para realizar escenarios hipotéticos para ver cómo se comportaría el activo con diferentes condiciones de tamaño y funcionamiento, o una combinación de ambas. Esto se puede conseguir desconectando temporalmente el gemelo para realizar el análisis o lanzando una copia separada del gemelo para investigar los escenarios hipotéticos mientras el gemelo original sigue monitorizando el equipo.

En caso de degradación o fallo del equipo, un gemelo puede ayudar a diagnosticar los puntos débiles del diseño. Al aprender continuamente de los datos de campo, un gemelo actualizable muestra qué componentes y parámetros están cambiando con el tiempo. Esta información puede utilizarse para predecir la vida útil restante de un equipo. El seguimiento es valioso para el mantenimiento predictivo, pero también para que los equipos de diseño vean si el equipo está funcionando como se esperaba. Y si no lo está, los diseñadores saben en qué aspectos del equipo deben centrarse.

Más allá de observar un solo activo o diseño, las copias del mismo gemelo digital desplegadas en una flota proporcionan información estadística acumulada. Pensemos, por ejemplo, en los vehículos. Los vehículos que operan en condiciones más duras probablemente tendrán una información diferente a la de otras partes de la flota. La información a lo largo del tiempo proporciona a los operadores información sobre las limitaciones del diseño actual en el campo, lo que ayuda a los diseñadores a ampliar y mejorar los futuros diseños de los vehículos. Además, las observaciones de las operaciones proporcionan estimaciones estadísticas reales de los márgenes de seguridad y las tolerancias.