数字孪生已经成为企业战略的主流概念和趋势。所谓数字孪生，其名称来源于公司构建物理对象的虚拟副本（双胞胎）的方式。这些数字副本越来越受欢迎，因为它们可用于驱动迄今为止无法实现的重要模拟任务。
数字仿真激发了人们对数字孪生的兴趣
观察家们看到了对多物理场仿真的巨大需求，这些仿真可提供跨不同物理领域（如电子、结构和热量）的整体视图。这对于噪声和振动等领域至关重要。顶级仿真技术包括计算流体动力学(CFD)、多体系统(MBS)或有限元分析(FEA)技术。
仿真在制造业中越来越重要。ABI Research首席分析师Michael Larner指出，模拟软件已经成为制造商的保险单。他说，供应商社区就可以部署的算法展开军备竞赛。这种“保险”使他们能够应对消费者需求的快速变化和供应链中断，例如目前阻碍汽车行业的芯片短缺。ABI预测，到2030年，制造业的仿真技术将以7.1%的速度增长，达到26亿美元。
其他人则希望看到用于改进运营各个方面的模拟优化，特别是随着渲染模型的全方位兴起——指的是使用诸如VR和AR、自动数据标记、人工智能驱动的物理、并改善供应链。
数字仿真影响数字孪生的方式
1.全方位协作
Blackshark首席执行官兼联合创始人Michael Putz表示：“未来三到五年，仿真和建模工具最激动人心的发展将是全世界的进化。”一些更令人兴奋的改进将涉及用于重建建筑物的AI建模、实时标记和AI框架。顶级的omniverse用例将结合模拟和协作，用于城市规划、位置侦察、建筑验收、物流、无人机飞行规划和保险。
2.用更少的数据学习
深度伪造中使用的生成式AI技术在改进和优化用于不同数字孪生的模拟模型方面也越来越好。正如NASA JPL首席技术和创新官Chris Mattmann指出，“关键是在对标记训练数据的需求和数字孪生环境的真实环境模拟之间取得平衡。”他预测将有更多的人采用合成数据技术，以减少人工标记来提高模型的准确性和有效性。
3.弥补物理学中的空白
建模和仿真工具正在改进，使用人工智能从物理工业过程中捕获的实时数据构建物理模型。Nnaisense的首席执行官兼联合创始人Faustino Gomez指出，来自传统物理模型的数字孪生太慢，无法实时用于涉及化学和流体动力学的复杂过程。例如，Nnaisense与EOS GmbH合作开发了一个数字孪生模型，用于在没有明确物理模型的情况下对增材制造过程中的热量进行建模。这些模型可以实时预测重要现象，而不是几天。他认为弥合物理差距的顶级AI算法包括几何深度学习、神经常微分方程(ODE)模型和对比学习。
4.推理模型模拟可制造性
数字孪生模拟传统上侧重于模拟产品性能特征。在制造过程中嵌入的传感器能够帮助人们开发出能够模拟影响质量、成本和组装难易度的制造要素的可行性推理模型。Tempo Automation的首席产品官Jeff Kowalski表示，推理建模技术通过直接观察使生成数字孪生模型的过程自动化。这减少了手工制作模型规则的人力。它还可以根据环境的变化自动更新模型。
5.改进自治系统
更好的数字孪生还可以改进指导自动驾驶汽车、船舶、叉车甚至工厂的模型。Kalypso数据科学主管Jordan Reynolds指出，“自主系统性能的重大进步归功于模型预测控制(MPC)，这是一种数字孪生方法，可模拟复杂系统如何响应操作输入和环境变化。”这些模型用于模拟动态系统行为并在物理世界中自主控制这些系统。MPC还用于模拟COVID-19的传播并确定加速其下降的最佳干预措施。
6.模拟编排
模拟容器有望建立在支持敏捷软件开发和部署实践的应用程序容器的成功基础上。AVEVA的XR首席技术专家Maurizio Galardo预计，仿真工具正在从帮助产品设计解决具体问题，向提供完整的产品设计“容器”转变，这些容器化的模拟设计微服务可以在不同的设计、模拟和生产工作流程中重复使用。
7.系统的创成式设计
衍生式设计技术从一组起始规范中自动提出设计建议。PTC产品管理副总裁Paul Sagar解释说，工程师传统上使用衍生式设计来创建和优化单个零件。他预计算法和处理能力的改进将解决围绕模拟完整组件的更广泛问题，例如使用完整汽车的数字孪生了解化油器的性能。
8.产品的工程业务一体化
计算能力和互操作性的改进正在迎来结合业务和技术模拟技术的数字双胞胎。德勤咨询国家新兴技术研究总监Scott Buchholz解释说：“数字孪生对于模拟从销售小部件到销售即服务的变化非常有用。”例如，普利司通使用数字孪生来优化车队的每英里成本、维护和轮胎选择。这有助于业务团队将轮胎里程作为一项服务进行销售，并围绕寿命和维护策略调整工程决策，以改进这种新的业务模式。
