Los modelos basados en la física se fundamentan en leyes y principios físicos fundamentales para abordar el reto de la simulación de sistemas complejos. Estos modelos son utilizados por ejemplo para la predicción de propiedades de materiales, empleando técnicas avanzadas como la density functional theory (DFT) y la dinámica molecular (MD) para ayudar en el diseño de estos [1]. Al capturar los mecanismos físicos que definen los sistemas, estos modelos ofrecen predicciones precisas y generalizables, esenciales para diversas aplicaciones científicas y de ingeniería.
En el ámbito de los gemelos digitales, los modelos basados en la física son utilizados para mejorar la fidelidad y la capacidad predictiva de estas réplicas virtuales. La incorporación de modelos basados en la física permite a los gemelos digitales simular diversos escenarios y predecir el comportamiento de los activos bajo diferentes condiciones, como el daño o el desgaste de forma precisa.
Una de las cosas más interesantes que estamos viendo ahora es cómo la inteligencia artificial y el aprendizaje automático se están combinando con los modelos basados en las leyes de la física para llevar a los gemelos digitales al siguiente nivel. Resulta que la solidez de los modelos físicos mejora el desempeño de los algoritmos de IA, sobre todo cuando no hay una gran cantidad de datos disponibles para entrenarlos. Y por otro lado, las técnicas de IA están ayudando a superar algunas de las limitaciones que tienen las simulaciones físicas, como la dificultad para aplicarlas a diferentes escalas de tiempo o espacio. Se crea una especie de círculo virtuoso en el que ambos enfoques se benefician mutuamente, logrando predicciones más acertadas y con menos costo computacional.
Existen diferentes técnicas de simulación utilizadas para conseguir nuestro modelo físico. A continuación vemos algunas de ellas.
Análisis de Elementos Finitos (FEA)
El Análisis de Elementos Finitos es una técnica computacional que divide objetos complejos en elementos más pequeños interconectados, permitiendo simular con precisión el comportamiento mecánico. Mediante la integración de datos de sensores en tiempo real, el FEA permite a los gemelos digitales modelar el rendimiento estructural, optimizar el uso de materiales, predecir posibles fallos y realizar análisis exhaustivos de escenarios «qué pasaría si» en diversos dominios de ingeniería [1].
Dinámica de Fluidos Computacional (CFD)
La Dinámica de Fluidos Computacional ofrece capacidades avanzadas de simulación para sistemas de fluidos complejos, permitiendo modelar detalladamente el flujo de fluidos, la transferencia de calor y la dinámica de sistemas. Al integrar datos de sensores en tiempo real con modelos geométricos y algoritmos de resolución sofisticados, el CFD permite a los ingenieros predecir el comportamiento del sistema, optimizar su rendimiento y simular diversos escenarios operativos con alta precisión [2].
Simulación de Eventos Discretos (DES)
La Simulación de Eventos Discretos modela sistemas complejos rastreando eventos específicos que ocurren en momentos discretos, siendo ideal para analizar líneas de producción, redes de comunicación y sistemas de colas. Los gemelos digitales que utilizan DES pueden optimizar la asignación de recursos, predecir el rendimiento del sistema y permitir la toma de decisiones en tiempo real mediante la integración continua de datos operativos y la simulación de posibles escenarios [3].
Modelado Basado en Agentes
El Modelado Basado en Agentes permite simular sistemas complejos modelando los comportamientos y las interacciones de componentes individuales. Los gemelos digitales que utilizan esta técnica pueden crear representaciones dinámicas donde cada agente representa un gemelo digital, permitiendo un análisis detallado del rendimiento, la optimización y obtener información predictiva mediante la simulación del comportamiento de agentes individuales y colectivos.
Dinámica de Múltiples Cuerpos
La simulación de Dinámica de Múltiples Cuerpos permite a los gemelos digitales crear modelos precisos y dinámicos de sistemas mecánicos mediante el seguimiento de las interacciones entre diferentes componentes. Al integrar datos de sensores en tiempo real, esta técnica permite un análisis exhaustivo del rendimiento de sistemas mecánicos, incluyendo estrés, desplazamientos, velocidades y fuerzas, apoyando estrategias de mantenimiento inteligente y optimización.
Simulación de Monte Carlo
La Simulación de Monte Carlo en plataformas de gemelos digitales transforma el modelado probabilístico integrando datos en tiempo real para generar múltiples simulaciones de escenarios. Esta técnica ayuda a cuantificar las incertidumbres del sistema, evaluar posibles riesgos y apoyar la toma de decisiones basada en datos mediante la generación de múltiples combinaciones de parámetros de entrada y el análisis de su distribución estadística y posibles resultados.
Referencias
[1] T. Zhang, Y. Li, J. Cai, Q. Meng, S. Sun, and C. Li, “A Digital Twin for Unconventional Reservoirs: A Multiscale Modeling and Algorithm to Investigate Complex Mechanisms,” Geofluids, vol. 2020, no. 1, p. 8876153, 2020, doi: 10.1155/2020/8876153.
[2] T. I. Zohdi, “A digital-twin and machine-learning framework for precise heat and energy management of data-centers,” Comput Mech, vol. 69, no. 6, pp. 1501–1516, Jun. 2022, doi: 10.1007/s00466-022-02152-3.
[3] S. Aheleroff, R. Y. Zhong, and X. Xu, “A Digital Twin Reference for Mass Personalization in Industry 4.0,” Procedia CIRP, vol. 93, pp. 228–233, Jan. 2020, doi: 10.1016/j.procir.2020.04.023.