一种面向全生命周期数字孪生开发与持续适应的基于物理的概率框架

《Journal of Computational Physics》:A Probabilistic Physics-Based Framework for the Development and Continuous Adaptation of Lifecycle Digital Twins

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Computational Physics 3.9

编辑推荐:

   摘要 数字孪生正日益被应用于支持复杂物理系统的预测分析、决策制定和状态监控。然而,现有实现往往依赖于要么计算代价过高、无法实时运行的高保真度模型,要么缺乏物理可解释性、在训练域之外缺乏鲁棒性的纯数据驱动代理模型。本文提出了一种统一的基于物理的数字孪生计算框架,通过分层投影模

  

摘要

数字孪生正日益被应用于支持复杂物理系统的预测分析、决策制定和状态监控。然而,现有实现往往依赖于要么计算代价过高、无法实时运行的高保真度模型,要么缺乏物理可解释性、在训练域之外缺乏鲁棒性的纯数据驱动代理模型。本文提出了一种统一的基于物理的数字孪生计算框架,通过分层投影模型降阶方法、非参数概率模型形式不确定性表征,以及数据驱动的校准与更新来解决上述局限。该框架涵盖从降阶模型的高维模型到超降阶随机代理模型的层级体系,在保持底层系统本质物理特性的同时实现计算高效的预测。框架建立了一条从高维模型到高保真数字孪生原型的系统化演进路径,通过投影与超降阶实现,随后通过资产特定的随机校准发展为可投入运行的数字孪生实例。为在捕捉非定常非线性行为的同时实现实时预测能力,该框架引入了一种基于轨迹的微扰公式,辅以作为底层非线性方程局部切线算子的物理矩阵数据库。可解释与不可解释的模型形式不确定性来源通过低维随机参数化进行表征,从而在降阶空间中实现高效的不确定性传播、统计推断以及持续的数据驱动更新。该框架通过两个航空航天应用进行了验证。第一个应用展示了美国空军HAVE MIRAGE项目下F-16D战机执行激烈非定常机动时的高保真数字孪生原型,该原型能够从实时飞行数据中以20 Hz的频率在超实时速度下(即在单核CPU上实现高达57倍的速度提升)提供符合物理一致性规律的行时预测。第二个应用展示了结构健康监测领域的数字孪生实例,通过数字孪生的预测一致性和置信区间变化推断一级损伤的存在,利用代表渐进退化状态的合成数据集。在此结构跟踪场景下,超降阶随机正算求解器相较于高维模型实现了约272倍的二数量级速度提升,使单核标准处理器上的近实时跟踪成为可能。上述两个应用共同表明,所提出的框架为复杂工程系统全生命周期中的数字孪生提供了计算高效、物理一致的基础。

引言

数字孪生已在工程、制造和运营领域迅速崛起,成为一种变革性范式。从广义上讲,数字孪生被理解为物理资产、系统或过程的虚拟表征,贯穿其全生命周期与真实世界对象保持持续同步。其总体目标是通过整合基于物理的建模、数据和计算来实现更好的设计、预测、监控和决策。数字孪生带来的感知价值包括提高运营效率、减少停机时间、增强可靠性和加速创新——这些优势在航空航天、汽车、能源和国防领域引发了广泛关注和不断增长的试点项目(见表1)。

然而,当我们超越这一高层共识,试图精确界定数字孪生的概念时,很快就会发现不同群体对该概念的不同组成部分给予了截然不同的重视。例如,在软件架构领域,数字孪生通常被主要视为一种软件基础设施。物理资产配备嵌入式控制器,通过工业互操作标准(如开放平台通信统一架构)进行通信,该标准规范了设备与服务器之间安全、与平台无关的数据交换。在这种视角下,数字孪生本质上是一种支持来自本地控制器、边缘仓库、物联网接口、仿真层和基于云的数据库(通常通过结构化查询语言访问)的数据流集成的架构,以支撑分析和决策。此处,数字基础设施——连接性、消息传递、中间件和数据流——是关注的焦点。

与此不同,在数据科学与分析领域,数字孪生通常被概念化为一种数据驱动层级。它被视为一座金字塔,其基础是数据获取与交互,向上经历存储、关联、融合、演化和最终"数据服务化"——即基于挖掘模式和统计相关性提供数字服务。在这种视角下,数字孪生主要是一个精密的数据生态系统,其价值源于学习和推理流水线,而非对底层物理的显式建模。

类似地,在计算机科学和图论领域的部分研究中,数字孪生被抽象为一种图表示——即对组件、状态和关系的结构化编码。其焦点在于形式化数据结构、基于图的推理和系统之系统集成。

这些视角为数字孪生技术做出了重要贡献,但也揭示了一个重要缺陷:几乎所有这些解读都详细讨论了是什么使系统"数字化",却很少涉及是什么使其成为"孪生"。也就是说,虽然数字基础设施、数据流水线和计算图往往得到了充分发展,但数字表征的保真度、准确性和物理可信性通常未被明确规定或被视作次要问题。因此,在许多现有实现中,"孪生"并非以可验证、可预测或感知不确定性的方式真正复制物理资产。当审视当前领域状况时,这一缺口尤为令人担忧:通常几乎没有信息说明数字孪生与其物理对应物相比实际有多准确。对于业务所有者和技术采用者而言,这种缺乏量化构成了信任的最大障碍。在缺乏一种评估和保证准确性的原则性方法的情况下,对物理资产产生错误表征——进而导致误导性的运营决策——的风险仍然是数字孪生广泛、可靠采用的主要障碍。

一个关键但常被忽视的澄清是:物理系统并不存在单一的、普适的数字孪生。任何数字孪生都必须针对系统的特定物理子集和特定的感兴趣行为或量来定义。因此,同一物理资产可以衍生出多个合法的数字孪生,每个针对不同的目的定制——如结构响应、热演化、气动性能、控制相关动力学或健康监测——并且每个数字孪生都具备自身的建模假设、保真度水平和不确定性来源。期望一个单一的、整体化的数字表征同时具有跨所有物理现象和运营目标的预测能力既不现实,也不符合科学方法论。有意义的孪生需要在使用目的、所解析的物理以及必须表征的不确定性之间进行有意的、明确的对齐。

本工作的背景位于高保真计算物理、投影模型降阶与非参数不确定性量化的交汇点。在现代工程中,复杂物理资产——如高性能飞机和民用基础设施——在高动态、不可预测和恶劣的环境中运行。确保这些资产的结构完整性、运营安全和性能优化,需要部署能够进行持续状态监控和预测性维护的数字孪生。

然而,一个根本性的工程瓶颈依然存在,呈现为一个双重问题陈述,限制了当前技术水平:

1. 计算-保真度困境:高保真偏微分方程求解器(如非定常Navier-Stokes方程或复杂结构动力学方程)提供了必要的物理精度,但计算量太大,无法在线或实时执行。相反,纯数据驱动的"黑箱"模型或静态回归表运行速度快,但缺乏物理可解释性,违反守恒定律,并且在预测超出其狭窄训练数据集范围时完全失效。

2. 全生命周期不确定性缺口:物理资产在其运行生命周期中不可避免地涉及未建模的物理、环境噪声和渐进退化(如结构损伤或气动迟滞)。虽然现有的模型降阶技术提供了高维模型的高效低维表征,但它们通常并未提供一种统一的处理方法,能够在适用于长期运行跟踪的方式下系统地辨析可解释的参数变异与不可解释的模型形式差异。因此,仍然需要一种一致的数学框架,能够利用稀疏的运行数据将理想化的数值设计模型演化为资产特定的、感知不确定性的跟踪实例。

为弥合这一缺口,本文回答了以下核心问题:我们如何构建一个统一的数学框架,该框架在保持高维模型严格结构物理性和高保真度的同时,能够在严重的模型形式不确定性下稳健更新,并且执行速度足够快以提供实时的、资产特定的在线预测智能?

为系统地回答这一核心问题,我们认为一个数学上严谨且可操作的数字孪生框架必须满足以下四个基础支柱:

1. 高保真建模。数字孪生必须体现一种能够忠实捕捉物理资产支配机制的表征。如果没有高保真模型——其定义将在本文后续部分更精确地阐述——数字实体无法有意义地预测或复制物理行为,特别是在非线性、多物理或时变环境中。

2. 不确定性建模与量化,尤其是模型形式不确定性。真实的数字孪生必须考虑不完美的知识、不完整的物理、参数变异性以及随机效应。其中尤为重要的是模型形式不确定性,它产生于数学模型未能完全捕捉真实物理的情况。量化和传播这些不确定性对于确保预测可信度、支持风险知情决策以及避免灾难性误判至关重要。

3. 随机模型更新。随着新数据的可用,数字孪生必须不断适应,持续将概率数字模型与物理资产的演化状态对齐。通过将模型状态(和参数)显式视为随机变量,随机模型更新——包括概率更新、数据同化以及其他感知不确定性的学习机制——确保数字孪生不仅纠正偏差和检测异常,还能一致地传播不确定性,从而保持随时间推移的预测可信度。与仅提供单一最佳估计且可能低估风险的确定性更新不同,随机更新考虑了模型和测量两方面中的不确定性,使其在现实的、嘈杂的或缺失数据场景下实现更鲁棒、更可靠的预测。

4. 面向时间关键应用的实时或近实时处理。数字孪生的许多预期用途——运行监控、控制、任务规划、健康管理和自主决策——需要快速的推理和预测。实现这一能力要求算法计算高效、经过验证与确认,并能在严格的时延约束内部署。

这些需求的共同强调了对数字孪生开发概率性、基于物理的基础之必要性——即一个统一了高保真建模、不确定性量化、模型更新和实时能力的连贯框架。重要的是,本工作通过一个能够跨平台全生命周期——从设计和原型阶段,到获取和部署,再到维护和修复——适应的单一演化模型来实现这一统一,消除了为每项任务建立分散、割裂的独立模型的迷宫式需求。

为弥合现有计算效率和物理可靠性方面的缺口,本工作所描述框架的基础创新体现在以下三个关键领域:

- 非参数概率方法向非线性解流形的扩展:我们首次描述了一种将经典算子层面的非参数概率方法框架扩展到任意非线性解近似流形的数学扩展。这确保了与先进投影模型降阶范式完全兼容,同时保留必要的结构、变分和物理守恒不变量。

- 面向非定常迟滞的基于轨迹的局部切线算子数据库:传统仿真器通常依赖于无法捕捉历史场依赖关系的静态、准定常回归表。为绕过在线计算瓶颈,我们的框架引入了一种由物理矩阵数据库支持的基于轨迹的微扰公式,这些矩阵作为高维非线性方程的局部切线算子,将可观测变量的有限历史窗口直接映射到即时感兴趣量。

- 统一的正式资产工程生命周期连续体:本研究不将模型降阶、随机参数化和数据同化视为互不关联的练习,而是正式化了一个无缝的分层生命周期连续体。该方法将资产从其高维模型通过投影和超降阶追踪至数字孪生原型,随后通过资产特定的随机校准追踪至可投入运行的数字孪生实例。

该数学框架的预测能力、计算敏捷性和结构鲁棒性通过两个互补的航空航天应用进行了全面验证,它们代表了数字孪生生命周期的不同阶段:

1. 第一个应用展示了美国空军HAVE MIRAGE项目下F-16D战机执行激烈非定常机动时的高保真数字孪生原型。

该数字孪生体以 20 Hz(0.05 秒间隔)摄入真实飞行数据,并以快于实时的速度运行——在单个 CPU 核心上实现了高达 57 倍的实时加速比——在持续变化的飞行状态下,以 10 Hz(0.1 秒间隔)在线提供符合物理原理的气动载荷预测。2.
第二个应用实现了一个用于特定资产结构健康监测的数字孪生实例(DTI)。该孪生体利用模型生成的合成数据集来评估结构渐进退化状态,并可靠地确立一级损伤检测边界。在此背景下,超降阶随机前向求解器相较于高维结构模型实现了约 272 倍的速度提升,跨越两个数量级,从而建立了近实时的预测能力。

本文其余部分安排如下。第 2 节定义了数字孪生背景下的高保真建模,回顾了数字孪生原型(DTP)和数字孪生实例(DTI)的概念 [10], [11], [12],并概述了所提出的计算框架如何使数字孪生跨越这些阶段进行演进。第 3 节强调了建模和量化不确定性的重要性,重点探讨了对可解释和不可解释的模型形式差异的处理。第 4 节展示了支撑所提框架的基于物理的代理模型层级体系。第 5 节利用上述两个航空航天应用验证了该框架,明确详细说明了用于捕获 F-16D 飞行分析中非稳态迟滞效应的基于轨迹的扰动公式,随后展示了结构健康监测的实施。最后,第 6 节提供了结论性评论和未来研究展望。

章节片段
数字孪生的高保真代理建模
一个可信的数字孪生需要底层物理系统的高保真代理。在数字孪生原型(DTP)中,该代理能够实现设计探索和系统的假设性分析(what-if analyses)。随着数字孪生演进为完全操作的数字孪生实例(DTI)——即由特定物理资产的传感器和测量数据驱动的框架运行时实现——计算模型必须持续校准和更新,以反映资产的演变状态和行为。为了履行这一角色,数字孪生实例……
数字孪生中的建模与不确定性量化
一个值得信赖的数字孪生不仅需要复制物理系统的名义行为,还需要表征、传播并适应现实操作中不可避免伴随的不确定性。事实上,建模和量化不确定性对于确保数字孪生在其整个生命周期内提供可信预测、稳健的决策支持和有意义的风险评估至关重要。若缺乏对不确定性的原则性处理——无论其源自不完整的物理模型……
演化数字孪生的层级化物理建模与自适应模型
基于第 1 节中阐述的要求,本节展示了计算基础,使得这些要求能够在一个单一且连贯的数字孪生框架内同时得到满足。如前所述,有意义的孪生需要一种概率的、基于物理的方法,将高保真建模、不确定性量化(UQ)、随机模型更新以及实时或近实时能力统一起来,同时保持在平台整个生命周期内的适用性——从设计和原型阶段直至应用阶段。
应用
本节展示了所提出的数字孪生框架在航空航天系统中的能力。文中考虑了两个代表性用例:一个侧重于实时预测性能(DTP),另一个侧重于特定资产的推理与监测(DTI)。这些例子共同证明了该框架在预测性和数据驱动的操作场景中的适用性。所有结构、计算流体力学(CFD)以及耦合结构 - 流体力学(流体 - 结构相互作用)模拟……
结论
本工作提出了一个基于物理的数字孪生统一计算框架,该框架在单一数学公式内整合了层级投影降阶模型、模型形式不确定性的非参数概率表示以及连续数据驱动的随机校准。通过建立从高维模型(HDMs)到数字孪生原型(DTPs)并最终到操作性数字孪生实例(DTIs)的系统性演进路径……

数据和代码可用性声明
本工作中提出的层级投影降阶模型框架和非参数概率方法论的学术实现版本,将在本文发表后通过公共 GitHub 仓库提供(仓库链接将在最终录用后提供)。由于数据的敏感性质以及适用的军事分发限制,与美国空军 HAVE MIRAGE 项目相关的飞行数据……

CRediT 作者贡献声明
Charbel Farhat:写作——审阅与编辑,写作——初稿,项目管理,方法论,资金获取,正式分析,概念构思。
Goéric Daeninck:写作——审阅与编辑。
Daniel Isaiah Harp:写作——审阅与编辑。

利益冲突声明
Charbel Farhat 报告财务支持来自海军研究办公室。
Charbel Farhat 报告财务支持来自空军科学办公室。
Goeric Daeninck 报告财务支持来自美国空军飞行测试中心。
如果有其他作者,他们声明不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。
Charbel Farhat|Goéric Daeninck|Daniel Isaiah Harp
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号