Digital twin : un outil virtuel de mise en miroir et de monitoring

Qu’est-ce qu’un digital twin ?

« Un digital twin est une représentation virtuelle d’un objet ou d’un système qui couvre son cycle de vie, est mis à jour à partir de données en temps réel et utilise la simulation, le machine learning et le raisonnement pour aider à la prise de décision ». (IBM)

En d’autres termes, un digital twin permet de collecter des données et de générer plusieurs scénarios afin de prédire les performances d’un système. Sa mission consiste à contrôler les décisions au niveau opérationnel en réagissant et en s’ajustant aux événements en temps réel.

Bénéfices d’un digital twin

Le premier avantage est de rassembler en un seul espace numérique toutes les données collectées (principalement via des capteurs) sur les différents aspects de l’objet physique étudié. Les opérateurs ont alors une vision holistique du fonctionnement - et des dysfonctionnements - de l’objet physique d’origine.

Cela conduit à un meilleur suivi de l’objet, avec des données en temps réel collectées pour assurer la fiabilité et la transparence opérationnelles avec une situation ajustée et recalculée (informations contextuelles dynamiques).

L’objectif principal d’un tel digital twin est d’agir comme un super-simulateur, en reproduisant virtuellement tout l’environnement de l’objet, permettant ainsi d’exécuter diverses simulations afin d’étudier plusieurs processus de manière holistique.

Étendre la puissance des digital twins

La possibilité d’exécuter facilement de nombreuses simulations différentes sur divers aspects d’un système complexe est un énorme pas en avant. Mais ce n’est pourtant pas suffisant pour s’assurer de prendre les meilleures décisions. Avec des milliards de scénarios possibles à exécuter, il n’est pas envisageable de tous les essayer.

Pour déterminer quelle est la meilleure décision à prendre, les fonctionnalités de simulation des digital twins doivent être renforcées par des solveurs d’optimisation.

Et ceci est l’évolution normale dans l’échelle analytique : les analyses diagnostique et prédictive doivent être enrichies avec de l’analyse prescriptive pour faire passer ces insights au niveau supérieur en suggérant la meilleure façon de gérer une situation future.

Du « que va-t-il se passer » au « que dois-je faire », les technologies d’optimisation mathématique sont la clé, en automatisant la prise de décision tant au niveau opérationnel que tactique et stratégique.

Digital twin ou Modeling twin : faire le bon choix

Ce que nous appelons un « modeling twin » est une formulation mathématique complète d’un problème décisionnel afin de poser les bases d’une résolution efficace, grâce à des technologies d’optimisation. Très souvent négligée voire ignorée, cette première étape consistant à poser correctement le problème est pourtant fondamentale pour arriver à la bonne solution.

Alors que le digital twin et le modeling twin suivent la même logique - modéliser un système physique - la différence fondamentale entre eux réside dans leur finalité. Quand l’objectif principal d’un digital twin est de construire une réplique exacte d’un objet physique pour visualiser, contrôler et simuler diverses situations, un jumeau de modélisation mathématique vise à formuler de manière abstraite un problème métier spécifique pour résoudre, décider et automatiser une situation.

• Si vous avez un projet complexe et d’envergure que vous souhaitez reproduire numériquement, le digital twin est l’option que vous devriez explorer.
• Si vous êtes confronté à des problèmes de prise de décision complexes que vous souhaitez résoudre de manière automatisée, le modeling twin renforcé par des solveurs d’optimisation avancés est l’option que vous devriez explorer.

Bien sûr, vous pourriez avoir besoin des deux pour reproduire virtuellement un système complexe et résoudre divers problèmes de prise de décision. Le modeling twin et les solveurs d’optimisation associés peuvent enrichir votre digital twin pour en faire un puissant allié d’aide à la décision.