Search

Предполагается, что к 2021 году около половины компаний будут использовать цифровых двойников разного уровня. Самые простые цифровые модели-двойники могут не использовать машинное обучение, но наибольшее преимущество будут иметь модели, использующие алгоритмы машинного обучения. В данной статье мы предлагаем свой подход к построению цифровых двойников реальных объектов. Мы опираемся на свой унифицированный процесс построения приближённых решений краевых задач для уравнений математической физики и накопленный опыт решения большого числа конкретных задач такого типа. В работе мы представляем пять подходов к построению цифровых моделей-двойников, опирающиеся на разработанные и протестированные нами эволюционные алгоритмы. Особенностью нашего подхода к эволюционным алгоритмам является использование генетических процедур для построения структуры модели и алгоритмов нелинейной оптимизации для подстройки ее параметров. Кроме того, мы предлагаем наш подход к построению многослойных моделей по дифференциальным уравнениям, позволяющий обойтись без трудоёмкой процедуры обучения нейронных сетей. Мы уверены, что предложенные нами подходы позволяют существенно упростить и унифицировать создание и адаптацию (поддержание в актуальном состоянии) цифровых двойников реальных объектов разного рода – технических, биологических, социально-экономических и т.д., It is assumed that by 2021, about half of the companies will use digital counterparts of different levels. The simplest digital twin models may not use machine learning, but the models using machine learning algorithms will have the greatest advantage. In this article, we offer our approach to the construction of digital twins for real objects. We rely on our unified process of constructing approximate solutions of boundary value problems for equations of mathematical physics and accumulated experience in solving numerous specific problems of this type. In this paper, we present five approaches to the construction of digital twin models based on the evolutionary algorithms developed and tested by us. The peculiarity of our approach to evolutionary algorithms is the use of genetic procedures for constructing the structure of the model and nonlinear optimization algorithms for adjusting its parameters. Also, we propose our approach to the construction of multilayer models upon differential equations, which allows doing without the time-consuming procedure of neural networks training. We are confident that the proposed approaches can significantly simplify and unify the creation and adaptation (keeping up to date) of digital twins for real objects of various kinds – technical, biological, socio-economic, etc., №3 (2019)