Digital twin: gemelli digitali alla prova
La realtà è caratterizzata da un’incredibile complessità, i meccanismi interni delle cose, il rapporto con il contesto la fisica dei materiali, tutte le “cose” sono costituite da un insieme articolato di interazioni.
La ricerca tecnologica negli ultimi anni si è molto concentrata sulla possibilità di simulare e predire i comportamenti delle cose in ambiente digitale, perché?
Digital twin: il doppio
Il “digital twin” è letteralmente il “gemello digitale” di qualcosa che esiste nella realtà fisica. Le necessità che hanno spinto la ricerca tecnologica in questa direzione sono moltissime e sono anzitutto legate al controllo e al monitoraggio degli oggetti, specie di quelli tecnologici, basti pensare a tutto il mondo dell’Internet of Things ovvero di quegli oggetti connessi capaci di comunicare attraverso i dati il proprio stato e il proprio funzionamento.
I modelli predittivi
Il monitoraggio digitale dello stato di un oggetto fisico a scopo di conoscenza è solo l’inizio del discorso attorno ai digital twin. La possibilità di creare un doppio di un oggetto reale e riprodurne il funzionamento in un ambiente digitale infatti consente di poterne valutare il comportamento variandone il contesto o le condizioni interne per prevederne il comportamento. In pratica, una volta creato il gemello digitale di un oggetto in modo da riprodurne fedelmente il comportamento nel suo contesto possiamo cambiare le sue condizioni, cambiare artificialmente il contesto stesso per simulare (senza danneggiare l’oggetto fisico originario) il suo comportamento nel nuovo ambiente.
Questa funzione predittiva è ormai alla base di moltissime applicazioni industriali e non solo, basti pensare agli stress test degli edifici al variare delle condizioni meteo o della condizione statica nell’ambito dell’edilizia o alla gestione di impianti industriali articolati e iper-connessi dove è possibile ottimizzare il funzionamento del sistema simulandone i cambiamenti.
Quando il digital twin ti assiste
Il gemello digitale, unito al machine learning è in grado di convivere con la sua versione reale anticipandone le mosse. Sempre nell’ambito edilizio è questo il caso degli smart building, che grazie alla capacità di raccogliere ed elaborare una complessa massa di dati riescono a essere più efficienti e più sicuri ma ancora di più nel mondo della mobilità è ciò che accade con le più moderne scatole nere che, grazie a modelli predittivi riescono a prevenire le situazioni di pericolo alla guida, ad assistere l’utente in tempo reale, elaborando i dati provenienti sia dall’auto, che dal contesto (traffico, limiti di velocità, condizioni meteo e del manto stradale, etc.), che dallo stile di guida stesso del conducente.