Predictive digital twin technologies for achieving net zero carbon emissions: a critical review and future research agenda
Notice bibliographique
Résumé
Purpose Predictive digital twin technology, which amalgamates digital twins (DT), the internet of Things (IoT) and artificial intelligence (AI) for data collection, simulation and predictive purposes, has demonstrated its effectiveness across a wide array of industries. Nonetheless, there is a conspicuous lack of comprehensive research in the built environment domain. This study endeavours to fill this void by exploring and analysing the capabilities of individual technologies to better understand and develop successful integration use cases. Design/methodology/approach This study uses a mixed literature review approach, which involves using bibliometric techniques as well as thematic and critical assessments of 137 relevant academic papers. Three separate lists were created using the Scopus database, covering AI and IoT, as well as DT, since AI and IoT are crucial in creating predictive DT. Clear criteria were applied to create the three lists, including limiting the results to only Q1 journals and English publications from 2019 to 2023, in order to include the most recent and highest quality publications. The collected data for the three technologies was analysed using the bibliometric package in R Studio. Findings Findings reveal asymmetric attention to various components of the predictive digital twin’s system. There is a relatively greater body of research on IoT and DT, representing 43 and 47%, respectively. In contrast, direct research on the use of AI for net-zero solutions constitutes only 10%. Similarly, the findings underscore the necessity of integrating these three technologies to develop predictive digital twin solutions for carbon emission prediction. Practical implications The results indicate that there is a clear need for more case studies investigating the use of large-scale IoT networks to collect carbon data from buildings and construction sites. Furthermore, the development of advanced and precise AI models is imperative for predicting the production of renewable energy sources and the demand for housing. Originality/value This paper makes a significant contribution to the field by providing a strong theoretical foundation. It also serves as a catalyst for future research within this domain. For practitioners and policymakers, this paper offers a reliable point of reference.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».