A comprehensive review of Digital Twin technologies in smart cities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As urbanization accelerates globally, the need for smarter, more sustainable cities has become imperative. This review article delves into the realm of Digital Twin (DT) technologies and their role in shaping the future of urban development. By exploring the convergence of DT technologies and smart cities, this article offers a comprehensive analysis of how these technologies are driving the Industry 4.0 (I4.0) revolution. Through an extensive literature review, we examine the pivotal role of DT technologies in diverse domains such as healthcare, wellness, security, safety, transportation, energy, mobility, and communications. Furthermore, the review explores the enabling technologies behind DTs, including Internet of Things (IoT)-based, Machine Learning (ML)-based, Cyber–physical Systems (CPSs)-based, and blockchain technology-based, to name a few. Practical applications of DT technologies are also examined through reviews of case studies across transport, water management and automotive technology, highlighting their transformative impact on smart city development. Lastly, this article addresses key DT research challenges and outlines future directions to unlock the full potential of DT technologies in building safe and sustainable cities. • Role of Digital Twins in smart city development is reviewed. • Enabling Digital Twin technologies in smart cities are presented. • Technologies include Machine Learning, IoT, Cyber–physical Systems, blockchain. • Digital Twin applications in smart cities across multiple domains are discussed. • Digital Twins case studies on transport, water and driving are reviewed.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle