Core technologies for digital twins
Notice bibliographique
Résumé
Digital Twin (DT) technology is revolutionizing industries by creating virtual replicas of physical systems, enabling real-time monitoring, predictive analytics, and performance optimization. At the heart of DT lies a combination of advanced technologies that work together to ensure its effectiveness. This paper explores the core components of DT, including the Internet of Things (IoT), Artificial Intelligence (AI), Machine Learning (ML), Big Data Analytics, Cloud and Edge Computing, and Cyber-Physical Systems (CPS). IoT plays a crucial role by collecting real-time data from sensors and connected devices, forming the foundation for DT applications. AI and ML then process this data, allowing systems to make intelligent decisions, detect faults, and improve efficiency. Big Data Analytics further enhances DT capabilities by handling vast amounts of structured and unstructured information, extracting meaningful insights for better decision-making. Cloud and Edge Computing support DT operations by providing scalable storage and processing power, ensuring both accessibility and real-time responsiveness. Meanwhile, CPS bridges the gap between the physical and digital worlds, enabling seamless communication between them. Beyond these core technologies, DT relies on advanced modeling techniques, including physics-based simulations and data-driven models, to create accurate digital replicas. Standardized communication protocols and interoperability frameworks are also critical in ensuring seamless integration across different systems. At the same time, cybersecurity measures and data privacy strategies are essential for protecting DT applications from potential threats. The use of DT is expanding across industries such as manufacturing, healthcare, smart cities, and energy, showcasing its potential to drive digital transformation. However, challenges remain, including high implementation costs, computational complexity, and integration difficulties. Overcoming these obstacles requires ongoing technological advancements and collaboration between researchers, industry professionals, and policymakers to establish standardized frameworks and ensure scalability. This paper provides a comprehensive overview of the key technologies that power DT, examining their roles, interactions, and future directions to enhance adoption and effectiveness across various sectors.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,007 | 0,013 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,014 |
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 ».