Jumeaux numériques : les dessous du double

Les jumeaux numériques ne sont pas de simples copies virtuelles. Leur intérêt repose sur leur capacité à faire dialoguer les données recueillies sur un système avec des modèles capables de décrire et d’expliquer le comportement de ce système et son évolution. Mais comment organiser ces différentes composantes pour accompagner un produit ou un service de sa conception à son exploitation ?

Noël Crespi et Roberto Minerva, chercheurs à Télécom SudParis, ont commencé à creuser cette question en coordonnant avec Adam T. Drobot un premier ouvrage collectif sur le sujet, paru en 2023, The Digital Twin. Plus de 80 spécialistes issus de la recherche et de différents domaines d’application y décrivent les technologies disponibles et leurs usages dans l’industrie, la santé, l’énergie, ou encore les villes.

Dans ce panorama exhaustif de plus de 1 200 pages, un seul chapitre pourtant, d’une vingtaine de pages seulement, traite directement de l’architecture logicielle. Les applications et les briques technologiques sont multiples, mais leur organisation au sein d’un système complet reste peu décrite. Certaines solutions se concentrent sur la gestion et la circulation des données, d’autres sur la formalisation des modèles, tandis que les grandes entreprises gardent jalousement leur savoir-faire.

« Nous avons compris qu’une réflexion architecturale sur les jumeaux numériques faisait réellement défaut. En dehors des solutions propriétaires, il n’existe pas encore de marche à suivre », constate Noël Crespi. Par où commencer ? Comment choisir et relier les différents modules ? Faire de la prédiction ? Autant de questions auxquelles des équipes souhaitant développer leur propre jumeau numérique doivent elles-mêmes trouver la réponse.

C’est donc pour combler cette lacune que les deux chercheurs ont produit leur nouvel ouvrage The Foundation for Digital Twins: An Architectural, Technical, and Software Perspective, qu’ils présentent comme un ensemble ouvert de fonctions, de règles et de contraintes destiné à guider la construction et l’exploitation de jumeaux numériques.

Cent définitions, mais pas de mode d’emploi commun

En préparant leur premier livre, Noël Crespi et Roberto Minerva ont recensé plus d’une centaine de définitions du jumeau numérique. Cette diversité s’explique par la variété des éléments mis en avant : représentation en trois dimensions, données, simulation, prédiction… Or, ces composantes ne jouent pas toutes le même rôle. Une maquette restitue l’apparence d’un objet sans décrire son fonctionnement, tandis que des mesures renseignent sur son état sans expliquer les raisons de son évolution.

Une représentation pertinente dépend avant tout de la question posée. Pour simuler, par exemple, l’écrasement d’une voiture contre un mur à l’aide d’un jumeau numérique, ce dernier doit montrer la forme du véhicule, les matériaux qui le composent et leur comportement sous l’effet du choc. La couleur de la carrosserie n’apporte aucune information utile ici, en revanche, elle devient importante si le constructeur cherche à anticiper les préférences de sa clientèle.

Deux angles d’analyse d’un même objet ne nécessitent donc pas la même représentation. « Le modèle sélectionne les caractéristiques importantes pour décrire le comportement du système dans un environnement précis », explique Roberto Minerva. L’usage détermine ainsi les données à recueillir et les phénomènes à modéliser.

« Le jumeau numérique associe les données à un modèle », poursuit le chercheur. Le modèle de données organise les mesures : leur nature, leur format et leurs relations. Le modèle de comportement décrit ce que fait le système et pourquoi son état change. Dans un avion, il relie par exemple une hausse de température, le fonctionnement d’un équipement et le déclenchement d’une alerte. Sans lui, le jumeau constate une anomalie sans nécessairement l’expliquer.

Partir des données ou du fonctionnement ?

La première approche pour l’élaboration d’un jumeau numérique est celle du terrain. Des capteurs enregistrent le fonctionnement d’une machine, d’un bâtiment ou d’une ville. L’intelligence artificielle repère des régularités et calcule l’état le plus probable à venir. Roberto Minerva qualifie cette approche d’« ascendante » : les données conduisent au jumeau.

Elle fonctionne tant que la situation observée reste proche des exemples déjà enregistrés. Si les vibrations d’une machine ont toujours précédé une panne, un algorithme peut apprendre cette relation. Mais il ne sait pas forcément pourquoi ces vibrations augmentent. Il risque aussi d’être démuni face à un événement sans précédent dans son historique.

Une seconde approche, « descendante », part des connaissances sur le système : lois physiques, composants, états possibles et relations de cause à effet. Elle simule un comportement, mais risque de s’éloigner de la réalité si les données d’exploitation ne la corrigent pas.

L’enjeu consiste donc à faire travailler ensemble ces deux approches. « Une prédiction par réseau de neurones indique ce qui risque de se produire dans une heure, mais elle n’en donne pas forcément la raison », précise Roberto Minerva. « Avec un modèle de comportement, il devient possible de relier cette prédiction au dépassement d’un seuil ou à un événement précis. » Les données signalent donc ce qui change et le modèle aide à comprendre pourquoi.

De la conception à l’exploitation, un jumeau qui évolue

Cette complémentarité est nécessaire tout du long de la vie du système. Aujourd’hui, il n’est pas rare que des entreprises conçoivent un produit, le fabriquent, le mettent sur le marché, puis décident après-coup d’en créer un jumeau numérique. « Cela impose de faire un peu de rétro-ingénierie a posteriori alors qu’il serait plus pertinent de concevoir le jumeau en même temps que le produit », soulève Roberto Minerva.

Le chercheur prend l’exemple d’un avion : au stade de la conception, le jumeau numérique sert à tester des choix techniques. Lors des essais, les simulations limitent le nombre de prototypes physiques et de tests destructifs. Une fois la flotte en service, chaque appareil transmet des informations sur ses équipements. Une anomalie isolée peut être liée aux conditions de vol, mais si elle se répète sur plusieurs avions, elle signale peut-être un défaut plus général.

Le modèle reproduit alors les circonstances de l’anomalie : froid extrême, combinaison inhabituelle d’événements, défaillance d’un composant… Les résultats alimentent la conception des appareils suivants. Le jumeau relie ainsi les enseignements accumulés pendant la conception, les essais et l’exploitation.

Cette chaîne réclame une architecture qui organise données, modèles, simulations et applications. Elle répartit aussi les calculs entre l’objet, les équipements proches et les infrastructures distantes. Les recherches de la chaire de mécénat Digital Twins for Industrial Systems qui implique trois écoles de l’Institut Mines-Télécom abordent des difficultés proches : interopérabilité, maintenance des modèles et adaptation aux usages.

Anticiper des crises sans précédent

La nécessité de combiner données et modèles apparaît surtout lorsqu’il faut raisonner sur des situations que l’expérience documente peu. Une centrale nucléaire fournit (heureusement) très peu de données sur les accidents graves. Un modèle prédictif entraîné sur un fonctionnement habituel manque ainsi d’exemples pour anticiper l’enchaînement d’une crise.

Noël Crespi et Roberto Minerva explorent donc l’usage de l’intelligence artificielle générative pour produire des scénarios d’accident rares et les soumettre aux modèles de comportement du système. L’objectif est de compléter les données réelles par des situations simulées, afin d’identifier les moyens de limiter les conséquences d’une crise. « Nous cherchons à simuler ce qui se passerait lors d’un événement critique, puis à modifier le comportement du système afin d’en atténuer les effets », détaille Roberto Minerva. Cette piste n’en est encore qu’à ses débuts. Compte tenu des possibilités d’hallucination, un scénario produit par une IA n’est pas nécessairement plausible : il faut encore vérifier qu’il respecte les contraintes physiques du système.

Comprendre et répondre à une situation de crise inédite peut aussi exiger des données que le système n’est pas en mesure de fournir. Une caméra installée dans un bâtiment n’est pas un détecteur spécialisé dans le suivi des incendies. Associée à un logiciel d’analyse, elle peut cependant fournir des indications sur la progression du feu et repérer les pièces encore occupées. Le jumeau numérique du bâtiment ne se contente alors pas de restituer les mesures de chaque capteur : il les combine pour en estimer l’état et produire les informations nécessaires à une intervention.

Éprouver l’architecture, brique après brique

L’architecture présentée dans The Foundation for Digital Twins constitue un cadre à éprouver, pas un système achevé. Dans leur laboratoire, les chercheurs et leurs élèves en testent certaines briques, comme la création d’un modèle de comportement à partir de données urbaines ou l’injection de scénarios dans ce modèle. « Le travail est immense. Ce n’est pas un hasard si cette architecture n’existait pas », rappelle Noël Crespi.

Chaque expérimentation précisera donc les liens entre données, comportements et intelligence artificielle. Elle devra aussi montrer comment maintenir ces liens lorsque le système réel évolue. Derrière le double numérique se dessine ainsi un problème moins visible que sa représentation à l’écran : celui de construire une chaîne cohérente, capable non seulement de prévoir un état, mais aussi d’en rechercher les causes et d’explorer des situations que le réel n’a pas encore produites.

Cet article est republié à partir de I’MTech. Lire l’article original.