Simulation prédictive et jumeaux numériques : une synergie pour décider mieux

Dans un monde toujours plus complexe et guidé par les données, l’association de la simulation prédictive et des jumeaux numériques devient essentielle pour les organisations qui veulent améliorer leurs décisions, au quotidien comme sur le long terme.

La profonde interconnexion entre ces deux approches a suscité des échanges passionnants lors de notre dernière Witness User Conference. La question n’est plus de savoir s’il faut recourir à la simulation, mais avec quelle fluidité l’intégrer aux flux de travail quotidiens :

• Et si construire ou mettre à jour un modèle de simulation était aussi simple que de lui fournir les dernières données ?
• Et si les simulations pouvaient répondre à des enjeux opérationnels quotidiens, comme l’optimisation des ressources et des lignes ?
• Et si les équipes pouvaient dialoguer avec les modèles de simulation via un agent conversationnel (chatbot) ?

Les réponses dessinent une réalité où la simulation prédictive et les écosystèmes de jumeaux numériques travaillent main dans la main – le jumeau numérique apportant le contexte dynamique du monde réel, la simulation fournissant l’intelligence prédictive nécessaire pour agir avec confiance.

Comment simulation prédictive et jumeaux numériques se complètent

Simulation prédictive et jumeaux numériques partagent une finalité commune : aider les organisations à comprendre le monde physique et à le façonner selon leurs besoins futurs. Ils transforment les données en informations exploitables, pour de meilleures décisions au service de la performance, de la durabilité et de la maîtrise des risques.

Avec Gartner, nous recommandons de voir le jumeau numérique comme un « escalier de capacités » allant du descriptif au transformatif, comme illustré ci-contre. La simulation prend toute sa valeur aux étapes prédictive, prescriptive et transformative : c’est là que l’on dépasse l’état actuel pour explorer des scénarios « et si ? », tester des décisions et prévoir des résultats avant d’agir dans le monde réel. Combinée à l’apprentissage automatique et à d’autres techniques analytiques, la simulation agit comme le moteur prédictif au cœur du jumeau numérique. Ensemble, ils font passer la décision d’un mode réactif à un mode proactif, libérant une valeur qu’aucun des deux ne pourrait produire seul.

Démonstration : jumeaux numériques et simulation prédictive en action

Pour illustrer cette complémentarité, nous avons créé une démonstration à partir de l’exemple d’une brasserie, qui gère maltage, broyage, empâtage, ébullition, fermentation et conditionnement.

• Nous avons d’abord développé un flux de processus standard à l’aide d’un modèle de base dans notre logiciel Witness.
• Puis nous l’avons décomposé en éléments communs : cuves, processus, tampons et machines pilotées par une logique.
• Ensuite, nous avons relié ces éléments à une ontologie et construit un graphe de connaissances, hébergé sur Azure Digital Twins, en exportant notre modèle de référence Witness (avec ses modules) au format XML.
• Enfin, nous avons créé une application cliente (en Python) reliée à Azure Digital Twins. Dès qu’un changement est apporté au graphe de connaissances – la mise à jour de l’état d’un fluide, par exemple – le système l’applique automatiquement aux modèles d’actifs et de processus, puis reconstruit le modèle de simulation à partir des données, prêt à être exécuté.

De nombreuses entreprises adoptent aujourd’hui cette approche à l’échelle de l’entreprise, avec une manière standardisée de représenter le monde physique. Cela met en évidence l’intérêt d’un modèle de référence standard pour créer, mettre à jour et gérer les modèles de simulation.

Vers des décisions plus intelligentes

Lorsque jumeaux numériques et simulation prédictive fonctionnent de concert, nos trois questions de départ trouvent une réponse. Le jumeau numérique fournit la structure, la simulation apporte l’éclairage, et ensemble ils créent un flux de bout en bout :

• des modèles de jumeaux numériques, bâtis avec des langages standards, permettent de représenter les actifs ;
• les graphes de connaissances réduisent le temps et l’effort nécessaires pour construire, mettre à jour et maintenir ces modèles – et facilitent leur alimentation en données en temps réel ;
• la simulation s’en trouve renforcée, ouvrant de nouveaux cas d’usage ;
• avec une ontologie et un graphe de connaissances en place, des agents conversationnels peuvent aider à interpréter les résultats en langage naturel et nourrir l’apprentissage automatique.

Au final, cette approche rend l’information accessible aux décideurs, et non aux seuls analystes. Chez Haskoning, notre expertise couvre tous les aspects du jumelage numérique, du conseil au développement de solutions, pour vous aider à tirer le meilleur parti de la synergie entre simulation prédictive et jumeaux numériques. Contactez-nous pour en savoir plus.