🔢 mathematics

Adaptive digital twins for predictive decision-making: Online Bayesian learning of transition dynamics

تقترح هذه الورقة إطار عمل للتوأم الرقمي التكيفي للهندسة المدنية يستخدم التعلم البايزي عبر الإنترنت ضمن الشبكات البايزية الديناميكية لتحديث نماذج انتقال الحالة باستمرار، مما يتيح اتخاذ قرارات تنبؤية دقيقة وقوية وفعالة من حيث التكلفة لمراقبة الحالة الإنشائية وتخطيط الصيانة.

المؤلفون الأصليون: Eugenio Varetti, Matteo Torzoni, Marco Tezzele, Andrea Manzoni

نُشر 2026-05-12

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC0 1.0

المؤلفون الأصليون: Eugenio Varetti, Matteo Torzoni, Marco Tezzele, Andrea Manzoni

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك توأماً افتراضياً ذكياً جداً لجسم حقيقي في العالم الواقعي، مثل جسر سكك حديدية. هذا "التوأم الرقمي" ليس مجرد نموذج ثلاثي الأبعاد ثابت؛ بل هو محاكاة حية تتنفس وتتواصل مع الجسر الحقيقي يومياً.

هذه الورقة البحثية تدور حول تعليم ذلك التوأم الافتراضي كيف يتعلم أثناء العمل لكي يتمكن من اتخاذ قرارات أفضل بشأن كيفية الحفاظ على سلامة الجسر الحقيقي واستمرارية تشغيله.

إليك تفصيل لكيفية عمل ذلك، باستخدام تشبيهات بسيطة:

١. المشكلة: "لعبة التخمين"

عادةً، عندما يبني المهندسون توأماً رقمياً، يتعين عليهم التخمين كيف سيتغير الجسر الحقيقي بمرور الوقت. قد يقولون: "إذا لم نصلح هذا الشق، فسيصبح أسوأ بنسبة ١٠٪ في العام القادم".

الخلل: إذا كان تخمينهم خاطئاً، فإن نصيحة التوأم ستكون خاطئة أيضاً. إذا أصبح الشق أسوأ بنسبة ٥٠٪ فعلياً، فقد لا يحذرك التوأم حتى فوات الأوان.
حل الورقة البحثية: بدلاً من التخمين، يعامل التوأم معرفته بـ "كيفية تغير الأشياء" كـ فرضية يتم تحديثها في كل مرة يرى فيها بيانات جديدة. الأمر يشبه المحقق الذي يبدأ بنظرية، لكنه يغير رأيه بمجرد العث lập أدلة جديدة.

٢. المحرك: "الدماغ الاحتمالي"

استخدم المؤلفون أداة رياضية تسمى الشبكة البايزية الديناميكية (Dynamic Bayesian Network). فكر في هذا كدماغ التوأم.

كيف يعمل: يقوم بربط النقاط بين ما يراه (الاهتزازات الناتجة عن مرور القطارات) وما يعتقد أنه يحدث داخل الجسر (شقوق خفية أو أضرار).
السحر: بدلاً من امتلاك قاعدة ثابتة لـ "كيف تزداد الشقوق سوءاً"، يخصص التوأم احتمالية لكل نتيجة ممكنة. فهو يقول: "هناك احتمال ٧٠٪ أن يكبر الشق قليلاً، و٢٠٪ أن يبقى كما هو، و١٠٪ أن يصبح أسوأ بكثير".
التعلم: بينما يراقب التوأم الجسر لشهور، فإنه يستخدم تحديثات بايز (Bayesian updates) (وهي طريقة منمقة للقول "التعلم من الخبرة") لتعديل تلك النسب المئوية. إذا أصبح الشق أسوأ بنسبة ٥٠٪ فعلياً، يتعلم التوأم: "حسناً، تخميني القديم كان خاطئاً. في المرة القادلة، سأتوقع قفزات أكبر".

٣. صانع القرار: "لاعب الشطرنج"

بمجرد أن يفهم التوأم كيف يتغير الجسر، فإنه يحتاج إلى اتخاذ قرار بشأن ما يجب فعله. يتم نمذجة هذا كـ عملية ماركوف لاتخاذ القرار (Markov Decision Process).

اللعبة: تخيل أن التوأم يلعب مباراة شطرنج ضد الزمن.
- القطع: حالة الجسر الصحية (سليم، متضرر قليلاً، متضرر جداً).
- الحركات: عدم فعل شيء، تقييد حركة القطارات، إجراء إصلاح صغير، أو إجراء إصلاح ضخم.
- الهدف: الفوز باللعبة من خلال الحفاظ على سلامة الجسر لأطول فترة ممكنة مع إنفاق أقل قدر من المال.
الاستراتيجية: في الماضي، كان على التوأم لعب الشطرنج باستخدام كتاب قواعد ثابت. إذا كان كتاب القواعد خاطئاً، فسيخسر. في هذا النظام الجديد، يقوم التوأم بإعادة كتابة كتاب قواعده الخاص أثناء اللعب. إنه يعيد حساب أفضل حركة باستمرار بناءً على ما تعلمه للتو عن سلوك الجسر.

٤. الاختبار: "جسر هورني فورس" (Hörnefors Bridge)

لإثبات نجاح ذلك، قام المؤلفون بمحاكاة جسر سكك حديدية حقيقي في السويد (جسر Hörnefors).

الإعداد: أنشأوا نسخة افتراضية من الجسر وحاكوا عبور القطارات له عبر ٦٠ "خطوة زمنية" (مثل ٦٠ عاماً أو ٦٠ دورة تفتيش).
المقارنة:
- التوأم القديم: استخدم تخميناً ثابتاً وغير متغير حول كيفية انتشار الضرر.
- التوأم التكيفي الجديد: تعلم وحدّث تخميناته في الوقت الفعلي.
النتيجة: كان التوأم الجديد أفضل بنسبة ١٧٪ في إدارة الجسر. لقد اتخذ خيارات أذكى، وتجنب الانهيارات الكارثية، وعرف بالضبط متى ينفق المال على الإصلاحات. لم يكتفِ باتباع سيناريو مكتوب؛ بل تكيف مع واقع الموقف.

٥. لماذا يهم هذا؟

تزعم الورقة أنه من خلال جعل التوائم الرقمية تكيُّفية، يمكننا:

تخصيص المراقبة لجسور معينة (بما أن كل جسر يتقادم بشكل مختلف).
أن نكون أكثر متانة (أقل عرضة للمفاجآت الناجمة عن أضرار غير متوقعة).
توفير المال من خلال اتخاذ قرارات أكثر دقة بشأن متى يتم الإصلاح أو تقييد حركة المرور.

باختصار: تعلم هذه الورقة التوائم الرقمية كيف تتوقف عن كونها روبوتات جامدة تتبع دليلاً إرشادياً، وتبدأ في كونها متعلمين مرنين يراقبون العالم الحقيقي، ويحدثون فهمهم، ويتخذون قرارات أذكى في اللحظة ذاتها.

ملخص تقني: التوائم الرقمية التكيفية لاتخاذ القرارات التنبؤية

بيان المشكلة

تواجه الأنظمة الهندسية الحديثة، لا سيما في البنية التحتية المدنية، تحديات كبيرة في مراقبة السلامة الهيكلية وإدارة العمليات تحت ظروف عدم اليقين. تخضع هذه الأنظمة للتدهور المادي، والتحميل الدوري، والأحداث المتطرفة، والتي غالباً ما تتفاقم بسبب تغير المناخ. تعتمد مناهج المراقبة التقليدية غالباً على نماذج ثابتة أو متنبئات يتم تدريبها خارج نطاق التشغيل (offline)، والتي تفشل في مراعاة الطبيعة الديناميكية وغير المستقرة للظروف الهيكلية المتطورة. وبناءً على ذلك، فإن التوائم الرقمية (DTs) التي تغفل هذه الديناميكيات تعاني من انخفاض في التخصيص، وانخفاض في الدقة، وتراجع في القيمة المضافة لاتخاذ القرار.

بينما تستخدم أطر عمل التوأم الرقمي الحالية النماذج الرسومية الاحتمالية (PGMs) والشبكات البايزية الديناميكية (DBNs) لربط الأصول الفيزيائية بتمثيلاتها الافتراضية، إلا أنها غالباً ما تفترض ديناميكيات انتقال ثابتة. يفترض هذا الافتراض أن احتمالية انتقال النظام من حالة إلى أخرى هي ثابتة ومعروفة مسبقاً. ومع ذلك، في الواقع، يمكن أن تكون ديناميكيات الانتقال غير مستقرة (non-stationary) وتعتمد على الظروف البيئية المتطورة أو عوامل غير مدرجة في النموذج. إن الاعتماد على سياسات مثلى محسوبة مسبقاً بناءً على نماذج انتقال ثابتة قد يؤدي إلى قرارات دون المستوى الأمثل أو حتى فشل النظام إذا اختلفت الافتراضات الأولية عن الحقيقة الأرضية. تكمن المشكلة الجوهرية التي يعالجها البحث في كيفية تعزيز تحقيق القيمة للتوائم الرقمية من خلال إدخال "التكيف" (adaptivity) في نماذج انتقال الحالة، مما يمكّن النظام من تعلم وتحديث فهمه للديناميكيات في الوقت الفعلي.

المنهجية

يدمج الإطار المقترح بين التعلم البايزي عبر الإنترنت (Online Bayesian Learning) وعمليات ماركوف لاتخاذ القرار المعلمية (Parametric MDPs) ضمن بنية شبكة بايزية ديناميكية (DBN).

1. إطار النموذج الرسومي الاحتمالي (PGM)

يتم نمذجة التفاعل بين الأصل الفيزيائي وتوأمه الرقمي باستخدام شبكة بايزية ديناميكية (DBN) مع عقد اتخاذ القرار. يُعرف النظام من خلال:

الحالة الفيزيائية ( $S_t$ ): الحقيقة الأرضية الخفية للصحة الهيكلية.
الحالة الرقمية ( $D_t$ ): متغير عشوائي فئوي يمثل الحالة الصحية المستنتجة (موقع الضرر وحجمه).
الملاحظات ( $O_t$ ): بيانات الاستشعار (مثل تسجيلات الاهتزاز) التي يتم استيعابها عبر نماذج التعلم العميق (DL) لتحديث الاعتقاد في الحالة $D_t$ .
الإجراءات ( $U_t$ ): قرارات التحكم (مثل الصيانة أو قيود حركة المرور) التي تؤثر على انتقال الحالة الرقمية.
المكافآت ( $R_t$ ): دالة تقيس المنفعة لنظام (الأصل-التوأم) بناءً على الحالة الصحية وتكاليف الإجراءات.

تدفق المعلومات ثنائي الاتجاه: من الفيزيائي إلى الرقمي عبر استيعاب البيانات (الاستدلال)، ومن الرقمي إلى الفيزيائي عبر إجراءات التحكم (التخطيط).

2. التعلم عبر الإنترنت لديناميكيات الانتقال

يكمن الابتكار الجوهري في التعامل مع احتمالات انتقال الحالة ليس كمعلمات ثابتة، بل كمتغيرات عشوائية مزودة بتوزيعات سابقة مترافقة (conjugate prior distributions).

التمثيل المعلمي: يتم تمثيل نموذج الانتقال باستخدام توزيع ديريكليه-متعدد الحدود (Dirichlet-Multinomial) (أو توزيع بيتا-بيرنولي لحالات محددة). بالنسبة لإجراء معين $u$ ، يتم نمذجة احتمالات الانتقال كـ $\theta_{d,u} \sim \text{Dirichlet}(\alpha_{d,u})$ .
التحديثات البايزية: مع رصد بيانات ملاحظة جديدة وانتقالات الحالة، يتم تحديث المعلمات الفائقة ( $\alpha$ ) لتوزيع ديريكليه السابق بشكل مغلق (closed form). وهذا يسمح للتوأم الرقمي بـ "تعلم" ديناميكيات الانتقال عبر الإنترنت، والتكيف مع العمليات غير المستقرة دون الحاجة إلى إعادة تدريب كاملة للنموذج الأساسي.
الاستقلال عن الحالة: لضمان القدرة الحسابية في مساحات الحالة الكبيرة، يستخدم البحث نموذج انتقال مستقل عن الحالة، حيث تعتمد احتمالات الانتقال على الإجراء وحجم الخطوة (على سبيل المثال، 0 أو 1 أو 2 خطوة من التدهور) بدلاً من الحالة البدئية المحددة، رغم أن الإطار يدعم أيضاً الصيغ المعتمدة على الحالة.

3. سياسات التحكم الديناميكية عبر التعلم التعزيزي

بدلاً من حساب سياسة ثابتة واحدة خارج نطاق التشغيل، يستخدم الإطار التعلم التعزيزي القائم على النموذج (MBRL) لحل عملية ماركوف لاتخاذ القرار (MDP) ذات الأفق المحدود.

إعادة حساب السياسة: في كل خطوة زمنية، يتم إعادة حساب سياسة التحكم المثلى $\pi^*_t$ بناءً على (نموذج الانتقال المحدث حالياً).
الهدف: تسعى السياسة إلى تعظيم المكافأة التراكمية المتوقعة على مدار العمر المتبقي للمنشأ، مع الموازنة بين السلامة الهيكلية (مكافآت الصحة) وتكاليف الإجراءات (مكافآت التكلفة).
الخوارزمية: يستخدم الحل طريقة التكرار الخلفي (backward induction) لحل معادلات بلمان المثلى، مما ينتج سياسة تحكم تعتمد على الزمن تأخذ في الاعتبار أفق التخطيط المتبقي.

المساهمات الرئيسية

نمذجة الانتقال التكيفية: يقدم البحث طريقة للتعامل مع احتمالات انتقال الحالة كمتغيرات عشوائية ذات توزيعات سابقة مترافقة، مما يتيح التعلم الهرمي عبر الإنترنت لديناميكيات الانتقال من خلال تحديثات بايزية سهلة. وهذا يخفف من فرضية الاستقرار الشائعة في أدبيات التوأم الرقمي الحالية.
تحسين السياسة الديناميكية: صاغ المؤلفون عملية ماركوف لاتخاذ القرار (MDP) معلمية حيث يتم تحديث سياسات التحكم ديناميكياً باستخدام التعلم التعزيزي القائم على النموذج (MBRL). وهذا يتجاوز السياسات المحسوبة مسبقاً بناءً على ديناميكيات ثابتة، مما يسمح للتوأم الرقمي بتكييف استراتيجية اتخاذ القرار الخاصة به مع تعلم المزيد عن سلوك النظام.
التعميم الرياضي: يوسع العمل الأطر السابقة ليشمل فئة أوسع من التوزيعات الاحتمالية (تحديداً ديريكليه-متعدد الحدود)، مما يجعل النهج قابلاً للتطبيق على نطاق أوسع من الأنظمة الواقعية ذات المساحات الحالة المعقدة.
إطار عمل متكامل: يوفر البحث مساراً حوسبياً كاملاً، بدءاً من التدريب خارج نطاق التشغيل لنماذج التعلم العميق لتقدير الحالة، وصولاً إلى التحديث البايزي عبر الإنترنت لنماذج الانتقال وإعادة حساب السياسة الديناميكية.

النتائج

تم تقييم المنهجية من خلال دراسة حالة شملت جسر هورنيفورس (Hörnefors) السككي، وهو جسر خرساني بطول 15.7 متر في السويد. قامت الدراسة بمحاكاة عمر افتراضي مكون من 60 خطوة زمنية مع إجراءات تحكم متنوعة: عدم القيام بشيء (DN)، تقييد العمليات (RO)، إصلاح طفيف (MR)، وإصلاح كامل (PR).

تحسين الأداء: في مجموعة من 100 محاكاة، حقق التوأم الرقمي التكيفي (باستخدام تحديثات الدقة في MBRL) مكافأة تراكمية أعلى بنسبة 17% مقارنة بالتوأم الرقمي غير التكيفي الذي يستخدم نموذج انتقال ثابتاً وبرمجة ديناميكية (DP) قياسية.
المتانة: أظهر الإطار التكيفي صفراً من حالات الفشل (حيث يُعرف الانهيار الهيكلي بضرر $\ge$ 80%) عبر جميع عمليات المحاكاة. في المقابل، كانت السياسات غير التكيفية عرضة للفشل عندما لم تكن التوزيعات السابقة الأولية للنموذال متوافقة مع الحقيقة الأرضية.
دقة التتبع: حقق التوأم الرقمي التكيفي متوسط دقة تتبع بلغ 93.6% (مع انحراف معياري قدره 4%) بالنسبة للحالة الفيزيائية الحقيقية، وهي نتيجة مقاربة للتوأم غير التكيفي (93.15%)، مما يؤكد أن التكيف يحسن اتخاذ القرار دون التضحية بدقة تقدير الحالة.
التقارب: تقاربت التوزيعات اللاحقة (posterior distributions) لاحتمالات الانتقال نحو ديناميكيات الحقيقة الأرضية المجهولة، مما قلل من عدم اليقين بشكل كبير بمرور الوقت. نجح النظام في التصحيح الذاتي عندما كانت التوزيعات السابقة الأولية غير دقيقة.

الأهمية والادعاءات

يزعم البحث أن التكيف أمر ضروري للتحقيق الفعال للتوائم الرقمية في الهندسة المدنية. ومن خلال تمكين التوأم الرقمي من تعلم ديناميكيات الانتقال عبر الإنترنت، يضمن إطار العمل بقاء التمثيل الافتراضي متزامناً مع الأصل الفيزيائي، حتى مع تغير الظروف.

يؤكد المؤلفون أن هذا النهج يقدم تخصيصاً معززاً، ومتانة متزايدة، وفعالية أفضل من حيث التكلفة. وتحديداً، فإن القدرة على تحديث سياسات التحكم بناءً على تحسين ديناميكيات الانتقال تسمح بتخطيط أكثر استنارة، مما يمنع الفشل الهيكلي ويحسن جداول الصيانة. يضع هذا العمل خطوة نحو توائم رقمية ذاتية التشغيل يمكنها التعامل مع البيئات غير المستقرة، متجاوزة مجرد الأتمتة البسيطة إلى أنظمة قادرة على الاستجابة بفعالية للظروف المتغيرة بمرور الوقت. ويشير المؤلفون إلى أنه بينما تركز الدراسة الحالية على التدهور طويل الأمد، فإن العمل المستقبلي سيتناول الأحداث المتطرفة وعدم إمكانية الملاحظة الكاملة، مما يوسع نطاق تطبيق هذا الإطار التكيفي.