Una piattaforma di Federated Digital Twin finalizzata alla raccolta di dati, che sia interoperabile, multifattoriale e su scala cittadina, allo scopo di monitorare e integrare i dati di rilevamento con l’apprendimento basato sull’Intelligenza Artificiale, framework di analisi e inclusione di metodologie di simulazione, analisi “what if” e strumenti predittivi.

I Digital Twin federati possono essere applicati all’interpretazione e alla generazione di azioni in base alle esigenze degli utenti e della società e agli obiettivi sostenibili, specificamente orientati al greening delle città e della società, dall’impronta energetica al consumo delle risorse.
Strumenti di questa portata diventano utili per fornire linee guida per i decisori, per la consapevolezza e il coinvolgimento degli utenti e l’accettazione da parte degli utenti delle linee guida comportamentali, delle migliori pratiche e della valutazione del loro impatto.

Molte città metropolitane raccolgono costantemente informazioni sui flussi di traffico mediante spire a induzione presenti sotto l’asfalto e/o altri sistemi.

A partire dai dati storici sui flussi di traffico rilevati in una grande città e messi a disposizione come open data si è testata la possibilità di prevedere i flussi di traffico delle ore successive.

Utilizzare un Digital Twin per il monitoraggio dell’aria e la previsione su scala urbana dell’inquinamento permette di produrre mappe in grado di fornire informazioni sulla qualità dell’aria e su altri indici ambientali.

Lo strumento produce la previsione spaziale a un giorno di NO2, PM10, concentrazione di O3, temperatura dell’aria, umidità dell’aria e valori dell’indice BLQ-Air. Lo strumento è sviluppato in linguaggio di programmazione Python ed è automatizzato per funzionare tutti i giorni, mentre le mappe prodotte vengono visualizzate sulla piattaforma e-Globus, aggiornate quotidianamente.

I risultati ottenuti indicano che l’output di previsione è in buon accordo con le misurazioni osservate.

Sulla base delle reali tempistiche di produzione degli ordini effettuati negli ultimi anni e delle distinte base di ciascun prodotto, è stato sviluppato un proof-of-concept di un gemello digitale in grado di prevedere il tempo necessario per produrre un nuovo lotto di produzione in funzione di vari parametri.

L’utilizzo di reti neurali e algoritmi di deep learning possono consentire al gemello digitale di migliorare le previsioni sulle tempistiche utilizzando un numero elevato di variabili di input e considerando dei legami nascosti tra le variabili applicando logiche non lineari.

Ciò consente di:
• disporre di informazioni più precise per una migliore schedulazione degli ordini di produzione;
• supportare l’area R&D nelle fasi di sviluppo di nuovi prodotti, simulando i risparmi di tempo ottenibili sostituendo un componente con un altro.