利用边缘计算、数字模型和深度学习实现建筑环境数字化转型，提升对室内气候的理解，通过边缘部署的数据预测模型能够有效预测室内温度和湿度的变化趋势。

Mar, 2024

利用工业 4.0 技术和数字孪生平台，该研究提出了一种建筑热力动力学的灰盒模拟架构，整合实时物联网数据和建筑的 3D 表示，促进了建筑热力动力学的智能决策制定和优化。

Feb, 2024

数字孪生（DT）对于实现可持续和有效的智慧城市解决方案至关重要，但现有的 DT 建模技术无法支持智慧城市环境的动态性，本研究探讨了时空图，并提出了基于强化学习的自适应孪生（RL-AT）机制，通过深度 Q 网络（DQN）的方法来填补该空白，该研究在精确性、同步性、资源优化和能源效率方面做出了贡献，时空图模型能够以更一致的精确性提供 55% 更高的查询性能，此外，我们的模型还证明了较低的开销和节能消耗率，实现了合理时间的数据获取，开销下降了 20%，能源消耗下降了 25%。

Jan, 2024

通过持续数据同化，智能数字孪生系统（SDTs）在多个领域中使用图像数据观察和学习系统行为，并控制其行为，从而提高复杂系统的性能优化。本文聚焦于不断同化物理系统中的图像数据来发展基于图像的 SDTs 的各种方法及相关挑战，并讨论了设计和实现 DL 模型用于 SDTs 所面临的挑战，包括数据采集、处理和解释等方面。此外，还提供了关于发展新的基于图像的 DL 方法以构建稳健 SDTs 的未来方向和机会，包括利用生成模型进行数据增强，开发多模态 DL 模型，以及探索与 5G、边缘计算和物联网等其他技术的融合。本文描述了基于图像的 SDTs，使得数字孪生系统（DT）的范式能够在广泛的领域得到更广泛的应用，并开发新的方法以提高 SDTs 在复制、预测和优化复杂系统行为方面的能力。

Jan, 2024

该研究提出了一个数字孪生框架，应用于石油和天然气工业中的气举过程，旨在提高数字孪生系统的稳健性和适应性。该框架结合了贝叶斯推断、蒙特卡罗模拟、迁移学习和不确定性管理等技术，为数字孪生系统提供高效、可靠、值得信赖的识别，并致力于改进复杂实际场景中的决策过程。

Nov, 2023

本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

Jul, 2017

本研究提出了一种基于预测性数字孪生的方法，用于土木工程结构的健康监测、维护和管理规划，通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测，并利用此信息用于动态决策框架中的维护和管理行动的优化规划。通过两个综合案例研究，验证了该方法对健康感知数字孪生的动态决策能力。

Aug, 2023

本文提出了数字孪生图（DTG）的概念，是一种自动化的、不依赖领域专家的数字孪生构建方法，采用数据驱动和图学习方法应对数字孪生的挑战。

Apr, 2023

数字孪生的发展代表了一种在受控数字空间中模拟和优化复杂系统的变革性进展，本文介绍了一种智能框架用于构建和评估数字孪生，旨在提高数字孪生在测试算法性能方面的准确性和实用性。

Jun, 2024

本文介绍了基于人工智能的代理建模及其在数字孪生框架和能源系统中的应用，并重点研究了构建有效代理模型的机器学习和人工智能的作用，以及为不同的可持续能源源开发的不同代理模型。此外，本文还描述了数字孪生代理模型及其相关的不确定性。

Sep, 2022