人工智能在提供各行业数字双胞胎版本的网络安全方面的作用以及与这些版本相关的风险进行了调查研究，从而为研究人员和其他对网络安全和数字安全感兴趣的人提供了一份路线图。

Nov, 2023

研究新的解决方案，以在智慧城市中实现试验和创新，使用数字孪生技术和合成数据，以最小化风险和成本，并以 NO2 污染为例进行了论证。

Jul, 2022

利用数字组织双生技术（DTOs）建立模型并定量评估信息系统更新的不同影响类型（结构、操作和绩效相关），以支持跟踪和影响分析小规模更改对业务流程执行的影响，并通过实现建议的方法的原型和标准 ERP 采购支付业务流程的案例研究来验证该方法。

Mar, 2022

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

电信网络变得越来越复杂，与网络数字孪生和生成式人工智能（AI）等先进技术的整合成为增强网络运营和弹性的关键解决方案。本文探讨了网络数字孪生与生成式人工智能（尤其关注生成对抗网络（GANs）和变分自编码器（VAEs））之间的协同作用。我们提出了一个新颖的架构框架，将这些技术结合起来，显著提高了预测性维护、网络场景模拟和实时数据驱动决策的能力。通过广泛的模拟，我们证明了生成式人工智能如何提高网络数字孪生的准确性和运营效率，有效处理不可预测的流量负载和网络故障等现实世界的复杂性。研究结果表明，这种整合不仅增强了数字孪生在情景预测和异常检测方面的能力，还促进了更自适应、智能的网络管理系统。

Jun, 2024

对于非线性动力系统的数字孪生，其基本要求是能够生成系统的演化并预测潜在的灾难性紧急行为，以提供早期警示。数字孪生可以实时用于系统的 “健康” 监测和预测问题的解决。构建非线性动力系统的数字孪生有两种方法：稀疏优化和机器学习。本文描述了这两种方法的基本概念并讨论了它们的优势和注意事项。

Sep, 2023

患者的数字孪生是描述其健康状况随时间演变的计算模型。我们描述了一种可以学习临床轨迹条件生成模型的神经网络架构，称为数字孪生生成器（DTGs），通过改变训练集并调整超参数，该架构可以为 13 种不同症状的患者生成准确的数字孪生。通过引入通用的架构，我们旨在解锁机器学习方法在更大的数据集和更多症状上的可扩展性，以便可以为世界上的任何患者创建数字孪生。

May, 2024

本文提出了一个数字化框架，通过权衡每个层次的利弊，制定数字孪生系统的评价标准，评估所选数字孪生系统对组织流程、策略和价值创造的影响，来帮助实践者选择数字孪生系统中的适当复杂度，同时提出数字孪生系统能提供诸如预测、模拟、人工智能和机器学习等新兴能力的误用选择可能带来的风险。三个实际案例证明了该框架的应用和实用性。

Jan, 2022

数字孪生可以与预测性维护相结合，以解决挑战并推进自动化预测性维护应用的发展。

Jun, 2024

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