提出了 Deep Energy Twin 解决方案，将深度学习和数字孪生集成在一起来更好地理解建筑能源使用情况，提高能源效率。使用本体论创建参数化的数字孪生来提供建筑中不同系统之间数据格式的一致性。

May, 2023

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

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

本文提出了一种基于物理约束的控制导向的深度学习方法来建模建筑热动力学，并通过仅使用 10 天的训练数据，在 20 天内展示了高度推广的能力，实现了在实际办公楼上的显著改进。

Nov, 2020

数字双胞胎是城市智能化发展中的关键工具，能够监测和控制实体状态，预测其未来发展，模拟替代场景以理解变化的影响。本文介绍了 Snap4City 智慧城市数字双胞胎框架，通过数据收集、索引、计算和信息分发等功能实现持续更新的数字双胞胎，在网页界面中集成了建筑模型、道路网络、物联网设备、感兴趣点、路径等信息，以支持市民参与城市决策过程。

Sep, 2023

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

本文提出了一种基于物理和数据驱动的数字孪生框架，用于自主食品加工，该框架含有最小计算负载、数据存储和传感器数据要求的精益数字孪生概念，并采用一个节俭的实验设计用于训练热处理的非侵入式降阶模型，其最佳模型的测试均方根误差小于 1 开尔文（0.2％平均百分比误差），模拟速度加快达到 1.8E4 Sp，可用于设备内的模型预测控制。

Sep, 2022

该研究提出了一种全局 Transformer 体系结构用于多房间建筑的室内温度预测，旨在优化能源消耗并减少与暖通空调系统相关的温室气体排放。该方法为温度预测提供了一种新颖解决方案，可提高准确性和效率，成为优化建筑行业能源消耗和减少温室气体排放的有价值工具。

Oct, 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

基于深层学习模型和物理方程，本文介绍了一种针对住宅建筑热损失的新型神经网络模型，结合建筑信息和能源消耗数据进行能源性能预测，取得了良好的预测准确性，为基于基本建筑特性的自动化、数据驱动能效预测铺平了道路。

Nov, 2023