混合數位分身(Hybrid Digital Twin)運用混合分析技術結合物理和數據，能夠善用兩者優勢提升數位分身準確度。
(承前文)圖2展示融合殘差的建模的過程，即使用物理學模型預測和實驗資料作為兩個主要的資料來源。
這種方法的一大優點是，無論對於物理行為掌握了多少，藉由數據資料都可以幫助模擬未知或誤解的效應而留下的剩餘部分，也就是殘差數據。值得注意的是，模型的融合部分不會解釋缺失的內容，但與分身輸出結合使用時，確實可以提供更準確的預測。透過這種方式，不確定性被限制在未知的行為部分，增加機器學習元素不會使任何東西受到損失。
以這種方式使用融合模型，機器學習可以在保留已知物理現象的情況下進行。本質上，可以構建融合殘差模型來彌補極度糟糕的物理模型。在這些情況下，融合模型更像是資料模型，就像其他資料模型一樣，底層的物理學可能會被掩蓋或丟失。儘管如此，在這種情況下，不太好的物理模型仍至少可以對機器學習部分提供一些約束。
用於改善已經提供良好準確度，但缺少約10%的模型時，融合殘差建模能夠真正發揮作用。在這種情況下，融合模型可能無法完全解釋小殘差的物理現象，但系統的主要物理效應在物理分身中完全保留，並且可以輕鬆存取。
融合建模：多精度回歸
融合建模的另一個應用是多精度迴歸(Multifidelity Regression)。在這種情況下，一種數據來源被視為基本事實，第二種數據來源則近似於該基本事實。當基本事實數據稀缺而近似數據豐富時，就會使用融合建模。其中一個例子是在測試台上的測試。收集測試數據可能會耗費大量時間和成本，因此，人們會盡可能將測試轉移到虛擬領域以節省成本。模擬模型可以用來代替測試台上的測試，不過前提是它們必須準確地重現系統的實際行為。從測試台上至少需要幾個數據點來檢查模擬模型的行為。如果模擬模型不能提供與測試數據足夠高的相似度匹配，可以建立一個融合模型來模擬測試數據和模型之間的差異。
圖3顯示為Ansys Maxwell模型產生比Ansys Motor-CAD模型高得多的結果。然而，Motor-CAD模型與融合殘差模型相結合的結果與完整的Maxwell模型相差不大。有了融合校正模型，就可以使用該模型來精確地模擬其他未進行測試的設計點或場景。相同的概念也可以應用在兩個模擬數據來源上。
例如，一個電動馬達的有限元素(Finite Element, FEA)模型包括完整的幾何和物理效應，可以提供非常準確的預測。但是，FEA模型的運行時間可能頗長，使得在許多場景下進行重複測試變得困難。電動馬達也可以使用1D或2D假設更快地進行良好的近似建模。
融合模型使用兩種模擬的電動馬達模擬，以便更快地實現最佳預測。FEA模擬數據被用來對少數設計點的行為進行校準，1D模型模擬所有設計點，融合模型展示兩個模擬模型在設計點上的差異。1D模型再加上融合校正就是其他設計點的準確預測。
FEA模型中所需的設計點數量取決於兩個模型的結果之間的相關性。例如，如果相關性更高，可以使用FEA設計點，並更加依賴1D模型。
探索混合分析技術
數位分身通常存在於邊緣或雲端環境中，這些環境中的知識可能不多。混合數位分身透過利用所有可用數據並提供最佳的預測性維護和性能優化解決方案來克服這一挑戰。儘管分析通常指從數據中學習，但混合分析可從實驗數據和基於物理模擬的模擬數據兩個資料來源中學習。由多種資料來源和物理模型構建的融合模型是混合數位分身的重要組成部分，特別是在物理方面不確定的領域中，可以實現更高的準確性。
(本文作者任職於Ansys)
