Multifidelity digital twin for real-time monitoring of structural dynamics in aquaculture net cages

随着全球人口的增长和气候变化的加剧，可持续的食品生产变得至关重要。海洋养殖提供了一种可行的解决方案，提供了可持续的蛋白质来源。然而，该行业的扩张需要远程管理和自主运营的新技术。数字孪生技术可以推进水产养殖业，但其采用受到限制。鱼网笼是水产养殖场关键但脆弱的组成部分，是柔性浮动结构。笼子暴露在恶劣和动态的海洋环境中，承受巨大的负荷和风险，导致鱼类逃逸、环境影响和财务损失。我们提出了一种多保真度代理建模框架，用于集成到数字孪生中，以实时监测随机海洋条件下水产养殖网笼的结构动力学。该框架的核心是非线性自回归高斯过程方法，它学习不同保真度模型之间的复杂非线性交叉相关性。它将低保真度模拟数据与少量高保真度现场传感器测量数据相结合，后者提供实际动态但成本高且空间稀疏。在挪威SINTEF ACE鱼场经过验证，我们的数字孪生接收在线气象海洋数据，并准确预测了网笼位移和系泊线负荷，与现场测量结果非常接近。所提出的框架在应用特定数据稀缺的情况下具有益处，提供快速预测和实时系统表示。开发的数字孪生通过评估结构完整性防止潜在损害，并促进无人水下车辆的远程操作。我们的工作还比较了高斯过程和图卷积神经网络在预测网笼变形方面的效果，突出了后者在复杂结构应用中的有效性。

如何利用数字孪生技术提高水产养殖的可持续性和自主化操作？

使用多保真度代理模型框架结合非线性自回归高斯过程方法，实现对水产养殖网箱结构动力学的实时监测和预测。

论文提出的方法能够准确预测网箱位移和系泊线荷载，有助于防止潜在损害并实现远程操作。同时，论文比较了高斯过程和图卷积网络在预测网箱变形方面的效果。

近期的相关研究包括使用数字孪生技术提高风力发电机的可靠性和使用机器学习方法优化水产养殖的生产效率。