Digital Twin Calibration for Biological System-of-Systems: Cell Culture Manufacturing Process

生物制造创新依赖于高效的试验设计（DoE）来优化过程和产品质量。传统的DoE方法忽略了潜在的生物加工机制，往往缺乏可解释性和样本效率。这种限制促使我们创建一种新的最优学习方法，可以指导数字孪生模型校准的顺序DoE。在本研究中，我们考虑了细胞培养过程的多尺度机械模型，也称为生物系统-系统（Bio-SoS），作为我们的数字孪生。这个模型具有模块化设计，由子模型组成，允许我们整合各种生产过程中的数据。为了校准Bio-SoS数字孪生，我们评估模型预测的均方误差，并开发一种计算方法来量化单个子模型参数估计误差对数字孪生预测精度的影响，这可以指导样本高效和可解释的DoE。

优化生产过程和产品质量的传统DoE方法缺乏解释性和样本效率，因此本文旨在创建一个新的最优学习方法来引导数字孪生模型校准的顺序DoE。

使用生物系统的多尺度机械模型作为数字孪生，通过模块化设计整合多个生产过程的数据，评估模型预测的均方误差并量化子模型参数估计误差对数字孪生预测准确性的影响，以指导样本高效和可解释的DoE。

本文提出了一种新的数字孪生校准方法，使用生物系统的多尺度机械模型作为数字孪生，通过模块化设计整合多个生产过程的数据。实验结果表明，该方法可以在保证预测准确性的前提下，显著减少样本数量和实验成本。本文提供了一个可扩展的框架，可以在不同的生产过程中应用。

最近的相关研究包括使用深度学习方法进行数字孪生校准的研究，如“Deep learning-based digital twin for predicting remaining useful life of bearings”和“Deep learning-enabled digital twin for real-time prediction of product quality in pharmaceutical continuous manufacturing”。