KR102665220B1 - Apparatus and method for performing predictive simulation based on digital twin - Google Patents

Apparatus and method for performing predictive simulation based on digital twin Download PDF

Info

Publication number
KR102665220B1
KR102665220B1 KR1020210179986A KR20210179986A KR102665220B1 KR 102665220 B1 KR102665220 B1 KR 102665220B1 KR 1020210179986 A KR1020210179986 A KR 1020210179986A KR 20210179986 A KR20210179986 A KR 20210179986A KR 102665220 B1 KR102665220 B1 KR 102665220B1
Authority
KR
South Korea
Prior art keywords
data
prediction model
simulation
prediction
digital twin
Prior art date
Application number
KR1020210179986A
Other languages
Korean (ko)
Other versions
KR20230090859A (en
Inventor
김원태
윤성진
권진우
Original Assignee
한국기술교육대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국기술교육대학교 산학협력단 filed Critical 한국기술교육대학교 산학협력단
Priority to KR1020210179986A priority Critical patent/KR102665220B1/en
Publication of KR20230090859A publication Critical patent/KR20230090859A/en
Application granted granted Critical
Publication of KR102665220B1 publication Critical patent/KR102665220B1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

디지털 트윈 기반의 예측 시뮬레이션 수행 장치가 제공된다.
본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치는 물리 시스템으로부터 획득한 물리 데이터를 2차원의 제1 시멘틱 데이터로 가공하고, 상기 제1 시멘틱 데이터에 기초하여 타겟 디지털 트윈에 대한 예측 모델을 생성하는 예측 모델 생성부; 상기 물리 시스템으로부터 획득한 제2 시멘틱 데이터에 기초하여 상기 예측 모델에 대한 시뮬레이션을 수행하고, 예측 결과를 출력하는 시뮬레이션부; 및 상기 예측 결과를 평가하고, 평가 결과에 기초하여 상기 예측 모델을 학습하여 학습 예측 모델을 생성하는 예측 모델 학습부를 포함하되, 상기 예측 모델 생성부는, 상기 제1 시멘틱 데이터의 특성을 추출하고, 추출된 특성과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성에 대한 유사도 분석에 기초하여 유사 예측 모델을 결정하고, 상기 유사 예측 모델을 이용하여 상기 타겟 디지털 트윈에 대한 예측 모델을 생성할 수 있다.A digital twin-based predictive simulation performance device is provided.
A predictive simulation performing apparatus according to some embodiments of the present invention processes physical data obtained from a physical system into two-dimensional first semantic data, and generates a prediction model for the target digital twin based on the first semantic data. Prediction model generation unit; a simulation unit that performs a simulation of the prediction model based on second semantic data obtained from the physical system and outputs a prediction result; and a prediction model learning unit that evaluates the prediction result and generates a learning prediction model by learning the prediction model based on the evaluation result, wherein the prediction model generator extracts characteristics of the first semantic data and extracts A similar prediction model may be determined based on a similarity analysis of the characteristics of the simulated characteristics and the characteristics of at least one digital twin simulated in the past, and a prediction model for the target digital twin may be generated using the similar prediction model.

Description

디지털 트윈 기반의 예측 시뮬레이션 수행 장치 및 방법{Apparatus and method for performing predictive simulation based on digital twin}Apparatus and method for performing predictive simulation based on digital twin}

본 발명은 디지털 트윈 기반의 예측 시뮬레이션 수행 장치 및 방법에 관한 것으로, 더욱 상세하게는 예측하고자 하는 물리 시스템과 유사한 특성을 갖는 과거 예측 모델에 기초하여 생성된 예측 모델로 예측 시뮬레이션을 수행하는 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for performing predictive simulation based on digital twins, and more specifically, to an apparatus and method for performing predictive simulation with a prediction model generated based on a past prediction model with similar characteristics to the physical system to be predicted. It's about.

디지털　트윈(Digital Twin)은 컴퓨터에 현실 속 사물의 쌍둥이(Twin)를 만들고, 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션 함으로써 현실 자산의 특성에 대한 정확한 정보를 얻기 위한 기술을 말한다. 이러한 디지털 트윈 기술은 현실 자산의 각종 상태, 생산성, 동작 시나리오 등을 알 수 있으므로 여러 산업들의 생산, 서비스 등 전반에 걸쳐 효율을 향상시킬 수 있어서 최근 주목받고 있다.Digital Twin refers to a technology to obtain accurate information about the characteristics of real assets by creating a twin of an object in reality on a computer and simulating situations that may occur in reality with a computer. This digital twin technology has recently been attracting attention because it can improve efficiency across production and services in various industries by providing information on various states, productivity, and operation scenarios of real assets.

일반적인 디지털 트윈의 개발 방식은 도메인 관련 전문가가 직접 도메인 전문 시뮬레이터와 데이터를 이용하여 모델을 개발하는 방식이므로, 새로운 도메인의 디지털 트윈 개발이 요구될 때마다 기존의 도메인을 재사용하지 못하고 도메인 관련 전문가가 매번 다시 구현해야 한다는 단점이 있었다. 또한, 기존의 디지털 트윈 방식이 적용된 시뮬레이션 기술은 실제 모델의 부재 특성을 반영하지 못한다는 한계점이 있었다.The general digital twin development method is to have domain-related experts directly develop models using domain-specific simulators and data. Therefore, whenever digital twin development of a new domain is required, the existing domain cannot be reused, and domain-related experts are required to develop the model each time. The downside was that it had to be reimplemented. In addition, the simulation technology using the existing digital twin method had a limitation in that it did not reflect the absence characteristics of the actual model.

국내공개특허공보 제10-2021-0055432호를 비롯한 선행문헌들에서는 과거 데이터(Historical data)를 이용하여 구조물의 위험 예측 시뮬레이션을 수행하는 기술이 고안되었으나, 이는 단순히 과거의 시뮬레이션 데이터를 이용할 뿐, 새로운 디지털 트윈에 적용되는 예측 모델을 효율적으로 생성하는 방안에 대하여는 제시하지 못하는 한계가 존재한다.In prior literature, including Korean Patent Publication No. 10-2021-0055432, a technology for performing risk prediction simulation of structures using historical data has been devised, but this simply uses past simulation data and is a new There are limitations to how to efficiently generate prediction models applied to digital twins.

국내공개특허공보 제10-2021-0055432호(2021년05월17일 공개)Domestic Patent Publication No. 10-2021-0055432 (published on May 17, 2021)

본 발명이 해결하고자 하는 기술적 과제는 모델링하고자 하는 물리 시스템의 특성 정보와 과거 사용된 모델의 특성을 비교하여 예측 모델을 생성함으로써 효율적인 모델링이 가능한 장치 및 방법을 제공하는 것이다.The technical problem to be solved by the present invention is to provide an apparatus and method that enables efficient modeling by generating a predictive model by comparing the characteristic information of the physical system to be modeled with the characteristics of previously used models.

또한, 이론 기반 시뮬레이션 및 데이터 기반 시뮬레이션을 함께 활용하여 정확도가 향상된 예측 시뮬레이션 수행 장치 및 방법을 제공하는 것이다.In addition, a device and method for performing predictive simulation with improved accuracy is provided by utilizing both theory-based simulation and data-based simulation.

또한, 데이터 동화 기술을 활용하여 예측 모델의 결과 데이터를 판단하고, 이를 이용한 추가 학습을 통하여 예측 모델의 정확도를 향상시키는 장치 및 방법을 제공하는 것이다.In addition, it provides an apparatus and method for determining the result data of a prediction model using data assimilation technology and improving the accuracy of the prediction model through additional learning using this.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 해당 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.

상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 디지털 트윈 기반의 예측 시뮬레이션 수행 장치는 물리 시스템으로부터 획득한 물리 데이터를 2차원의 제1 시멘틱 데이터로 가공하고, 상기 제1 시멘틱 데이터에 기초하여 타겟 디지털 트윈에 대한 예측 모델을 생성하는 예측 모델 생성부; 상기 물리 시스템으로부터 획득한 제2 시멘틱 데이터에 기초하여 상기 예측 모델에 대한 시뮬레이션을 수행하고, 예측 결과를 출력하는 시뮬레이션부; 및 상기 예측 결과를 평가하고, 평가 결과에 기초하여 상기 예측 모델을 학습하여 학습 예측 모델을 생성하는 예측 모델 학습부를 포함할 수 있다.A digital twin-based predictive simulation performance apparatus according to some embodiments of the present invention for achieving the above technical problem processes physical data obtained from a physical system into two-dimensional first semantic data, and processes physical data obtained from a physical system into two-dimensional first semantic data, based on the first semantic data. a prediction model generation unit that generates a prediction model for the target digital twin; a simulation unit that performs a simulation of the prediction model based on second semantic data obtained from the physical system and outputs a prediction result; and a prediction model learning unit that evaluates the prediction result and learns the prediction model based on the evaluation result to generate a learned prediction model.

몇몇 실시예에 따라, 상기 예측 모델 생성부는, 상기 제1 시멘틱 데이터의 특성을 추출하고, 추출된 특성과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성에 대한 유사도 분석에 기초하여 유사 예측 모델을 결정하고, 상기 유사 예측 모델을 이용하여 상기 타겟 디지털 트윈에 대한 예측 모델을 생성할 수 있다.According to some embodiments, the prediction model generator extracts characteristics of the first semantic data, determines a similar prediction model based on similarity analysis of the extracted characteristics and characteristics of at least one digital twin simulated in the past, and , a prediction model for the target digital twin can be created using the similar prediction model.

몇몇 실시예에 따라, 상기 예측 모델 생성부는, 점별 합성곱(Pointwise Convolution)을 이용하여 상기 물리 데이터를 2차원 데이터로 경량화하고, 임베딩 네트워크(Embedding Network)를 이용하여 2차원 특성 벡터를 추출하는 필터를 활용하여 상기 제1 시멘틱 데이터로 가공할 수 있다.According to some embodiments, the prediction model generator is a filter that reduces the physical data to two-dimensional data using pointwise convolution and extracts a two-dimensional feature vector using an embedding network. It can be processed into the first semantic data using .

몇몇 실시예에 따라, 상기 제1 시멘틱 데이터는 상기 물리 시스템의 지형 특성 벡터 및 상기 물리 시스템의 기상 특성 벡터를 포함할 수 있다.According to some embodiments, the first semantic data may include a terrain characteristic vector of the physical system and a meteorological characteristic vector of the physical system.

몇몇 실시예에 따라, 상기 예측 모델 생성부는, 상기 제1 시멘틱 데이터와 최근접한 특성 벡터를 갖는 유사 디지털 트윈을 결정하고, 상기 유사 디지털 트윈에 적용된 예측 모델을 상기 유사 예측 모델로 결정할 수 있다.According to some embodiments, the prediction model generator may determine a similar digital twin having a feature vector closest to the first semantic data, and determine a prediction model applied to the similar digital twin as the similar prediction model.

몇몇 실시예에 따라, 상기 예측 모델 생성부는, 상기 지형 특성 벡터 및 상기 기상 특성 벡터 각각에 서로 다른 가중치(weight)를 부여하고, 가중치가 적용된 상기 지형 및 기상 특성 벡터와 상기 적어도 하나의 디지털 트윈의 유사도 분석에 기초하여 상기 유사 예측 모델을 결정할 수 있다.According to some embodiments, the prediction model generator assigns different weights to each of the terrain feature vector and the weather feature vector, and generates the weighted terrain and weather feature vector and the at least one digital twin. The similarity prediction model may be determined based on similarity analysis.

몇몇 실시예에 따라, 상기 예측 모델 생성부는, 상기 지형 및 기상 특성 벡터와의 거리가 기준 범위 이내인 적어도 하나의 디지털 트윈을 결정하고, 상기 적어도 하나의 디지털 트윈에 적용된 적어도 하나의 예측 모델의 중간값을 적용하여 상기 예측 모델을 생성할 수 있다.According to some embodiments, the prediction model generator determines at least one digital twin whose distance to the terrain and weather characteristic vector is within a reference range, and the middle of at least one prediction model applied to the at least one digital twin The prediction model can be created by applying the values.

몇몇 실시예에 따라, 상기 예측 모델 생성부는, 상기 지형 및 기상 특성 벡터와의 거리가 근접한 순서로 N개(N은 자연수)의 디지털 트윈을 결정하고, 상기 N개의 디지털 트윈에 적용된 N개의 예측 모델의 중간값을 적용하여 상기 예측 모델을 생성할 수 있다.According to some embodiments, the prediction model generator determines N digital twins (N is a natural number) in order of proximity to the terrain and weather characteristic vectors, and N prediction models applied to the N digital twins. The prediction model can be created by applying the median value of .

몇몇 실시예에 따라, 상기 시뮬레이션부는 상기 제2 시멘틱 데이터에 대한 이론 기반 시뮬레이션을 수행하여 예측 시뮬레이션 데이터를 출력하는 이론 기반 예측 모듈; 및 상기 예측 시뮬레이션 데이터를 데이터 기반으로 보정하여 보정 시뮬레이션 데이터를 상기 예측 결과로 출력하는 데이터 기반 보정 모듈을 포함할 수 있다.According to some embodiments, the simulation unit may include a theory-based prediction module that performs a theory-based simulation on the second semantic data and outputs prediction simulation data; and a data-based correction module that corrects the prediction simulation data based on data and outputs the correction simulation data as the prediction result.

이 때, 상기 예측 시뮬레이션 데이터는 상기 예측 모델 학습부로 전달되고, 상기 보정 시뮬레이션 데이터는 상기 예측 모델 학습부로 전달되고, 시각화(visualization)를 거쳐 외부 사용자 단말로 제공될 수 있다.At this time, the prediction simulation data may be transmitted to the prediction model learning unit, and the correction simulation data may be delivered to the prediction model learning unit and provided to an external user terminal through visualization.

몇몇 실시예에 따라, 상기 예측 모델 학습부는, 상기 물리 시스템으로부터 제공된 관측 데이터 및 상기 예측 시뮬레이션 데이터를 활용하여 데이터 동화(Data Assimilation) 기반의 보정 데이터를 출력하는 데이터 동화 기반 보정 모듈; 상기 보정 데이터 및 상기 보정 시뮬레이션 데이터에 대한 일치도에 기초하여 모델 평가 데이터를 출력하는 정화도 평가 모듈; 및 상기 모델 평가 데이터에 기초하여 상기 타겟 디지털 트윈의 예측 모델에 대한 학습(Training) 여부를 결정하고, 학습을 수행하여 상기 학습 예측 모델을 생성하는 모델 학습 모듈을 포함할 수 있다.According to some embodiments, the prediction model learning unit may include a data assimilation-based correction module that outputs correction data based on data assimilation using observation data and the prediction simulation data provided from the physical system; a purity evaluation module that outputs model evaluation data based on a degree of agreement between the correction data and the correction simulation data; And it may include a model learning module that determines whether to train the prediction model of the target digital twin based on the model evaluation data, and performs training to generate the trained prediction model.

본 발명의 몇몇 실시예에 따른 디지털 트윈 기반의 예측 시뮬레이션 수행 방법은 물리 시스템으로부터 획득한 물리 데이터를 2차원 제1 시멘틱 데이터로 가공하는 단계; 상기 제1 시멘틱 데이터의 특성을 추출하는 단계; 상기 추출된 특성과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성에 대한 유사도 분석에 기초하여 유사 예측 모델을 결정하는 단계; 상기 유사 예측 모델을 이용하여 타겟 디지털 트윈에 대한 예측 모델을 생성하는 단계; 상기 물리 시스템으로부터 획득한 제2 시멘틱 데이터에 기초하여 상기 예측 모델에 대한 시뮬레이션을 수행한 예측 결과를 출력하는 단계; 및 상기 예측 결과를 평가하고, 평가 결과에 기초하여 상기 예측 모델을 학습한 학습 예측 모델을 생성하는 단계를 포함할 수 있다.A method of performing a digital twin-based predictive simulation according to some embodiments of the present invention includes processing physical data obtained from a physical system into two-dimensional first semantic data; extracting characteristics of the first semantic data; determining a similar prediction model based on a similarity analysis of the extracted characteristics and characteristics of at least one digital twin simulated in the past; Generating a prediction model for a target digital twin using the similar prediction model; outputting a prediction result obtained by performing a simulation of the prediction model based on second semantic data obtained from the physical system; And it may include evaluating the prediction result and generating a learning prediction model by learning the prediction model based on the evaluation result.

몇몇 실시예에 따라, 상기 제1 시멘틱 데이터의 특성을 추출하는 단계는, 상기 물리 시스템의 지형 특성 벡터 및 기상 특성 벡터를 포함하는 특성을 추출하는 단계를 포함할 수 있다.According to some embodiments, extracting characteristics of the first semantic data may include extracting characteristics including a terrain characteristic vector and a meteorological characteristic vector of the physical system.

몇몇 실시예에 따라, 상기 유사 예측 모델을 결정하는 단계는, 상기 제1 시멘틱 데이터와 최근접한 특성 벡터를 갖는 디지털 트윈, 서로 다른 가중치가 적용된 상기 지형 및 기상 특성 벡터와 가장 유사한 값을 갖는 디지털 트윈, 상기 지형 및 기상 특성 벡터와의 거리가 기준 범위 이내인 디지털 트윈 및 상기 지형 및 기상 특성 벡터와의 거리가 근접한 순서로 결정된 N개(N은 자연수)의 디지털 트윈에 기초하여 상기 유사 예측 모델을 결정할 수 있다.According to some embodiments, the step of determining the similar prediction model includes a digital twin having a feature vector closest to the first semantic data, a digital twin having the most similar values to the terrain and weather feature vectors to which different weights are applied. , The similar prediction model is based on a digital twin whose distance to the terrain and weather characteristic vectors is within the reference range and N digital twins (N is a natural number) determined in order of proximity to the terrain and weather characteristic vectors. You can decide.

몇몇 실시예에 따라, 상기 예측 결과를 출력하는 단계는, 상기 제2 시멘틱 데이터에 대한 이론 기반 시뮬레이션을 수행하여 예측 시뮬레이션 데이터를 출력하는 단계; 및 상기 예측 시뮬레이션 데이터를 데이터 기반으로 보정하여 보정 시뮬레이션 데이터를 상기 예측 결과로 출력하는 단계를 포함할 수 있다.According to some embodiments, outputting the prediction result may include performing a theory-based simulation on the second semantic data and outputting prediction simulation data; And it may include correcting the prediction simulation data based on data and outputting the corrected simulation data as the prediction result.

몇몇 실시예에 따라, 상기 학습 예측 모델을 생성하는 단계는, 상기 물리 시스템으로부터 제공된 관측 데이터 및 상기 예측 시뮬레이션 데이터를 활용하여 데이터 동화 기반의 보정 데이터를 출력하는 단계; 상기 보정 데이터 및 상기 보정 시뮬레이션 데이터에 대한 일치도에 기초하여 모델 평가 데이터를 출력하는 단계; 상기 모델 평가 데이터에 기초하여 상기 타겟 디지털 트윈의 예측 모델에 대한 학습 여부를 결정하는 단계; 및 학습이 결정되는 경우 학습을 수행하여 상기 학습 예측 모델을 생성하는 단계를 포함할 수 있다.According to some embodiments, generating the learning prediction model may include outputting correction data based on data assimilation using observation data and the prediction simulation data provided from the physical system; outputting model evaluation data based on a degree of agreement between the correction data and the correction simulation data; determining whether to learn a prediction model of the target digital twin based on the model evaluation data; And when learning is determined, it may include performing learning to generate the learning prediction model.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Specific details of other embodiments are included in the detailed description and drawings.

도 1은 예측 시뮬레이션 수행 장치가 구현되는 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치를 설명하기 위한 블록도이다.
도 3 및 도 4는 본 발명의 몇몇 실시예에 따른 예측 모델 생성부를 설명하기 위한 도면이다.
도 5 및 도 6은 본 발명의 몇몇 실시예에 따른 시뮬레이션부를 설명하기 위한 도면이다.
도 7 및 도 8은 본 발명의 몇몇 실시예에 따른 예측 모델 학습부를 설명하기 위한 도면이다.
도 9는 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 방법을 설명하기 위한 순서도이다.1 is a diagram for explaining a system in which a prediction simulation performance device is implemented.
Figure 2 is a block diagram illustrating an apparatus for performing prediction simulation according to some embodiments of the present invention.
3 and 4 are diagrams for explaining a prediction model generator according to some embodiments of the present invention.
5 and 6 are diagrams for explaining a simulation unit according to some embodiments of the present invention.
7 and 8 are diagrams for explaining a prediction model learning unit according to some embodiments of the present invention.
Figure 9 is a flowchart illustrating a method of performing prediction simulation according to some embodiments of the present invention.

이하, 본 발명의 다양한 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.Hereinafter, various embodiments of the present invention are described with reference to the accompanying drawings. However, this is not intended to limit the present invention to specific embodiments, but should be understood to include various modifications, equivalents, and/or alternatives to the embodiments of the present invention.

이하에서, 도 1 내지 도 9를 참조하여 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치 및 방법에 대해 설명한다.Hereinafter, an apparatus and method for performing prediction simulation according to some embodiments of the present invention will be described with reference to FIGS. 1 to 9.

도 1은 예측 시뮬레이션 수행 장치가 구현되는 시스템을 설명하기 위한 도면이다.1 is a diagram for explaining a system in which a prediction simulation performance device is implemented.

도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치(100)는 물리 시스템(200) 및 사용자 단말(300)과 유무선 통신으로 연결되고, 시뮬레이션 기초 데이터, 시뮬레이션 결과 데이터 등을 송수신할 수 있다.Referring to FIG. 1, the predictive simulation performance apparatus 100 according to some embodiments of the present invention is connected to the physical system 200 and the user terminal 300 through wired and wireless communication, and transmits and receives simulation basic data, simulation result data, etc. can do.

물리 시스템(200)은 본 발명이 적용되는 물리적인 객체를 의미한다. 예를 들어, 산, 도로와 같은 지형이나 건축물, 교량 등과 같은 구조체일 수 있다. 물리 시스템(200)의 정보를 센싱하는 복수의 센서(온도 센서, 카메라 센서, 압력 센서 등)를 통해 물리 시스템의 상태를 센싱하고, 센싱된 정보는 예측 시뮬레이션 수행 장치(100)로 전달되어 예측 시뮬레이션의 기초 자료로서 활용될 수 있다.The physical system 200 refers to a physical object to which the present invention is applied. For example, it may be terrain such as a mountain or road, or a structure such as a building or bridge. The state of the physical system is sensed through a plurality of sensors (temperature sensor, camera sensor, pressure sensor, etc.) that sense information of the physical system 200, and the sensed information is transmitted to the predictive simulation performance device 100 to perform predictive simulation. It can be used as basic data.

사용자 단말(300)은 물리 시스템(200)에 대응되는 디지털 트윈의 시뮬레이션 결과가 제공되고, 예측 시뮬레이션 수행 장치(100)를 제어하는 단말일 수 있다. 예를 들어, 물리시스템의 사용자, 관리자 등이 접근 가능한 단말을 의미할 수 있다.The user terminal 300 may be a terminal that provides simulation results of a digital twin corresponding to the physical system 200 and controls the prediction simulation performance device 100 . For example, it may refer to a terminal that can be accessed by users, administrators, etc. of a physical system.

도 2는 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치를 설명하기 위한 블록도이다.Figure 2 is a block diagram illustrating an apparatus for performing prediction simulation according to some embodiments of the present invention.

도 2를 참조하면, 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치(100)는 데이터 전처리부(110), 인터페이스부(120), 데이터베이스(130), 예측 모델 생성부(140), 시뮬레이션부(150), 예측 모델 학습부(160) 및 데이터 버스(170)를 포함할 수 있다.Referring to FIG. 2, the prediction simulation performance apparatus 100 according to some embodiments of the present invention includes a data preprocessing unit 110, an interface unit 120, a database 130, a prediction model creation unit 140, and a simulation unit. 150, it may include a prediction model learning unit 160 and a data bus 170.

데이터 전처리부(110)는 물리 시스템(200)으로부터 획득된 물리 데이터를 가공하여 2차원 시멘틱 데이터로 가공할 수 있다. 이 때, 시멘틱 데이터는 지형(예를 들어, 연료 모델, 고도, 경사, 캐노피 커버 등)에 대한 정보 및 기상(예를 들어, 온도, 습도, 풍향, 풍속 등)에 대한 정보를 포함할 수 있다.The data preprocessor 110 may process physical data obtained from the physical system 200 and process it into two-dimensional semantic data. At this time, the semantic data may include information about terrain (e.g., fuel model, altitude, slope, canopy cover, etc.) and information about weather (e.g., temperature, humidity, wind direction, wind speed, etc.). .

인터페이스부(120)는 예측 시뮬레이션 수행 장치(100)의 구성요소와 외부(예를 들어, 물리 시스템(200), 사용자 단말(300) 등)와의 데이터 공유를 지원하는 유무선 인터페이스를 포함할 수 있다. 예를 들어, 장치(100)와 물리 시스템(200)은 DDS, MQTT, CoAP 등 사물인터넷 통신 프로토콜을 활용하여 전기적으로 연결될 수 있고, 장치(100)는 물리 시스템(200)으로부터 물리 데이터(DT_Physical)를 수신하고, 제어 커맨드를 전송할 수 있다. 또한, 인터페이스부(120)를 통해 사용자 단말(300)로부터 사용자 메시지를 수신하고, 처리된 결과 데이터를 사용자 단말(300)로 사용자 메시지의 형태로 전달함으로써 사용자(예를 들어, 관리자 등)가 모니터링 및 활용할 수 있도록 구현될 수 있다.The interface unit 120 may include a wired or wireless interface that supports data sharing between components of the prediction simulation performance apparatus 100 and the outside (eg, the physical system 200, the user terminal 300, etc.). For example, the device 100 and the physical system 200 may be electrically connected using an Internet of Things communication protocol such as DDS, MQTT, or CoAP, and the device 100 may receive physical data (DT_Physical) from the physical system 200. can be received and a control command can be transmitted. In addition, a user message is received from the user terminal 300 through the interface unit 120, and the processed result data is transmitted to the user terminal 300 in the form of a user message, so that the user (for example, an administrator, etc.) can monitor and can be implemented to be utilized.

데이터베이스(130)는 물리 시스템(200)으로부터 수신되는 물리 데이터(DT_Physical), 사용자 단말(300)로부터 수신되는 사용자 메시지, 예측 모델 생성부(140)로부터 생성되는 예측 모델(MODEL_PRED), 과거 사용된 예측 모델, 예측 모델을 활용하여 생성된 시뮬레이션 데이터, 예측 모델을 학습하는 학습 데이터 등 예측 시뮬레이션 수행 장치(100)의 구동에 필요한 데이터를 저장할 수 있다. 하나의 실시예로서 장치(100) 내부에 데이터베이스(130)가 구성되는 것으로 도시하였으나, 본 발명의 다른 실시예에 의해 장치 외부에 데이터베이스가 클라우드 형태 또는 물리적인 저장소 형태로 구현될 수 있다.The database 130 includes physical data (DT_Physical) received from the physical system 200, a user message received from the user terminal 300, a prediction model (MODEL_PRED) generated from the prediction model generator 140, and predictions used in the past. Data necessary for driving the predictive simulation performance device 100, such as models, simulation data generated using the predictive model, and learning data for learning the predictive model, can be stored. As one embodiment, the database 130 is shown as being configured inside the device 100. However, according to another embodiment of the present invention, the database may be implemented outside the device in the form of a cloud or physical storage.

예측 모델 생성부(140)는 시뮬레이션의 대상이 되는 타겟 디지털 트윈에 적용되는 예측 모델을 생성할 수 있다. 몇몇 실시예에 따라, 예측 모델 생성부(140)는 물리 시스템(200)으로부터 수신된 물리 데이터(또는, 전처리부(110)에 의해 가공된 시멘틱 데이터)를 2차원의 제1 시멘틱 데이터로 가공하고, 이에 기초하여 타겟 디지털 트윈에 대한 예측 모델을 생성할 수 있다. 예측 모델 생성부(140)의 구체적인 구성 및 동작에 대하여는 도 3 및 도 4를 참조하여 후술한다.The prediction model generator 140 may generate a prediction model applied to the target digital twin that is the subject of simulation. According to some embodiments, the prediction model generator 140 processes physical data received from the physical system 200 (or semantic data processed by the preprocessor 110) into two-dimensional first semantic data, and , Based on this, a prediction model for the target digital twin can be created. The specific configuration and operation of the prediction model generator 140 will be described later with reference to FIGS. 3 and 4.

시뮬레이션부(150)는 상기 예측 모델 생성부(140)에 의해 생성된 예측 모델을 이용하고, 물리 시스템(200)으로부터 획득한 제2 시멘틱 데이터에 기초하여 시뮬레이션을 수행할 수 있다. 시뮬레이션부(150)의 구체적인 구성 및 동작에 대하여는 도 5 및 도 6을 참조하여 후술한다.The simulation unit 150 may use the prediction model generated by the prediction model generation unit 140 and perform simulation based on second semantic data obtained from the physical system 200. The specific configuration and operation of the simulation unit 150 will be described later with reference to FIGS. 5 and 6.

예측 모델 학습부(160)는 시뮬레이션부(150)에 의해 수행된 예측 결과를 평가하고, 평가 결과에 기초하여 예측 모델을 학습하여 학습 예측 모델(MODEL_PRED(TN))을 생성할 수 있다. 예측 모델 학습부(160)의 구체적인 구성 및 동작에 대하여는 도 7 및 도 8을 참조하여 후술한다.The prediction model learning unit 160 may evaluate the prediction result performed by the simulation unit 150 and learn the prediction model based on the evaluation result to generate a learning prediction model (MODEL_PRED(TN)). The specific configuration and operation of the prediction model learning unit 160 will be described later with reference to FIGS. 7 and 8.

데이터 버스(170)는 예측 시뮬레이션 수행 장치(100)의 각 구성요소들 간의 데이터 통신을 수행할 수 있다. 예를 들어, 예측 모델 생성부(140), 시뮬레이션부(150), 예측 모델 학습부(160)를 실행시키고 결과값을 반환하는 메시지가 송수신될 수 있다. 또한, 시뮬레이션부(150) 및 예측 모델 학습부(160)에서 수행되는 예측 모델은 데이터 버스(170)를 통해 데이터베이스(130)로부터 독출(read)되어 사용될 수 있다.The data bus 170 may perform data communication between each component of the prediction simulation performance apparatus 100. For example, a message executing the prediction model creation unit 140, the simulation unit 150, and the prediction model learning unit 160 and returning a result value may be transmitted and received. Additionally, the prediction model performed in the simulation unit 150 and the prediction model learning unit 160 may be read from the database 130 through the data bus 170 and used.

예측 시뮬레이션 수행 장치(100)는 시각화부(미도시)를 더 포함할 수 있다. 몇몇 실시예에 따라, 시뮬레이션부(150)에 의해 예측된 결과 데이터는 다차원 시각화 엔진을 통해 시각화 처리가 수행되고, 시각화 처리된 데이터의 형태로 사용자 단말(300)로 제공될 수 있다.The prediction simulation performing apparatus 100 may further include a visualization unit (not shown). According to some embodiments, the result data predicted by the simulation unit 150 may be visualized through a multidimensional visualization engine and provided to the user terminal 300 in the form of visualized data.

도 3 및 도 4는 본 발명의 몇몇 실시예에 따른 예측 모델 생성부를 설명하기 위한 도면이다.3 and 4 are diagrams for explaining a prediction model generator according to some embodiments of the present invention.

도 3 및 도 4를 참조하면, 본 발명의 몇몇 실시예에 따른 예측 모델 생성부(140)는 데이터 차원축소 모듈(141), 유사 모델 결정 모듈(143) 및 모델 생성 모듈(145)을 포함할 수 있다.Referring to Figures 3 and 4, the prediction model generator 140 according to some embodiments of the present invention may include a data dimension reduction module 141, a similar model determination module 143, and a model creation module 145. You can.

데이터 차원축소 모듈(141)은 시멘틱 데이터 정보의 차원을 축소하여 2차원 데이터의 형태로 추출할 수 있다. 다양한 차원을 갖는 시멘틱 데이터의 경우 기사용 모델과 직접적인 비교가 어렵기 때문에, 유사한 특성에 대한 비교를 원활하게 수행하기 위하여 수행된다. The data dimension reduction module 141 can reduce the dimension of semantic data information and extract it in the form of two-dimensional data. In the case of semantic data with various dimensions, direct comparison with the article model is difficult, so this is performed to smoothly perform comparison of similar characteristics.

몇몇 실시예에 따라, 물리 데이터 또는 전처리된 데이터(DT_Physical)는 3차원 형태의 2개의 시멘틱 데이터로 추출되고, 각각의 시멘틱 데이터에 점별 합성곱(Pointwise Convolution) 연산을 적용하여 2차원 데이터로 경량화 하고, 축소된 2차원 데이터를 CNN(Convolutional Neural Network) 기반의 임베딩 네트워크(Embedding Network)를 이용하여 2차원 특성 벡터로 추출할 수 있다. 도시된 바와 같이, 기상 데이터(DT_Meteorological) 및 지형 데이터(DT_topography)는 각각 특성 벡터를 의미할 수 있다. 제1 시멘틱 데이터(DT_Semantic1)는 기상 데이터(DT_Meteorological)의 특성 벡터 및 지형 데이터(DT_topography)의 특성 벡터를 포함하는 2차원 데이터일 수 있다.According to some embodiments, physical data or preprocessed data (DT_Physical) is extracted into two three-dimensional semantic data, and a pointwise convolution operation is applied to each semantic data to reduce the weight to two-dimensional data. , the reduced two-dimensional data can be extracted into a two-dimensional feature vector using an embedding network based on CNN (Convolutional Neural Network). As shown, meteorological data (DT_Meteorological) and topography data (DT_topography) may each mean feature vectors. The first semantic data (DT_Semantic1) may be two-dimensional data including a feature vector of meteorological data (DT_Meteorological) and a feature vector of topography data (DT_topography).

유사 모델 결정 모듈(143)은 2차원 특성을 갖는 제1 시멘틱 데이터(DT_Semantic1)에 기초하여 유사 모델을 결정할 수 있다. 몇몇 실시예에 따라, 유사 모델 결정 모듈(143)은 추출된 특성(예를 들어, 공간, 지형 및 기상 특성)과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성(예를 들어, 공간, 지형 및 기상 특성)에 대한 유사도 분석에 기초하여 결정된 유사 모델 데이터(DT_Similar)를 출력할 수 있다. 이 때, 유사 모델 데이터(DT_Similar)에는 제1 시멘틱 데이터(DT_Semantic1)에 포함되는 특성과 유사한 특성을 갖는 과거 시뮬레이션된 예측 모델에 대한 정보가 포함될 수 있다.The similarity model determination module 143 may determine a similarity model based on first semantic data (DT_Semantic1) having two-dimensional characteristics. According to some embodiments, the similar model determination module 143 may combine extracted features (e.g., spatial, terrain, and meteorological characteristics) and characteristics of at least one historically simulated digital twin (e.g., spatial, terrain, and meteorological characteristics). Similar model data (DT_Similar) determined based on similarity analysis for characteristics can be output. At this time, the similar model data (DT_Similar) may include information about a past simulated prediction model that has characteristics similar to those included in the first semantic data (DT_Semantic1).

모델 생성 모듈(145)은 유사 모델 데이터(DT_Similar)에 기초하여 타겟 디지털 트윈에 대한 예측 모델(MODEL_PRED)을 생성할 수 있다. 몇몇 실시예에 따라, 모델 생성 모듈(145)은 유사 모델 데이터(DT_Similar)에 포함된 유사 예측 모델(MODEL_Similar)을 데이터베이스(130)로부터 획득하고, 이에 기초하여 타겟 디지털 트윈의 예측 모델(MODEL_PRED)을 생성할 수 있다.The model creation module 145 may generate a prediction model (MODEL_PRED) for the target digital twin based on similar model data (DT_Similar). According to some embodiments, the model creation module 145 obtains a similar prediction model (MODEL_Similar) included in similar model data (DT_Similar) from the database 130 and creates a prediction model (MODEL_PRED) of the target digital twin based on this. can be created.

몇몇 실시예에 따라, 모델 생성 모듈(145)은 제1 시멘틱 데이터(DT_Semantic1)와 최근접한 특성 벡터를 갖는 유사 디지털 트윈을 결정하고, 결정된 유사 디지털 트윈에 적용된 유사 예측 모델(MODEL_Similar)을 타겟 디지털 트윈의 예측 모델(MODEL_PRED)로 결정할 수 있다.According to some embodiments, the model creation module 145 determines a similar digital twin having the first semantic data (DT_Semantic1) and the closest feature vector, and applies a similar prediction model (MODEL_Similar) applied to the determined similar digital twin to the target digital twin. It can be determined by the prediction model (MODEL_PRED).

몇몇 실시예에 따라, 유사 모델 결정 모듈(143)은 제1 시멘틱 데이터(DT_Semantic1)에 포함되는 지형 특성 벡터 및 기상 특성 벡터 각각에 서로 다른 가중치(weight)를 부여하고, 서로 다른 가중치가 적용된 지형 및 기상 특성 벡터와 과거 디지털 트윈의 유사도를 분석하여 유사 모델 데이터(DT_Similar)를 출력하고, 모델 생성 모듈(145)은 유사 모델 데이터(DT_Similar)에 포함된 유사 예측 모델을 타겟 디지털 트윈의 예측 모델(MODEL_PRED)로 결정하여 생성할 수 있다.According to some embodiments, the similar model determination module 143 assigns different weights to each of the terrain feature vector and the weather feature vector included in the first semantic data (DT_Semantic1), and the terrain and the terrain to which different weights are applied. Similar model data (DT_Similar) is output by analyzing the similarity between the weather characteristic vector and the past digital twin, and the model creation module 145 uses the similar prediction model included in the similar model data (DT_Similar) to predict the target digital twin's prediction model (MODEL_PRED). ) can be created by deciding.

몇몇 실시예에 따라, 유사 모델 결정 모듈(143)은 제1 시멘틱 데이터(DT_Semantic1)의 지형 및 기상 특성 벡터와의 거리가 기정의된 기준 범위 이내인 적어도 하나의 과거 디지털 트윈을 결정하고, 결정된 디지털 트윈에 적용된 예측 모델에 대한 정보를 포함하는 유사 모델 데이터(DT_Similar)를 출력할 수 있다. 모델 생성 모듈(145)은 유사 모델 데이터(DT_Similar)에 포함되는 적어도 하나의 예측 모델의 중간값을 적용하여 타겟 디지털 트윈의 예측 모델(MODEL_PRED)을 생성할 수 있다.According to some embodiments, the similar model determination module 143 determines at least one past digital twin whose distance from the terrain and meteorological characteristic vector of the first semantic data (DT_Semantic1) is within a predefined reference range, and the determined digital twin Similar model data (DT_Similar) containing information about the prediction model applied to the twin can be output. The model creation module 145 may generate a prediction model (MODEL_PRED) of the target digital twin by applying the median value of at least one prediction model included in similar model data (DT_Similar).

몇몇 실시예에 따라, 유사 모델 결정 모듈(143)은 제1 시멘틱 데이터(DT_Semantic1)의 지형 및 기상 특성 벡터와의 거리가 근접한 순서로 N개(N은 자연수)의 과거 디지털 트윈을 결정하고, 결정된 디지털 트윈에 적용된 예측 모델에 대한 정보를 포함하는 유사 모델 데이터(DT_Similar)를 출력할 수 있다. 모델 생성 모듈(145)은 유사 모델 데이터(DT_Similar)에 포함되는 적어도 하나의 예측 모델의 중간값을 적용하여 타겟 디지털 트윈의 예측 모델(MODEL_PRED)을 생성할 수 있다.According to some embodiments, the similar model determination module 143 determines N (N is a natural number) past digital twins in the order of proximity to the terrain and meteorological characteristic vector of the first semantic data (DT_Semantic1), and determines the determined Similar model data (DT_Similar) containing information about the prediction model applied to the digital twin can be output. The model creation module 145 may generate a prediction model (MODEL_PRED) of the target digital twin by applying the median value of at least one prediction model included in similar model data (DT_Similar).

도 5 및 도 6은 본 발명의 몇몇 실시예에 따른 시뮬레이션부를 설명하기 위한 도면이다.5 and 6 are diagrams for explaining a simulation unit according to some embodiments of the present invention.

시뮬레이션부(150)는 물리 시스템(200)으로부터 획득된 정보인 제2 시멘틱 데이터(DT_Semantic2)에 기초하여 예측 시뮬레이션을 수행하고, 예측 결과인 보정 시뮬레이션 데이터(Simulation_Cal)를 출력할 수 있다. 이 때, 시뮬레이션부(150)에 의해 수행되는 예측 동작은 예측 모델 생성부(140)에 의해 생성된 타겟 디지털 트윈의 예측 모델(MODEL_PRED)을 이용하여 수행될 수 있다. 또한, 제2 시멘틱 데이터(DT_Semantic2)는 제1 시멘틱 데이터(DT_Semantic1)와 비교하여 시간적으로 경과한 후의 물리 시스템(200)에 대한 정보를 포함한다. 즉, 제1 시멘틱 데이터(DT_Semantic1)는 타겟 디지털 트윈의 예측 모델(MODEL_PRED)을 생성하기 위한 물리 시스템(200)의 데이터이고, 제2 시멘틱 데이터(DT_Semantic2)는 시뮬레이션 결과를 얻고자 하는 시점의 데이터일 수 있다.The simulation unit 150 may perform a predictive simulation based on second semantic data (DT_Semantic2), which is information obtained from the physical system 200, and output correction simulation data (Simulation_Cal), which is a prediction result. At this time, the prediction operation performed by the simulation unit 150 may be performed using the prediction model (MODEL_PRED) of the target digital twin generated by the prediction model creation unit 140. Additionally, the second semantic data (DT_Semantic2) includes information about the physical system 200 after temporal passage compared to the first semantic data (DT_Semantic1). That is, the first semantic data (DT_Semantic1) is data of the physical system 200 for generating a prediction model (MODEL_PRED) of the target digital twin, and the second semantic data (DT_Semantic2) is data at the time when simulation results are desired. You can.

도 5 및 도 6을 참조하면, 본 발명의 몇몇 실시예에 따른 시뮬레이션부(150)는 이론 기반 예측 모듈(151) 및 데이터 기반 보정 모듈(153)을 포함할 수 있다. 몇몇 실시예에 따라, 이론 기반 예측 모듈(151) 및 데이터 기반 보정 모듈(153)에 각각 포함되는 모델은 타겟 디지털 트윈의 예측 모델(MODEL_PRED)에 포함된 모델일 수 있다. 즉, 시뮬레이션부(150)는 예측 모델 생성부(140)에 의해 생성된 예측 모델(MODEL_PRED)을 이용하여 시뮬레이션 동작을 수행할 수 있다.Referring to FIGS. 5 and 6 , the simulation unit 150 according to some embodiments of the present invention may include a theory-based prediction module 151 and a data-based correction module 153. According to some embodiments, the models included in the theory-based prediction module 151 and the data-based correction module 153 may be models included in the prediction model (MODEL_PRED) of the target digital twin. That is, the simulation unit 150 may perform a simulation operation using the prediction model (MODEL_PRED) generated by the prediction model generation unit 140.

몇몇 실시예에 따라, 이론 기반 예측 모듈(151)은 제2 시멘틱 데이터(DT_Semantic2)에 대한 이론 기반 시뮬레이션을 수행하여 예측 시뮬레이션 데이터(Simulation_Pred)를 생성할 수 있다. 즉, 이론(또는 물리) 기반의 모델을 이용하여 타겟 디지털 트윈에 대한 예측 시뮬레이션 데이터(Simulation_Pred)를 생성할 수 있다.According to some embodiments, the theory-based prediction module 151 may generate prediction simulation data (Simulation_Pred) by performing theory-based simulation on the second semantic data (DT_Semantic2). In other words, predictive simulation data (Simulation_Pred) for the target digital twin can be generated using a theory (or physics)-based model.

몇몇 실시예에 따라, 데이터 기반 보정 모듈(153)은 이론 기반 예측 모듈(151)에 의해 생성된 예측 시뮬레이션 데이터(Simulation_Pred)를 데이터 기반으로 보정하여 보정 시뮬레이션 데이터(Simulation_Cal)를 생성할 수 있다. 예를 들어, 데이터 기반 보정 모듈(153)은 CNN 모델 기반의 에러 보정 모델을 이용하여 보정된 예측 결과인 보정 시뮬레이션 데이터(Simulation_Cal)를 생성할 수 있다. 생성된 보정 시뮬레이션 데이터(Simulation_Cal)는 시각화 과정을 거쳐 사용자 단말(300)로 전달될 수 있다. 즉, 보정 시뮬레이션 데이터(Simulation_Cal)가 시뮬레이션 결과 데이터로서 사용자 단말(300)로 제공될 수 있다.According to some embodiments, the data-based correction module 153 may correct the prediction simulation data (Simulation_Pred) generated by the theory-based prediction module 151 based on data to generate correction simulation data (Simulation_Cal). For example, the data-based correction module 153 may generate correction simulation data (Simulation_Cal), which is a corrected prediction result, using an error correction model based on a CNN model. The generated correction simulation data (Simulation_Cal) may be transmitted to the user terminal 300 through a visualization process. That is, correction simulation data (Simulation_Cal) may be provided to the user terminal 300 as simulation result data.

몇몇 실시예에 따라, 이론 기반 예측 모듈(151) 및 데이터 기반 보정 모듈(153)에 의해 각각 생성된 예측 시뮬레이션 데이터(Simulation_Pred) 및 보정 시뮬레이션 데이터(Simulation_Cal)는 예측 모델 학습부(160)로 전달되어 정확도 평가에 활용될 수 있다. According to some embodiments, the prediction simulation data (Simulation_Pred) and correction simulation data (Simulation_Cal) generated by the theory-based prediction module 151 and the data-based correction module 153, respectively, are transmitted to the prediction model learning unit 160. It can be used for accuracy evaluation.

도 7 및 도 8은 본 발명의 몇몇 실시예에 따른 예측 모델 학습부를 설명하기 위한 도면이다.7 and 8 are diagrams for explaining a prediction model learning unit according to some embodiments of the present invention.

본 발명의 몇몇 실시예에 따른 예측 모델 학습부(160)는 시뮬레이션부(150)로부터 획득된 예측 시뮬레이션 데이터(Simulation_Pred), 보정 시뮬레이션 데이터(Simulation_Cal) 및 물리 시스템(200)으로부터 획득된 관측 데이터(DT_Observation)에 기초하여 예측 모델(MODEL_PRED)의 정확도를 평가하고, 이에 기초하여 예측 모델(MODEL_PRED)을 학습하여 학습 예측 모델(MODEL_PRED(TN))을 생성할 수 있다. 즉, 실제 관측 데이터(DT_Observation)를 바탕으로 예측 모델(MODEL_PRED)의 적응화(Adaptation)을 수행하여 정확도가 향상된 학습 예측 모델(MODEL_PRED(TN))을 생성할 수 있다.The prediction model learning unit 160 according to some embodiments of the present invention includes prediction simulation data (Simulation_Pred), correction simulation data (Simulation_Cal) obtained from the simulation unit 150, and observation data (DT_Observation) obtained from the physical system 200. ), the accuracy of the prediction model (MODEL_PRED) can be evaluated, and the learning prediction model (MODEL_PRED(TN)) can be generated by learning the prediction model (MODEL_PRED) based on this. In other words, it is possible to create a learning prediction model (MODEL_PRED(TN)) with improved accuracy by performing adaptation of the prediction model (MODEL_PRED) based on actual observation data (DT_Observation).

도 7 및 도 8을 참조하면, 예측 모델 학습 모듈(165)은 데이터 동화 기반 보정 모듈(161), 정확도 평가 모듈(163) 및 모델 학습 모듈(165)을 포함할 수 있다.Referring to FIGS. 7 and 8 , the prediction model learning module 165 may include a data assimilation-based correction module 161, an accuracy evaluation module 163, and a model learning module 165.

데이터 동화 기반 보정 모듈(161)은 시뮬레이션부(150)로부터 획득된 예측 시뮬레이션 데이터(Simulation_Pred) 및 물리 시스템(200)으로부터 획득된 관측 데이터(DT_Observation)에 기초하여 보정 데이터(DT_Calibration)를 생성할 수 있다. 이 때, 관측 데이터(DT_Observation)는 물리 시스템(200)으로부터 수집되는 실제 데이터를 의미할 수 있다. 예를 들어, 재난의 확산이 진행됨에 따라 관측되는 데이터일 수 있다.The data assimilation-based correction module 161 may generate correction data (DT_Calibration) based on predictive simulation data (Simulation_Pred) obtained from the simulation unit 150 and observation data (DT_Observation) obtained from the physical system 200. . At this time, observation data (DT_Observation) may mean actual data collected from the physical system 200. For example, it may be data observed as the spread of a disaster progresses.

몇몇 실시예에 따라, 데이터 동화 기반 보정 모듈(161)은 데이터 동화(Data Assimilation) 기반의 예측치 보정 기능을 활용하고, 실제 수집 데이터(관측 데이터(DT_Observation))와 이론 기반 예측 모듈(151)로부터 생성된 예측 결과(예측 시뮬레이션 데이터(Simulation_Pred))를 입력으로 하여 보정된 예측 결과(보정 데이터(DT_Calibration))를 생성 및 출력할 수 있다.According to some embodiments, the data assimilation-based correction module 161 utilizes a prediction value correction function based on data assimilation and generates data from actual collected data (observation data (DT_Observation)) and theory-based prediction module 151. A corrected prediction result (correction data (DT_Calibration)) can be generated and output by using the predicted prediction result (prediction simulation data (Simulation_Pred)) as input.

정확도 평가 모듈(163)은 보정 데이터(DT_Calibration) 및 보정 시뮬레이션 데이터(Simulation_Cal)에 대한 일치도에 기초하여 모델 평가 데이터(DT_Evaluation)를 출력할 수 있다. 즉, 실제 관측 데이터(DT_Observation)를 활용한 데이터 동화 기반의 보정 데이터(DT_Calibration)와 시뮬레이션부(150)의 데이터 기반 보정 모듈(153)에 의해 예측된 보정 시뮬레이션 데이터(Simulation_Cal)의 일치도를 평가하여 예측 모델(MODEL_PRED)의 성능을 평가한 모델 평가 데이터(DT_Evaluation)를 생성할 수 있다.The accuracy evaluation module 163 may output model evaluation data (DT_Evaluation) based on the degree of agreement between the correction data (DT_Calibration) and the correction simulation data (Simulation_Cal). That is, the prediction is made by evaluating the degree of agreement between the correction data (DT_Calibration) based on data assimilation using actual observation data (DT_Observation) and the correction simulation data (Simulation_Cal) predicted by the data-based correction module 153 of the simulation unit 150. Model evaluation data (DT_Evaluation) that evaluates the performance of the model (MODEL_PRED) can be generated.

몇몇 실시예에 따라, 정확도 평가 모듈(163)은 예측 모델(MODEL_PRED)의 성능 평가 결과 기정의된 기준에 못 미치는 경우 예측 모델(MODEL_PRED)의 추가 학습을 결정할 수 있다. 이 때, 정확도 평가 모듈(163)은 데이터 동화 기술을 활용하여 생성된 보정 데이터(DT_Calibration)를 정답 데이터로 하는 학습 데이터(DT_Training)를 생성하여 출력할 수 있다.According to some embodiments, the accuracy evaluation module 163 may determine additional training of the prediction model (MODEL_PRED) when the performance evaluation result of the prediction model (MODEL_PRED) does not meet a predefined standard. At this time, the accuracy evaluation module 163 may generate and output training data (DT_Training) using the correction data (DT_Calibration) generated using data assimilation technology as the correct answer data.

모델 학습 모듈(165)은 예측 모델(MODEL_PRED)의 성능이 기준 이하인 경우, 학습 데이터(DT_Training)를 활용하여 예측 모델(MODEL_PRED)에 대한 학습을 수행할 수 있다. 구체적으로, 타겟 디지털 트윈의 예측 모델(MODEL_PRED) 중 데이터 기반 보정 모듈(153)에 활용되는 보정 모델의 학습을 수행할 수 있다. 모델 학습 모듈(165)은 추가 학습된 학습 예측 모델(MODEL_PRED(TN))을 출력할 수 있고, 이는 시뮬레이션부(150)의 차후 학습에 사용될 수 있다.If the performance of the prediction model (MODEL_PRED) is below the standard, the model learning module 165 may perform training on the prediction model (MODEL_PRED) using the training data (DT_Training). Specifically, learning of the correction model used in the data-based correction module 153 among the prediction model (MODEL_PRED) of the target digital twin can be performed. The model learning module 165 may output an additionally trained learning prediction model (MODEL_PRED(TN)), which may be used for subsequent learning of the simulation unit 150.

도 9는 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 방법을 설명하기 위한 순서도이다. 이하에서, 도 1 내지 도 8을 참조하여 설명과 중복되는 동작에 대한 설명은 생략한다.Figure 9 is a flowchart illustrating a method of performing prediction simulation according to some embodiments of the present invention. Hereinafter, descriptions of operations that overlap with those described with reference to FIGS. 1 to 8 will be omitted.

도 9를 참조하면, 본 발명의 몇몇 실시예에 따른 예측 시뮬레이션 수행 장치(100)는, 물리 데이터(DT_Physical)를 2차원 특성 벡터 정보를 포함하는 제1 시멘틱 데이터(DT_Semantic1)로 가공하고(S1000), 제1 시멘틱 데이터(DT_Semantic1)의 특성(예를 들어, 지형 및 기상 특성)을 추출하고(S2000), 특성 벡터에 기초하여 과거 사용된 유사 예측 모델(MODEL_Similar)을 결정하고(S3000), 유사 예측 모델(MODEL_Similar)에 기초하여 타겟 디지털 트윈에 대한 예측 모델(MODEL_PRED)을 생성(S4000)할 수 있다. Referring to FIG. 9, the predictive simulation performing apparatus 100 according to some embodiments of the present invention processes physical data (DT_Physical) into first semantic data (DT_Semantic1) including two-dimensional feature vector information (S1000). , extract characteristics (e.g., topographical and meteorological characteristics) of the first semantic data (DT_Semantic1) (S2000), determine a similar prediction model (MODEL_Similar) used in the past based on the feature vector (S3000), and make similar predictions Based on the model (MODEL_Similar), a prediction model (MODEL_PRED) for the target digital twin can be created (S4000).

S5000 단계에서, 생성된 예측 모델(MODEL_PRED)을 이용하고, 물리 시스템(200)으로부터 획득한 제2 시멘틱 데이터(DT_Semantic2)에 기초하여 예측 결과를 출력할 수 있다. 이 때, 시뮬레이션부(150)는 이론 기반 예측 모듈(151)을 통해 예측 시뮬레이션 데이터(Simulation_Pred)를 출력하고, 데이터 기반 보정 모듈(153)을 통해 보정 시뮬레이션 데이터(Simulation_Cal)를 생성하고, 보정된 보정 시뮬레이션 데이터(Simulation_Cal)를 예측 결과로서 사용자 단말(300)로 출력할 수 있다.In step S5000, a prediction result may be output using the generated prediction model (MODEL_PRED) and based on the second semantic data (DT_Semantic2) obtained from the physical system 200. At this time, the simulation unit 150 outputs prediction simulation data (Simulation_Pred) through the theory-based prediction module 151, generates correction simulation data (Simulation_Cal) through the data-based correction module 153, and generates the corrected correction. Simulation data (Simulation_Cal) can be output to the user terminal 300 as a prediction result.

S6000 단계에서, 물리 시스템(200)으로부터 획득된 실제 관측 데이터(DT_Observation)와 보정 시뮬레이션 데이터(Simulation_Cal)의 비교를 통해 예측 결과를 평가할 수 있다. 이 때, 일치 여부 판단을 통한 정확도를 판단하고, 정확도가 기설정된 기준에 미치지 못하는 경우 예측 모델(MODEL_PRED)의 추가 학습을 결정할 수 있다.In step S6000, the prediction result can be evaluated by comparing the actual observation data (DT_Observation) obtained from the physical system 200 and the corrected simulation data (Simulation_Cal). At this time, the accuracy can be determined by determining whether there is a match, and if the accuracy does not meet the preset standard, additional learning of the prediction model (MODEL_PRED) can be decided.

S7000 단계에서, 예측 모델(MODEL_PRED)의 추가 학습이 결정되는 경우 보정 데이터(DT_Calibration)를 결과 데이터로 하여 추가 학습을 수행하고, 학습 결과인 학습 예측 모델(MODEL_PRED(TN))을 생성하여 추후 학습에 이용할 수 있다.In the S7000 step, if additional learning of the prediction model (MODEL_PRED) is decided, additional learning is performed using the calibration data (DT_Calibration) as the result data, and a learning prediction model (MODEL_PRED(TN)), which is the learning result, is generated for later learning. Available.

본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나","A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나" 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. The various embodiments of this document and the terms used herein are not intended to limit the technical features described in this document to specific embodiments, and should be understood to include various changes, equivalents, or replacements of the embodiments. In connection with the description of the drawings, similar reference numbers may be used for similar or related components. The singular form of a noun corresponding to an item may include one or more of the above items, unless the relevant context clearly indicates otherwise. In this document, “A or B”, “at least one of A and B”, “at least one of A or B”, “A, B or C”, “at least one of A, B and C” and “A, Each of phrases such as “at least one of B, or C” may include any one of the items listed together in the corresponding phrase, or any possible combination thereof. Terms such as “first” and “second” may be used simply to distinguish one element from another and do not limit the elements in other respects (e.g., importance or order).

본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다. The term “module” used in this document may include a unit implemented in hardware, software, or firmware, and may be used interchangeably with terms such as logic, logic block, component, or circuit, for example. A module may be an integrated part or a minimum unit of the parts or a part thereof that performs one or more functions. For example, according to one embodiment, the module may be implemented in the form of an application-specific integrated circuit (ASIC).

본 문서의 다양한 실시 예들은 기기(machine)(예: 장치(100)) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기(예: 장치(100))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.Various embodiments of this document may be implemented as software including one or more instructions stored in a storage medium that can be read by a machine (eg, device 100). For example, a device (eg, device 100) may call at least one command among one or more commands stored from a storage medium and execute it. This allows the device to be operated to perform at least one function according to the at least one instruction called. The one or more instructions may include code generated by a compiler or code that can be executed by an interpreter. A storage medium that can be read by a device may be provided in the form of a non-transitory storage medium. Here, 'non-transitory' only means that the storage medium is a tangible device and does not contain signals (e.g. electromagnetic waves). This term refers to cases where data is stored semi-permanently in the storage medium. There is no distinction between temporary storage cases.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.According to one embodiment, methods according to various embodiments disclosed in this document may be included and provided in a computer program product. Computer program products are commodities and can be traded between sellers and buyers. A computer program product may be distributed in the form of a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)) or through an application store or between two user devices (e.g. smartphones). It may be distributed in person or online (e.g., downloaded or uploaded). In the case of online distribution, at least a portion of the computer program product may be at least temporarily stored or temporarily created in a machine-readable storage medium, such as the memory of a manufacturer's server, an application store's server, or a relay server.

다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.According to various embodiments, each component (eg, module or program) of the above-described components may include a single entity or a plurality of entities. According to various embodiments, one or more of the components or operations described above may be omitted, or one or more other components or operations may be added. Alternatively or additionally, multiple components (eg, modules or programs) may be integrated into a single component. In this case, the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component of the plurality of components prior to the integration. . According to various embodiments, operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations may be executed in a different order, omitted, or , or one or more other operations may be added.

100: 예측 시뮬레이션 수행 장치 110: 데이터 전처리부
120: 인터페이스부 130: 데이터베이스
140: 예측 모델 생성부 141: 데이터 차원축소 모듈
143: 유사 모델 결정 모듈 145: 모델 생성 모듈
150: 시뮬레이션부 151: 이론 기반 예측 모듈
153: 데이터 기반 보정 모듈 160: 예측 모델 학습부
161: 데이터 동화 기반 보정 모듈 163: 정확도 평가 모듈
165: 모델 학습 모듈 170: 데이터 버스
200: 물리 시스템 300: 사용자 단말100: Prediction simulation performance device 110: Data preprocessing unit
120: interface unit 130: database
140: Prediction model generation unit 141: Data dimension reduction module
143: Similar model determination module 145: Model creation module
150: Simulation unit 151: Theory-based prediction module
153: Data-based correction module 160: Prediction model learning unit
161: Data assimilation-based correction module 163: Accuracy evaluation module
165: model learning module 170: data bus
200: physical system 300: user terminal

Claims (13)

삭제delete 디지털 트윈 기반의 예측 시뮬레이션 수행 장치에 있어서,
물리 시스템으로부터 획득한 물리 데이터를 2차원의 제1 시멘틱 데이터로 가공하고, 상기 제1 시멘틱 데이터에 기초하여 타겟 디지털 트윈에 대한 예측 모델을 생성하는 예측 모델 생성부;
상기 물리 시스템으로부터 획득한 제2 시멘틱 데이터에 기초하여 상기 예측 모델에 대한 시뮬레이션을 수행하고, 예측 결과를 출력하는 시뮬레이션부; 및
상기 예측 결과를 평가하고, 평가 결과에 기초하여 상기 예측 모델을 학습하여 학습 예측 모델을 생성하는 예측 모델 학습부를 포함하되,
상기 예측 모델 생성부는,
상기 제1 시멘틱 데이터의 특성을 추출하고,
추출된 특성과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성에 대한 유사도 분석에 기초하여 유사 예측 모델을 결정하고,
상기 유사 예측 모델을 이용하여 상기 타겟 디지털 트윈에 대한 예측 모델을 생성하고,
상기 예측 모델 생성부는,
점별 합성곱(Pointwise Convolution)을 이용하여 상기 물리 데이터를 2차원 데이터로 경량화하고, 임베딩 네트워크(Embedding Network)를 이용하여 2차원 특성 벡터를 추출하는 필터를 활용하여 상기 제1 시멘틱 데이터로 가공하는,
예측 시뮬레이션 수행 장치.In a digital twin-based predictive simulation performance device,
a prediction model generator that processes physical data obtained from a physical system into two-dimensional first semantic data and generates a prediction model for the target digital twin based on the first semantic data;
a simulation unit that performs a simulation of the prediction model based on second semantic data obtained from the physical system and outputs a prediction result; and
A prediction model learning unit that evaluates the prediction result and learns the prediction model based on the evaluation result to generate a learning prediction model,
The prediction model generator,
Extracting characteristics of the first semantic data,
Determine a similar prediction model based on similarity analysis of the extracted characteristics and the characteristics of at least one previously simulated digital twin,
Generate a prediction model for the target digital twin using the similar prediction model,
The prediction model generator,
Lightening the physical data into two-dimensional data using pointwise convolution, and processing it into the first semantic data using a filter that extracts two-dimensional feature vectors using an embedding network,
Predictive simulation performance device. 디지털 트윈 기반의 예측 시뮬레이션 수행 장치에 있어서,
물리 시스템으로부터 획득한 물리 데이터를 2차원의 제1 시멘틱 데이터로 가공하고, 상기 제1 시멘틱 데이터에 기초하여 타겟 디지털 트윈에 대한 예측 모델을 생성하는 예측 모델 생성부;
상기 물리 시스템으로부터 획득한 제2 시멘틱 데이터에 기초하여 상기 예측 모델에 대한 시뮬레이션을 수행하고, 예측 결과를 출력하는 시뮬레이션부; 및
상기 예측 결과를 평가하고, 평가 결과에 기초하여 상기 예측 모델을 학습하여 학습 예측 모델을 생성하는 예측 모델 학습부를 포함하되,
상기 예측 모델 생성부는,
상기 제1 시멘틱 데이터의 특성을 추출하고,
추출된 특성과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성에 대한 유사도 분석에 기초하여 유사 예측 모델을 결정하고,
상기 유사 예측 모델을 이용하여 상기 타겟 디지털 트윈에 대한 예측 모델을 생성하고,
상기 제1 시멘틱 데이터는 상기 물리 시스템의 지형 특성 벡터 및 상기 물리 시스템의 기상 특성 벡터를 포함하는,
예측 시뮬레이션 수행 장치.In a digital twin-based predictive simulation performance device,
a prediction model generator that processes physical data obtained from a physical system into two-dimensional first semantic data and generates a prediction model for the target digital twin based on the first semantic data;
a simulation unit that performs a simulation of the prediction model based on second semantic data obtained from the physical system and outputs a prediction result; and
A prediction model learning unit that evaluates the prediction result and learns the prediction model based on the evaluation result to generate a learning prediction model,
The prediction model generator,
Extracting characteristics of the first semantic data,
Determine a similar prediction model based on similarity analysis of the extracted characteristics and the characteristics of at least one previously simulated digital twin,
Generate a prediction model for the target digital twin using the similar prediction model,
The first semantic data includes a terrain characteristic vector of the physical system and a meteorological characteristic vector of the physical system,
Predictive simulation performance device. 청구항 3에 있어서,
상기 예측 모델 생성부는,
상기 제1 시멘틱 데이터와 최근접한 특성 벡터를 갖는 유사 디지털 트윈을 결정하고,
상기 유사 디지털 트윈에 적용된 예측 모델을 상기 유사 예측 모델로 결정하는,
예측 시뮬레이션 수행 장치In claim 3,
The prediction model generator,
Determine a similar digital twin having the first semantic data and the closest feature vector,
Determining the prediction model applied to the similar digital twin as the similar prediction model,
Predictive simulation performance device 청구항 3에 있어서,
상기 예측 모델 생성부는,
상기 지형 특성 벡터 및 상기 기상 특성 벡터 각각에 서로 다른 가중치(weight)를 부여하고, 가중치가 적용된 상기 지형 및 기상 특성 벡터와 상기 적어도 하나의 디지털 트윈의 유사도 분석에 기초하여 상기 유사 예측 모델을 결정하는,
예측 시뮬레이션 수행 장치.In claim 3,
The prediction model generator,
Giving different weights to each of the terrain feature vector and the weather feature vector, and determining the similarity prediction model based on a similarity analysis of the weighted terrain and weather feature vector and the at least one digital twin. ,
Predictive simulation performance device. 청구항 3에 있어서,
상기 예측 모델 생성부는,
상기 지형 및 기상 특성 벡터와의 거리가 기준 범위 이내인 적어도 하나의 디지털 트윈을 결정하고, 상기 적어도 하나의 디지털 트윈에 적용된 적어도 하나의 예측 모델의 중간값을 적용하여 상기 예측 모델을 생성하는,
예측 시뮬레이션 수행 장치.In claim 3,
The prediction model generator,
Determining at least one digital twin whose distance to the terrain and weather characteristic vector is within a reference range, and generating the prediction model by applying an intermediate value of at least one prediction model applied to the at least one digital twin,
Predictive simulation performance device. 청구항 3에 있어서,
상기 예측 모델 생성부는,
상기 지형 및 기상 특성 벡터와의 거리가 근접한 순서로 N개(N은 자연수)의 디지털 트윈을 결정하고, 상기 N개의 디지털 트윈에 적용된 N개의 예측 모델의 중간값을 적용하여 상기 예측 모델을 생성하는,
예측 시뮬레이션 수행 장치.In claim 3,
The prediction model generator,
Determining N digital twins (N is a natural number) in order of proximity to the terrain and meteorological characteristic vectors, and generating the prediction model by applying the median of the N prediction models applied to the N digital twins. ,
Predictive simulation performance device. 청구항 2 또는 3에 있어서,
상기 시뮬레이션부는 상기 제2 시멘틱 데이터에 대한 이론 기반 시뮬레이션을 수행하여 예측 시뮬레이션 데이터를 출력하는 이론 기반 예측 모듈; 및 상기 예측 시뮬레이션 데이터를 데이터 기반으로 보정하여 보정 시뮬레이션 데이터를 상기 예측 결과로 출력하는 데이터 기반 보정 모듈을 포함하되,
상기 예측 시뮬레이션 데이터는 상기 예측 모델 학습부로 전달되고, 상기 보정 시뮬레이션 데이터는 상기 예측 모델 학습부로 전달되고, 시각화(visualization)를 거쳐 외부 사용자 단말로 제공되는,
예측 시뮬레이션 수행 장치.In claim 2 or 3,
The simulation unit includes a theory-based prediction module that performs theory-based simulation on the second semantic data and outputs prediction simulation data; And a data-based correction module that corrects the prediction simulation data based on data and outputs the correction simulation data as the prediction result,
The prediction simulation data is transmitted to the prediction model learning unit, and the correction simulation data is delivered to the prediction model learning unit, and provided to an external user terminal through visualization.
Predictive simulation performance device. 청구항 8에 있어서,
상기 예측 모델 학습부는,
상기 물리 시스템으로부터 제공된 관측 데이터 및 상기 예측 시뮬레이션 데이터를 활용하여 데이터 동화(Data Assimilation) 기반의 보정 데이터를 출력하는 데이터 동화 기반 보정 모듈;
상기 보정 데이터 및 상기 보정 시뮬레이션 데이터에 대한 일치도에 기초하여 모델 평가 데이터를 출력하는 정화도 평가 모듈; 및
상기 모델 평가 데이터에 기초하여 상기 타겟 디지털 트윈의 예측 모델에 대한 학습(Training) 여부를 결정하고, 학습을 수행하여 상기 학습 예측 모델을 생성하는 모델 학습 모듈을 포함하는,
예측 시뮬레이션 수행 장치.In claim 8,
The prediction model learning unit,
a data assimilation-based correction module that outputs correction data based on data assimilation using observation data and the prediction simulation data provided from the physical system;
a purity evaluation module that outputs model evaluation data based on a degree of agreement between the correction data and the correction simulation data; and
A model learning module that determines whether to train a prediction model of the target digital twin based on the model evaluation data and performs training to generate the training prediction model,
Predictive simulation performance device. 삭제delete 디지털 트윈 기반의 예측 시뮬레이션 수행 방법에 있어서,
물리 시스템으로부터 획득한 물리 데이터를 2차원 제1 시멘틱 데이터로 가공하는 단계;
상기 제1 시멘틱 데이터의 특성을 추출하는 단계;
상기 추출된 특성과 과거 시뮬레이션된 적어도 하나의 디지털 트윈의 특성에 대한 유사도 분석에 기초하여 유사 예측 모델을 결정하는 단계;
상기 유사 예측 모델을 이용하여 타겟 디지털 트윈에 대한 예측 모델을 생성하는 단계;
상기 물리 시스템으로부터 획득한 제2 시멘틱 데이터에 기초하여 상기 예측 모델에 대한 시뮬레이션을 수행한 예측 결과를 출력하는 단계; 및
상기 예측 결과를 평가하고, 평가 결과에 기초하여 상기 예측 모델을 학습한 학습 예측 모델을 생성하는 단계를 포함하고,
상기 제1 시멘틱 데이터의 특성을 추출하는 단계는, 상기 물리 시스템의 지형 특성 벡터 및 기상 특성 벡터를 포함하는 특성을 추출하는 단계를 포함하고,
상기 유사 예측 모델을 결정하는 단계는,
상기 제1 시멘틱 데이터와 최근접한 특성 벡터를 갖는 디지털 트윈, 서로 다른 가중치가 적용된 상기 지형 및 기상 특성 벡터와 가장 유사한 값을 갖는 디지털 트윈, 상기 지형 및 기상 특성 벡터와의 거리가 기준 범위 이내인 디지털 트윈 및 상기 지형 및 기상 특성 벡터와의 거리가 근접한 순서로 결정된 N개(N은 자연수)의 디지털 트윈에 기초하여 상기 유사 예측 모델을 결정하는,
예측 시뮬레이션 수행 방법.In the digital twin-based predictive simulation method,
Processing physical data obtained from a physical system into two-dimensional first semantic data;
extracting characteristics of the first semantic data;
determining a similar prediction model based on a similarity analysis of the extracted characteristics and characteristics of at least one digital twin simulated in the past;
Generating a prediction model for a target digital twin using the similar prediction model;
outputting a prediction result obtained by performing a simulation of the prediction model based on second semantic data obtained from the physical system; and
Comprising the step of evaluating the prediction result and generating a learning prediction model by learning the prediction model based on the evaluation result,
Extracting features of the first semantic data includes extracting features including a terrain feature vector and a meteorological feature vector of the physical system,
The step of determining the similar prediction model is,
A digital twin having a feature vector closest to the first semantic data, a digital twin having values most similar to the terrain and weather feature vectors with different weights applied, and a digital twin having a distance from the terrain and weather feature vectors within a reference range. Determining the similar prediction model based on N digital twins (N is a natural number) determined in order of proximity to the twin and the terrain and meteorological characteristic vectors,
How to perform a predictive simulation. 청구항 11에 있어서,
상기 예측 결과를 출력하는 단계는,
상기 제2 시멘틱 데이터에 대한 이론 기반 시뮬레이션을 수행하여 예측 시뮬레이션 데이터를 출력하는 단계; 및
상기 예측 시뮬레이션 데이터를 데이터 기반으로 보정하여 보정 시뮬레이션 데이터를 상기 예측 결과로 출력하는 단계를 포함하는,
예측 시뮬레이션 수행 방법.In claim 11,
The step of outputting the prediction result is,
performing a theory-based simulation on the second semantic data and outputting predicted simulation data; and
Comprising the step of correcting the prediction simulation data based on data and outputting the corrected simulation data as the prediction result,
How to perform a predictive simulation. 청구항 12에 있어서,
상기 학습 예측 모델을 생성하는 단계는,
상기 물리 시스템으로부터 제공된 관측 데이터 및 상기 예측 시뮬레이션 데이터를 활용하여 데이터 동화 기반의 보정 데이터를 출력하는 단계;
상기 보정 데이터 및 상기 보정 시뮬레이션 데이터에 대한 일치도에 기초하여 모델 평가 데이터를 출력하는 단계;
상기 모델 평가 데이터에 기초하여 상기 타겟 디지털 트윈의 예측 모델에 대한 학습 여부를 결정하는 단계; 및
학습이 결정되는 경우 학습을 수행하여 상기 학습 예측 모델을 생성하는 단계를 포함하는,
예측 시뮬레이션 수행 방법.
In claim 12,
The step of generating the learning prediction model is,
outputting correction data based on data assimilation using observation data and the prediction simulation data provided from the physical system;
outputting model evaluation data based on a degree of agreement between the correction data and the correction simulation data;
determining whether to learn a prediction model of the target digital twin based on the model evaluation data; and
Comprising the step of performing learning when learning is determined to generate the learning prediction model,
How to perform a predictive simulation.
KR1020210179986A 2021-12-15 2021-12-15 Apparatus and method for performing predictive simulation based on digital twin KR102665220B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210179986A KR102665220B1 (en) 2021-12-15 2021-12-15 Apparatus and method for performing predictive simulation based on digital twin

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210179986A KR102665220B1 (en) 2021-12-15 2021-12-15 Apparatus and method for performing predictive simulation based on digital twin

Publications (2)

Publication Number Publication Date
KR20230090859A KR20230090859A (en) 2023-06-22
KR102665220B1 true KR102665220B1 (en) 2024-05-09

Family

ID=86989412

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210179986A KR102665220B1 (en) 2021-12-15 2021-12-15 Apparatus and method for performing predictive simulation based on digital twin

Country Status (1)

Country Link
KR (1) KR102665220B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101729694B1 (en) * 2017-01-02 2017-04-25 한국과학기술정보연구원 Method and Apparatus for Predicting Simulation Results
JP2020177671A (en) 2019-04-18 2020-10-29 アスコン・システムズ・ホールディング・ゲーエムベーハー Modeling with digital twins
EP3916501A1 (en) 2019-02-28 2021-12-01 Siemens Ltd., China Digital twin modeling and simulation method, device, and system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190059152A (en) * 2017-11-22 2019-05-30 한국전자통신연구원 System and method for data assimilation system of agent based simulation model
KR102317411B1 (en) 2019-11-07 2021-10-27 삼성중공업 주식회사 Risk estimation method of marine facility using digital twin system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101729694B1 (en) * 2017-01-02 2017-04-25 한국과학기술정보연구원 Method and Apparatus for Predicting Simulation Results
EP3916501A1 (en) 2019-02-28 2021-12-01 Siemens Ltd., China Digital twin modeling and simulation method, device, and system
JP2020177671A (en) 2019-04-18 2020-10-29 アスコン・システムズ・ホールディング・ゲーエムベーハー Modeling with digital twins

Also Published As

Publication number Publication date
KR20230090859A (en) 2023-06-22

Similar Documents

Publication Publication Date Title
US10699195B2 (en) Training of artificial neural networks using safe mutations based on output gradients
US11907675B2 (en) Generating training datasets for training neural networks
US20180349757A1 (en) Learning service providing apparatus
US20230237375A1 (en) Dynamic placement of computation sub-graphs
US10671077B2 (en) System and method for full-stack verification of autonomous agents
US10810018B2 (en) Device with extensibility
CN111046027A (en) Missing value filling method and device for time series data
US20210133494A1 (en) Anomaly detection apparatus, anomaly detection method, and program
CN113313215B (en) Image data processing method, image data processing device, computer equipment and storage medium
KR102574865B1 (en) AI-powered Advertising Data Visualization System
WO2021066796A1 (en) Modeling human behavior in work environments using neural networks
US20090012752A1 (en) Aerodynamic Design Optimization Using Information Extracted From Analysis of Unstructured Surface Meshes
CN114154622A (en) Algorithm model for traffic operation system flow data acquisition missing completion
CN111507135A (en) Face detection method and device, computer equipment and storage medium
KR102665220B1 (en) Apparatus and method for performing predictive simulation based on digital twin
CN117422553A (en) Transaction processing method, device, equipment, medium and product of blockchain network
CN110826695B (en) Data processing method, device and computer readable storage medium
CN112861601A (en) Method for generating confrontation sample and related equipment
CN116597402A (en) Scene perception method and related equipment thereof
US20230297742A1 (en) Artificial intelligence-based system implementing proxy models for physics-based simulators
CN115982452A (en) Information recommendation method and device, electronic equipment and storage medium
US20220164659A1 (en) Deep Learning Error Minimizing System for Real-Time Generation of Big Data Analysis Models for Mobile App Users and Controlling Method for the Same
CN110738318B (en) Network structure operation time evaluation and evaluation model generation method, system and device
CN113272813A (en) Method, device, equipment and storage medium for customizing data stream hardware analog simulation
KR20200063318A (en) Apparatus and method for generating predictive information based on time

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant