八问八答，对话核工程师：数字孪生如何重塑研发流程？
Springer Nature约 7 分钟50多年前，当阿波罗13号面临生死攸关的危机时，工程师们靠着模拟器来模拟情景并引导宇航员安全返回地球，这算是最早的数字孪生案例。时至今日，这一概念已发展成为重塑各行业研发的强大工具。但数字孪生为何如此强大？
本文将探讨数字孪生如何加速创新、提高可重复性和支持决策。来自国际工程集团Assystem的核工程师Victor Richet将向我们介绍数字孪生技术对核工业工作流程的影响。
数字孪生是物理系统、流程或实体的虚拟表示，借助实时数据不断更新。它们作为仿真与实验之间的动态桥梁，使研究人员和工程师能够在开展成本高昂的现实世界实验之前，预测结果、优化设计并做出知情决策。通过结合AI和自动化技术，数字孪生能创建标准化环境，以便提高可重复性、加速创新并缩短上市时间。
在精确性、安全性与合规性为硬性要求的行业中，数字孪生的影响力尤为显著，如核工程。这类行业的风险高，实验昂贵且受到严格管控。数字孪生有助于尽可能降低风险、简化工作流程，在提高效率的同时确保遵守严格的安全标准。
为理解该技术在这一极具挑战性的工程环境中的应用情况，我们采访了国际独立工程集团Assystem的核工程师兼数字化主管Victor Richet。在本次访谈中，Victor分享了数字孪生如何变革核工业研发、该方法的优势和不足，以及其发展前景。
Assystem在实际工作中对数字孪生的定义是什么？是什么促使你采用这项技术？
数字孪生是一种利用数据来为流程提供附加价值的模型。核工业中的工作流程不像汽车行业那样先进，因为后者的监管壁垒更少、技术迭代更快。出于安全方面的原因，我们这个行业受到严格监管，这让我们在新技术的采纳上更缓慢。Assystem是该行业在数字孪生领域的先行者之一，因为我们认识到了这项技术的巨大潜力。我们的使命是加快全球范围的能源转型，而数字孪生技术在其中发挥着重要作用——通过解决复杂系统全生命周期中的挑战，推动数字化转型。
数字孪生常被形容为仿真与实验之间的桥梁，这一点在Assystem的实践中有何体现？
在Assystem，数字孪生不仅仅是虚拟仿真，而是将仿真工具、真实数据和生命周期管理融入协作环境的数字生态系统。相较于其他行业，核工程实验成本巨大。数字孪生技术无法代替实验，但能减少试错次数，增加一次性成功的概率。
为确保其预测的可靠性，您会怎样验证数字孪生模型？
我们会运行大量的测试用例流程，以确保数字孪生模型提供的数据准确且有意义。我们在法国南部开展的退役核设施再设计项目就是个很好的例子。该项目的任务包括将可能被污染的流体和受辐射材料运出设施进行处理，并建立临时屏障，所有工作需要无缝衔接。核安全局为核设施内部空间（根据辐射量的大小分为红色、黄色和绿色区域）制定了明确的监管限制。为完成该项目，我们构建了核设施的二维数字孪生，以便能够迅速、高效、可靠地确定应该在何处设置屏障，并预测新形成的辐射区分布情况。通过将模型结果与工程师的计算结果进行比较，我们在开发早期验证了数字孪生。
AI和机器学习如何增强Assystem数字孪生模型的预测能力和适应性？
精确性和可解释性是核安全局的严格要求，因此AI的概率性导致其在核工业中的应用仍然有限。然而，抛开安全相关的应用不谈，AI仍然可以通过几种方式在数字孪生的框架内发挥作用。AI主要被用于生成合成数据集和预期输出，这些当然不算证据，但却能为数字孪生开发的早期阶段提供关键见解。简而言之，我们能借助AI为测试用例生成合成数据、模拟各种结果，并识别数字孪生中的关键缺陷。
在开发和完善数字孪生模型的过程中，获取可信赖的研究和科学数据至关重要。核工业的发展并不是最先进的，因此业内普遍认为它将极大受益于其他行业中的前沿研究。
施普林格·自然文本与数据挖掘
文本和数据挖掘（TDM）使用计算工具和技术帮助研究人员从大量的科学数据中提取有价值的信息，并识别出通过传统人工分析难以或无法发现的模式、关联和趋势，产出更深刻的见解。
施普林格·自然创建了一套正式的TDM流程并开发了多个API工具，还支持与AI工具相结合，让用户能够访问一系列精心整理的学术期刊论文、书籍章节、实验方案与方法等，确保用户能够自由获取前沿研究和见解。
先进的技术加持高质量的学术资源，赋予您的科研人员以“传统”渠道所不具备的检索和发现能力（阅读更多：何为文本和数据挖掘？对研发有何助益？）。
数字孪生对您团队的研发流程产生了哪些可衡量的影响？
数字孪生对我们的研发流程产生了重大影响。通过让流程更加一致和可追溯，数字孪生缩短了上市时间并提高了可重复性。此外，数字孪生还帮我们实现了可追溯性并提高了实验质量，这在耗时且成本高昂的实验中非常重要。
Assystem是否与学术界或产业界伙伴合作完善数字孪生模型？
Assystem与学术界开展了大量合作，例如我们与法国阿莱斯高等矿业学校的合作。2019年，我们共同启动了一项为期五年的研发计划，聚焦基于模型的系统工程（MBSE），旨在改进并确立核工程建模的通用方法。这种基于模型的方法能有效应对关键基础设施项目中复杂且严格的要求，最终为数字孪生在业内的广泛使用奠定基础。
数字孪生融入研发流程最大的挑战是什么？您从中有何收获？
令人惊讶的是，我们所遇到的最大挑战与技术无关。严监管、复杂性、高成本和长周期意味着核工业每年的项目数量比不上其他行业。因此，变革管理和整合现有工程流程是最大的挑战。其次，核工业中的各个专业领域依然高度孤立。你需要无缝获取高质量数据，但打破孤岛正是难题所在。
关于数字孪生在工作流程中的成功应用，我们总结了三点经验。首先，资助和支持非常重要。你需要强有力的支持来应对高级别安全规定和监管壁垒。其次，你必须对想要实现的目标有清晰的构想，并能够量化其带来的效益。
最后，没有所谓的魔法棒。数字孪生无法“即插即用”。每个项目的要求不同，因此你需要协调目标、资源（如数据和专家）和支持，以及更重要的合规路径和变革管理计划。
从研发的角度，您认为数字孪生技术在接下来的三到五年内将会如何发展？
数字孪生将在各个行业更加普及。核工业中的实验周期长、效率低且成本高，因此数字孪生在设计流程中的重要性将逐步提升。例如，新一代先进模块化反应堆（AMR）的数字孪生有助于技术成熟度演化管理，并推动从首堆到后续机组的进展。另一方面，基于物理信息神经网络（PINN）的数字孪生将加快仿真速度。简而言之，不会发生一场数字孪生革命，而是会逐渐推进——千里之行，始于足下。
我建议那些想采用数字孪生技术的人从小处着手，确保自己能获得支持，过于冒进会增加失败的风险并付出巨大代价。数字孪生项目涉及多方参与者。从我的经验来看，项目的成功往往是各个专业领域的利益相关者高效合作的结果，包括工程师、设备操作员、解决方案提供商和工具集成专家。数字孪生如同一副拼图，每位参与者和所有要素必须各就各位。
数字孪生连接仿真与实验
正如Victor所强调的，采用数字孪生技术是一个渐进过程，需要清晰的目标、强有力的支持和跨学科合作。在核工程这样的严监管行业，这些虚拟模型能通过提高可重复性、缩短设计周期和支持知情决策，创造巨大价值。
研发活动能显著受益于数字孪生：流程更精简、可追溯性更强、实验结果更可信。Assystem的经验表明，成功的关键在于制定明确的目标、有效协调资源，并与学术界和产业界专家建立合作关系，以充分释放这项技术的潜力。
对那些准备深入探索数字孪生和强化科研工作流程的企业来说，获取可信的实验方法和实验方案也必不可少。Springer Nature Experiments提供全面丰富的可靠资源，支持创新和可重复性，并支持利用先进的人工智能和文本挖掘技术进行复杂的搜索过滤功能，为研究人员呈现相关、重要的实验室指南和方法，进而助力他们的研究项目。如果您觉得该数据库对开展数字孪生有帮助，欢迎扫码联系我们了解详情并开通试用。
欢迎点击“阅读原文”了解施普林格·自然提供的数据支持
版权声明：
本文由施普林格∙自然上海办公室负责整理翻译。中文内容仅供参考，一切内容请以英文论文为准。欢迎转发分享，如需转载，请留言或联系[email protected]。
© 2026 Springer Nature Limited. All Rights Reserved