Gemelo digital probabilístico

Introducción

Los gemelos digitales se emplean cada vez más para supervisar máquinas, procesos e infraestructuras, diagnosticar anomalías y anticipar su comportamiento. Su propósito general es mantener una representación virtual de un sistema físico que pueda actualizarse mediante información procedente de sensores, registros de operación y otras fuentes de datos.

Sin embargo, ningún sistema real se conoce con absoluta precisión. Las mediciones contienen ruido, algunos parámetros no pueden determinarse exactamente y los modelos matemáticos siempre simplifican, en alguna medida, el fenómeno que pretenden representar. Incluso cuando un modelo reproduce adecuadamente el comportamiento observado, sus predicciones conservan cierto grado de incertidumbre.

Un gemelo digital probabilístico incorpora estas limitaciones como parte de su funcionamiento. En lugar de producir una única respuesta y presentarla como un valor cierto, representa los posibles estados, parámetros o comportamientos del sistema mediante distribuciones de probabilidad. De este modo, no solo intenta responder qué está ocurriendo o qué podría suceder, sino también con qué probabilidad y con qué grado de confianza.

Del resultado único a la distribución de probabilidades

Un gemelo digital convencional puede construirse a partir de modelos deterministas. Esto significa que, para unas condiciones de entrada determinadas, genera siempre una respuesta única. En el diagnóstico de una tubería, por ejemplo, podría estimar que una fuga se encuentra a 327 metros de un punto de referencia.

La respuesta parece precisa, pero deja sin resolver una cuestión fundamental. No indica cuánto puede confiarse en esa ubicación.

Un gemelo digital probabilístico podría conservar los 327 metros como la posición más probable y, al mismo tiempo, establecer que la fuga se encuentra entre los metros 302 y 354 con una confianza del 95 %. La estimación central sigue siendo útil, pero ahora se acompaña de información sobre su precisión y sus posibles variaciones.

Si $x_f$ representa la posición de la fuga y $\mathbf{y}$ reúne las mediciones disponibles, el resultado puede describirse mediante

Esta expresión no proporciona solamente un valor para $x_f$, sino una distribución de probabilidad condicionada a las observaciones. A partir de ella es posible identificar la ubicación más probable, calcular un valor esperado, construir intervalos de credibilidad o determinar la probabilidad de que la fuga se encuentre en una sección particular de la tubería.

En una aplicación práctica, el sistema podría concluir que existe un 70 % de probabilidad de que la fuga esté en un tramo, un 20 % de que se encuentre en el tramo contiguo y un 10 % de que corresponda al resto de la instalación. Esa información resulta mucho más útil para planear inspecciones o excavaciones que una coordenada presentada sin ninguna medida de confianza.

La incertidumbre forma parte del sistema

La incertidumbre puede aparecer en distintos puntos del gemelo digital. Una fuente evidente son los instrumentos de medición. Todo sensor posee una resolución limitada y está expuesto a ruido, errores de calibración, deriva y perturbaciones externas. Una lectura de presión de 300 kPa no significa que la presión real sea exactamente igual a ese valor.

También existen parámetros que no se conocen con precisión o que cambian durante la operación. En una red de distribución de agua, la rugosidad de las tuberías, las demandas de los usuarios, los diámetros internos efectivos y los coeficientes de descarga pueden diferir de sus valores nominales. En un sistema mecánico ocurre algo semejante con la fricción, las cargas, la rigidez y el desgaste de los componentes.

A esto se suma la variabilidad propia del proceso. Algunas magnitudes fluctúan incluso cuando el sistema funciona normalmente. La demanda de agua cambia durante el día, las condiciones ambientales modifican la respuesta de una máquina y las cargas de operación rara vez permanecen constantes.

Por último, está la incertidumbre del propio modelo. Las ecuaciones utilizadas pueden omitir fenómenos secundarios, depender de hipótesis simplificadoras o contener parámetros difíciles de identificar. Por eso, la diferencia entre el modelo y la realidad no debe atribuirse siempre al ruido de los sensores. En ocasiones, la discrepancia revela que la representación física es incompleta.

Un gemelo digital probabilístico busca integrar estas fuentes de incertidumbre y propagarlas hasta el resultado final. Si existen dudas importantes en las mediciones o en los parámetros, esa falta de certeza debe reflejarse en el diagnóstico o en el pronóstico. Ocultarla detrás de un único valor numérico no la elimina.

Aprender de las nuevas mediciones

Una característica central de los gemelos digitales es su capacidad para actualizarse conforme reciben información del sistema físico. En un enfoque probabilístico, este proceso suele realizarse mediante métodos bayesianos.

La actualización puede representarse de manera compacta como

donde $\boldsymbol{\theta}$ contiene los estados o parámetros desconocidos y $\mathbf{y}$ representa las mediciones.

Antes de incorporar los nuevos datos existe cierto conocimiento sobre los valores posibles de $\boldsymbol{\theta}$. Ese conocimiento puede proceder de especificaciones técnicas, ensayos anteriores, experiencia operativa o resultados históricos. Las nuevas mediciones se comparan con las predicciones del modelo y modifican las probabilidades asignadas inicialmente.

Supóngase que la rugosidad de una tubería solo se conoce dentro de un intervalo aproximado. Cuando llegan nuevas lecturas de presión y caudal, el gemelo determina qué valores de rugosidad explican mejor el comportamiento observado. Los valores más compatibles ganan probabilidad y los menos plausibles la pierden.

Cuando las mediciones son numerosas y confiables, la incertidumbre puede disminuir. Si son escasas, ruidosas o contradictorias, el intervalo de valores plausibles permanecerá amplio. El gemelo no debería aparentar una precisión que los datos disponibles no permiten alcanzar.

¿Es correcto llamarlo gemelo digital probabilístico?

La expresión gemelo digital probabilístico es correcta y corresponde al término inglés probabilistic digital twin. Se utiliza en distintas áreas de la ingeniería, entre ellas la manufactura, el análisis estructural, las tuberías, la gestión de activos y el diseño geotécnico.

No obstante, el término debe emplearse con cuidado. La presencia de datos ruidosos, variables aleatorias o algoritmos de aprendizaje automático no basta para que un sistema sea probabilístico en sentido riguroso. Tampoco toda simulación probabilística constituye un gemelo digital.

Para justificar esta denominación debe existir una contraparte física específica, una representación digital vinculada con sus mediciones y algún mecanismo de actualización. Además, la incertidumbre debe modelarse explícitamente y conservarse hasta las etapas de diagnóstico, predicción o toma de decisiones.

Si únicamente se ejecutan simulaciones con parámetros aleatorios, resulta más preciso hablar de una simulación probabilística. Si se construye un modelo estadístico sin conexión dinámica con un sistema físico particular, puede denominarse modelo probabilístico. La condición de gemelo aparece cuando la representación digital mantiene una relación actualizable con su contraparte física.

El papel de las simulaciones de Monte Carlo

Los métodos de Monte Carlo son una de las herramientas disponibles para estudiar la incertidumbre. Su idea básica consiste en generar numerosas combinaciones de parámetros, ejecutar el modelo para cada una y analizar la distribución de los resultados.

Mediante este procedimiento puede estudiarse, por ejemplo, cómo varía la presión de una tubería cuando la demanda, la rugosidad y el caudal de fuga no se conocen exactamente. En lugar de obtener una única curva de presión, se obtiene un conjunto de respuestas posibles y puede calcularse la probabilidad asociada con distintos escenarios.

Aun así, el uso de Monte Carlo no convierte automáticamente una simulación en gemelo digital probabilístico. Para eso, las distribuciones utilizadas deben relacionarse con el sistema físico, actualizarse mediante mediciones y contribuir a las decisiones finales. Monte Carlo puede formar parte del gemelo, pero no es lo que define su naturaleza.

Un ejemplo en el diagnóstico de fugas

Considérese una tubería equipada con sensores de presión y caudal. Un enfoque determinista podría utilizar un modelo hidráulico y buscar la posición de fuga que minimice la diferencia entre las presiones medidas y las calculadas. El resultado sería una ubicación única.

El enfoque probabilístico reconoce que las presiones están afectadas por ruido, que la demanda puede variar y que algunos parámetros hidráulicos no se conocen exactamente. Por eso, la posición y la magnitud de la fuga se representan como variables inciertas. El gemelo compara muchos escenarios con las mediciones disponibles y actualiza la probabilidad de cada uno.

El resultado ya no es solamente una coordenada. Puede ser un mapa espacial de probabilidades que muestre las zonas donde la evidencia disponible respalda con mayor fuerza la presencia de una fuga. También puede revelar que dos ubicaciones diferentes producen respuestas hidráulicas muy parecidas y que, por tanto, se necesitan mediciones adicionales para distinguirlas.

Esta capacidad tiene consecuencias prácticas. Si el costo de inspeccionar o excavar es elevado, conocer la incertidumbre permite priorizar zonas, evaluar riesgos y decidir si conviene actuar inmediatamente o instalar temporalmente un sensor adicional.

La incorporación del conocimiento físico

Los gemelos digitales probabilísticos también pueden combinarse con aprendizaje automático. Cuando las ecuaciones, restricciones o principios físicos intervienen directamente en la construcción del modelo, puede utilizarse la expresión gemelo digital probabilístico informado por la física.

En una red hidráulica, el aprendizaje automático puede identificar relaciones complejas entre las mediciones y las condiciones de fuga, mientras que el modelo físico aporta las leyes de conservación de masa y energía. La parte probabilística permite cuantificar cuánto puede confiarse en las estimaciones obtenidas.

La combinación es atractiva porque aprovecha los datos sin renunciar al conocimiento acumulado sobre el proceso. También ayuda a evitar predicciones incompatibles con el comportamiento físico esperado.

Sin embargo, conviene reservar la expresión informado por la física para los casos en que ese conocimiento participa realmente en el entrenamiento, la inferencia, la arquitectura o las restricciones del modelo. El simple hecho de entrenar un algoritmo con datos producidos por un simulador no siempre basta para sostener esa denominación.

Saber qué se desconoce

Dos modelos pueden generar la misma predicción y, aun así, ofrecer niveles de confianza completamente diferentes. Supóngase que ambos estiman que un componente fallará dentro de 100 horas. El primero sitúa el posible tiempo de falla entre 95 y 105 horas, mientras que el segundo lo ubica entre 40 y 180 horas. Aunque la estimación central coincide, las decisiones de mantenimiento deberían ser distintas.

La incertidumbre permite reconocer cuándo la información es insuficiente, establecer márgenes de seguridad y comparar alternativas en función de su riesgo. También ayuda a determinar qué nueva medición sería más valiosa para reducir las dudas existentes.

Esta es una de las principales aportaciones del enfoque probabilístico. No se limita a producir una respuesta, sino que informa cuánto respaldo ofrecen los datos y el modelo a esa respuesta.

Un gemelo digital probabilístico no elimina la incertidumbre ni pretende sustituirla con una cifra aparentemente precisa. La representa, la actualiza y la propaga de manera coherente. Gracias a eso, deja de ser únicamente una réplica virtual del sistema y se convierte en una herramienta para tomar decisiones bajo condiciones reales, donde las mediciones son imperfectas, los parámetros cambian y los modelos nunca reproducen por completo la realidad.

En este contexto, reconocer lo que no se sabe no es una debilidad del gemelo digital. Es precisamente una de sus capacidades más valiosas.

Conclusión

El verdadero valor de un gemelo digital probabilístico no consiste solamente en obtener predicciones más sofisticadas, sino en distinguir entre aquello que se conoce con suficiente confianza y aquello que permanece incierto. Al vincular modelos, mediciones y métodos probabilísticos, esta tecnología permite formular diagnósticos más transparentes, anticipar distintos escenarios y tomar decisiones acordes con el riesgo existente. En aplicaciones reales, donde los sensores son imperfectos y los modelos siempre tienen limitaciones, reconocer y cuantificar la incertidumbre no debilita una predicción; la convierte en información técnicamente más útil y confiable.

Referencias

• Nath, P., & Mahadevan, S. (2022). Probabilistic digital twin for additive manufacturing process design and control. Journal of Mechanical Design, 144(9), 091704. DOI: 10.1115/1.4054521
• Kapteyn, M. G., Pretorius, J. V. R., & Willcox, K. E. (2021). A probabilistic graphical model foundation for enabling predictive digital twins at scale. Nature Computational Science, 1(5), 337–347. DOI: 10.1038/s43588-021-00069-0