面向预测决策的自适应数字孪生体：基于贝叶斯学习的状态转移动力学
机器学习
2026-05-12 v2 数值分析
数值分析
摘要
本工作展示了自适应性如何增强数字孪生体在土木工程中的价值实现。我们聚焦于通过概率图模型表示的数字孪生体内部状态转移模型的自适应问题。通过动态贝叶斯网络建模物理域与虚拟域之间的双向交互。将状态转移概率视为带有共轭先验的随机变量，使我们能够通过无缝贝叶斯更新，从状态到状态进行层次化在线学习。我们提供的数学框架能够处理相对于当前文献中数字孪生体更广泛分布的类目。为实现精确更新的动态策略，我们通过强化学习求解参数马尔可夫决策过程。该提出的自适应数字孪生体框架具有增强的个性化、提高的鲁棒性以及改进的成本效益。我们在一次桥梁结构健康监测和维护规划的案例研究中评估了该方法。
引用
@article{arxiv.2512.13919,
title = {Adaptive digital twins for predictive decision-making: Online Bayesian learning of transition dynamics},
author = {Eugenio Varetti and Matteo Torzoni and Marco Tezzele and Andrea Manzoni},
journal= {arXiv preprint arXiv:2512.13919},
year = {2026}
}