基于智能体建模与深度神经网络的传感受限下安全设施数字孪生构建
摘要
数字孪生技术帮助从业者在计算机模拟中模拟、监控和预测不良结果，同时避免了进行实时模拟演练的成本和风险。在监控安全核设施中人类的生活模式（Patterns of Life, POL）时，基于虚拟现实（VR）的数字孪生技术尤为有用，因为在此类设施中进行实时模拟演练过于危险且成本高昂。然而，此类设施的高安全级别可能会限制建模者部署人类活动传感器以进行数据收集。在 Oak Ridge 国家实验室（ORNL）的一个安全核反应堆设施中部署 MetaPOL（一个用于防止安全设施内部威胁或蓄意破坏的数字孪生系统）时，我们遇到了这一问题。我们使用智能体模型（ABM）来应对这一挑战，该模型由设施人员 POL 的经验证据驱动，用于生成合成移动轨迹。然后，这些合成轨迹被用于训练深度神经网络代理模型，用于预测下一位置和停留时长，以驱动 VR 环境中的非玩家角色（NPC）。在本研究中，我们评估了该技术在 MetaPOL 中建立 NPC 移动的有效性，以及在正常操作期间区分 NPC 移动与模拟紧急响应期间移动的能力。我们的结果表明，使用多层感知机进行下一位置预测和使用混合密度网络进行停留时长预测，能够成功预测 ABM 生成的轨迹。我们还发现，在正常操作下由深度神经网络驱动的 VR 环境中的 NPC 移动，与模拟紧急场景响应时观察到的移动存在显著差异。
引用
@article{arxiv.2503.23147,
title = {Agent-Based Modeling and Deep Neural Networks for Establishing Digital Twins of Secure Facilities under Sensing Restrictions},
author = {Chathika Gunaratne and Mason Stott and Debraj De and Gautam Malviya Thakur and Chris Young},
journal= {arXiv preprint arXiv:2503.23147},
year = {2025}
}
备注
This paper has been already published in the 2024 Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC'24): https://www.iitsec.org/-/media/sites/iitsec/agenda/2024/iitsec2024program3professionaldevelopment112124.pdf The authors have obtained permission from I/ITSEC'24 organizers to release this paper on arXiv. Appropriate licensing is also applied