Resurssien optimointi kannattavuuden parantamiseksi: Onko Digital Twin Tech välttämätön?
Minkä tahansa tekniikan arvo on viime kädessä kyvyssä optimoida kustannukset ja resurssit. Kyky ennakoida tuloksia antaa elintarvikeviljelijöille mahdollisuuden ennakoida, jota voidaan sitten soveltaa tosielämässä. Esimerkki Digital Twin -teknologian todellisesta soveltamisesta ja kaupallistamisesta on mekaniikka malli, jonka on kehittänyt Tom De Swaef Ganttin yliopistossa. Belgialainen yritys 2Grow hyödyntää tätä mallia mitatakseen veden virtauksen ja varren paksuuden vaihteluita tomaatin kasveissa. The yrityksen tavoitteita vähentää kasvintuotantoon käytettyä pinta-alaa 20 prosenttia.
It on edelleen epäselvää, pyrkiikö yhteisö adoptoimaan digitaaliset kaksoset toiminnassaan. Lisäksi voidaan väittää, että useimmissa tapauksissa digitaalinen kaksoistekniikka ei ole itse asiassa välttämätöntä. Koneoppimisen edistyminen on mahdollistanut avaintapahtumien ennustamisen rakentamatta täyttä mallia, joka vaatisi suuria määriä korkealaatuista dataa, jonka saaminen on myös kallista. Elintarvikeviljelijänä, joka haluaa ennustaa tiettyjä ominaisuuksia, keskeisten muutosten mittaamiseen ja seurantaan keskittyminen saattaa olla kaikki mitä tarvitaan onnistuneen ennustemallin rakentamiseen. Lisäksi tämä on huomattavasti edullisempi, joten se on saavutettavissa elintarvikeviljelijöille, jotka tarvitsevat välitöntä sijoitetun pääoman tuottoa ennakoivien mallien käyttöönotossa.
Jos esimerkiksi kasvatat perunoita, on tärkeää, että sinulla on indikaattorit tuholaisten, kuten sienen kaltaisen organismin aiheuttaman myöhäisruttotaudin varalta, ja joka voi johtaa sadon epäonnistumiseen lyhyessä ajassa, jos asianmukaisia torjuntatoimenpiteitä ei oteta käyttöön. Tämän tyyppiselle riviviljelylle suurilla hehtaareilla avoimella pellolla kääntökastelujärjestelmiin asennettujen kameroiden avulla voidaan tehokkaasti tunnistaa sairaudet tai ongelmat. Avomalle perunapellolle digitaalisen kaksosen luomiseen tarvittavat tiedot maksaisivat omaisuuksia, ja koko mallin luominen sellaisessa mittakaavassa saadakseen oivalluksia, jotka voidaan saada yksinkertaisemmalla ja edullisemmalla tekniikalla, ei yksinkertaisesti ole järkevää.
- Videopeli SimCity murtui 90-luvulla, kun pelaajista tuli oman kaupunkinsa sankari, kun he suunnittelivat ja loivat kauniin, vilkkaan metropolin digitaalisesti. Kelataan eteenpäin 30 vuotta, ja meillä on tekniikka, jolla voimme luoda uskomattoman tarkkoja digitaalisia esityksiä todellisista puista, maatiloista tai hedelmätarhoista. Aivan kuten SimCityssä voimme simuloida metropolin kehittymistä sen perusteella, mihin "sijoitamme" pelin sisällä, voimme nyt luoda simulaatioita siitä, kuinka kasvi kasvaa eri skenaarioissa – auttaen meitä hienosäätämään maatalousponnisteluja ennennäkemättömällä kaukonäköisyydellä.
- Digital Twin on digitaalinen esitys todellisesta asiasta. Sitä voidaan käyttää todellisen "asia" etävalvontaan. Tarkan ja realistisen korvikkeen tarjoamiseksi reaalimaailman kaksoselle digitaaliselle kaksoselle on tiedotettava todellisen kokonaisuuden digitaalisen mittauksen avulla. Maataloudessa tämä voi olla dataa, joka tulee esimerkiksi maa-anturien, kasvien kuvantamisen, säätietojen jne. kautta.
- Uuden digitaalisen esityksen tai digitaalisen kaksosen tulisi heijastaa koko maataloustyötä: fyysistä omaisuutta, prosesseja, järjestelmäjä, resursseja, kaikkea. Vastineeksi tämä antaa meille mahdollisuuden simuloida, suunnitella, analysoida ja parantaa maatalousprosesseja aiemmin käsittämättömässä mittakaavassa. Onko kuitenkin elintarvikeviljelijöiden todella tarpeellista ottaa käyttöön tämä kallis ja kehittynyt tekniikka – vai voivatko he saada tarvitsemansa näkemykset helpommista ja edullisemmista antureista, jotka auttavat heitä seuraamaan ja ennustamaan keskeisiä tuloksia?
Digitaalisten kaksosten kasvu ja käyttöönotto ja niiden potentiaali maataloudessa
Gartner ennustaa, että vuoteen 2021 mennessä puolet suurista teollisuusyrityksistä käyttää digitaaliset kaksoset, mikä merkitsee 10 prosentin tehokkuutta näissä organisaatioissa. Digitaalisten kaksosten käsite on kuitenkin ollut olemassa vuosikymmeniä. Yli 30 vuoden ajan tuote- ja prosessisuunnittelutiimit ovat käyttäneet 3D-mallinnusta tietokoneavusteinen suunnittelu (CAD) mallit, omaisuusmallit ja prosessisimulaatiot valmistettavuuden varmistamiseksi ja validoimiseksi. Esimerkiksi NASA on suorittanut monimutkaisia avaruusalussimulaatioita vuosikymmeniä. Koneoppimisen ja tekoälyn innovaatiot tuovat kuitenkin digitaalisen kaksoiskonseptin etualalle, mikä luo paljon hypeä häiritsevänä trendinä, jolla on laajempi vaikutus lähitulevaisuudessa.
Mitä tulee maatalousprosesseihin, digitaalisten kaksosten käyttäminen keskeisenä keinona maatilan johtamisessa voi mahdollistaa fyysisten virtojen irrottamisen suunnittelusta ja ohjauksesta. Tämän seurauksena viljelijät voivat hallita toimintaa etänä (lähes) reaaliaikaisen digitaalisen tiedon perusteella sen sijaan, että he joutuisivat luottamaan suoraan havainnointiin ja manuaalisiin tehtäviin paikan päällä. Tämän ansiosta he voivat toimia välittömästi (odotetuissa) poikkeamissa ja simuloida interventioiden vaikutuksia tosielämän tietoihin perustuen. Esimerkiksi hedelmätarhan Digital Twin voi varoittaa hedelmätarhan liikakastelusta ilman, että viljelijän tarvitsee tutkia hedelmätarhaa.
Ajatus a digitaalinen hedelmätarha on erittäin houkutteleva viljelijöille, jotka ymmärtävät hedelmäpuiden terveyden ja sadon laadun seurannan, ennustamisen ja valvonnan työvoimavaltaisuuden. Queenslandin yliopiston tutkijat kehittivät mallin hedelmätarhalle, jossa on hitaasti kasvavia kasveja, kuten mangoa ja makadamiaa. Näin käyttäjät voivat nopeasti kokeilla uusia ideoita ja saada oivalluksia siitä, miten tuotantojärjestelmät voidaan optimoida parhaiten. Projektin tutkijat korostivat, kuinka nämä pikasimulaatiot voisivat hyödyttää erityisesti hitaasti kasvavia viljelykasveja, kuten hedelmäpuita.
Tietyissä käyttötapauksissa on taloudellisesti järkevää rakentaa digitaalinen kaksos, kuten kasvinjalostukseen, jolloin mallin avulla voit ennakoida varhain, jos tietty lajike ei ole kaupallisesti kannattava. Mutta monissa tapauksissa mutteria ei tarvitse murtaa vasaralla.
- Raviv Itzhaky on yksi perustajista ja teknologiajohtaja Prospera Technologies, joka johtaa yrityksen teknistä näkemystä ruoan viljelyn muuttamisesta datatieteen ja tekoälyn avulla. Hän käyttää asiantuntemustaan algoritmien kehittämisessä, matematiikassa ja koneoppimisessa ratkaistakseen reaalimaailman ongelmia. Ennen Prosperaa Raviv kehitti algoritmeja kyberturvallisuusyrityksessä BioCatchissa ja toimi signaalinkäsittelyinsinöörinä IDF:ssä. Hän on koulutukseltaan BSc-tutkinto fysiikasta ja MSc soveltavasta fysiikasta Heprealaisesta yliopistosta.