R.E.News future Technology-Smarter Digital Twins With Bayesian Calibration Framework

 14/08/25-FR-English-NL-footer

Des jumeaux numériques plus intelligents grâce au cadre de calibration bayésien

Image-R.E.News©

Dans les salles immaculées des usines de semi-conducteurs ou derrière les chaînes ultramodernes de production d’écrans, les jumeaux numériques sont devenus les yeux invisibles et la mémoire vive de la fabrication avancée. Véritables clones virtuels des systèmes automatisés de manutention (AMHS), ils offrent aux ingénieurs une vision en temps réel des réseaux complexes où s’entrecroisent transporteurs, machines et zones de stockage.

Mais malgré leur promesse de précision, ces doubles numériques ne reflètent pas toujours fidèlement la réalité. La faute, bien souvent, à deux ennemis silencieux : l’incertitude des paramètres et la divergence opérationnelle.

La première désigne ces variables subtiles mais cruciales, presque insaisissables, comme l’accélération réelle d’un véhicule automatisé dans l’usine — jamais exactement la même d’un trajet à l’autre, mais figée dans le modèle virtuel. La seconde, elle, résulte des différences inévitables entre un modèle simplifié et la complexité imprévisible des systèmes réels. Avec le temps, ces écarts s’additionnent et peuvent compromettre la précision des prévisions, jusqu’à retarder la production.
Un bond en avant bayésien

C’est pour combler cette lacune qu’une équipe de recherche dirigée par le professeur Soondo Hong du département de génie industriel de l’Université nationale de Pusan a mis au point un nouveau cadre de calibration bayésien. Sa force ? Traiter simultanément l’incertitude et la divergence, pour créer des jumeaux numériques plus fiables, plus proches que jamais de la réalité.

« Notre approche permet d’optimiser les paramètres de calibration tout en compensant les écarts entre le modèle et le terrain », explique le professeur Hong. « Elle est pensée pour s’adapter aux environnements de production à grande échelle, tout en réduisant considérablement le besoin en données réelles par rapport aux méthodes classiques. »

Les résultats de l’étude, publiés en ligne le 8 mai 2025 puis dans le Volume 80 du Journal of Manufacturing Systems le 1er juin 2025, démontrent que ce cadre peut fonctionner efficacement même avec des contraintes de données réelles minimales.
Comment ça marche

L’équipe a appliqué une calibration modulaire bayésienne sur différents scénarios d’exploitation. Le principe : combiner un petit échantillon de données réelles avec des connaissances préalables et des résultats de simulation, le tout intégré dans des modèles probabilistes comme les processus gaussiens. Cette approche génère des distributions postérieures affinées, offrant une vision beaucoup plus juste du système calibré.

Trois modèles ont été testés :

Le modèle “field-only” : prédit uniquement à partir des données réelles observées.

Le jumeau numérique classique : calibré sur les paramètres, mais sans correction des divergences.

Le jumeau numérique calibré : intégrant à la fois l’incertitude des paramètres et la divergence.

Résultat : le dernier surpasse nettement les autres, même avec des observations terrain très limitées.
Des retombées bien réelles

Si la recherche s’inscrit dans le contexte exigeant des usines de semi-conducteurs, son potentiel dépasse largement ce domaine. Automobile, aéronautique, pharmaceutique : tous les secteurs où précision, complexité et automatisation se conjuguent peuvent en tirer parti.

Chez Samsung Display, par exemple, l’équipe a adapté le cadre bayésien aux spécificités des opérations de l’entreprise, améliorant ainsi la précision des prévisions et facilitant la planification des calendriers de production.
Une clé pour l’usine intelligente de demain

À l’heure où les usines s’interconnectent et s’automatisent à grande vitesse, la calibration rapide et efficace des jumeaux numériques devient cruciale. Les méthodes traditionnelles, gourmandes en données terrain, montrent leurs limites. L’approche bayésienne ouvre une voie plus agile et plus intelligente.

En corrigeant à la fois l’incertitude et la divergence, elle permet de :

Améliorer la précision des prévisions

Réduire les temps d’arrêt

Optimiser la maintenance préventive

Faciliter la prise de décision en temps réel

Pour le professeur Hong, ce n’est qu’un début :
« Notre recherche trace la voie vers des jumeaux numériques auto-adaptatifs, qui pourraient devenir un pilier central de la fabrication intelligente. »
L’Université nationale de Pusan, berceau de l’innovation

Fondée en 1946, l’Université nationale de Pusan est aujourd’hui la première université nationale de Corée du Sud. Avec ses quatre campus et ses 30 000 étudiants, elle place la recherche et l’excellence au cœur de sa mission.

Le professeur Hong, au croisement de la simulation, de l’optimisation et de la logistique automatisée, développe depuis des années des outils d’aide à la décision qui allient rigueur académique et application industrielle, en partenariat avec des leaders mondiaux. Plusieurs brevets internationaux ont d’ailleurs été déposés pour protéger et étendre la portée de ce cadre novateur.
NJC.© Info Professor Soondo Hong of the Department of Industrial Engineering at Pusan National University

------------------------------------------------------------------------------------------------------------------

 14/08/25-English

Smarter digital twins thanks to the Bayesian calibration framework

Image-R.E.News©

In the immaculate halls of semiconductor factories or behind ultra-modern display production lines, digital twins have become the invisible eyes and living memory of advanced manufacturing. As true virtual clones of automated material handling systems (AMHS), they offer engineers a real-time view of complex networks where conveyors, machines, and storage areas intersect.

But despite their promise of precision, these digital twins do not always faithfully reflect reality. This is often due to two silent enemies: parameter uncertainty and operational divergence.

The former refers to subtle but crucial, almost elusive variables, such as the actual acceleration of an automated vehicle in the factory—never exactly the same from one trip to the next, but fixed in the virtual model. The latter results from the inevitable differences between a simplified model and the unpredictable complexity of real systems. Over time, these discrepancies add up and can compromise forecast accuracy, even delaying production.
A Bayesian Leap Forward

To address this gap, a research team led by Professor Soondo Hong of the Department of Industrial Engineering at Pusan National University has developed a new Bayesian calibration framework. Its strength? It simultaneously addresses uncertainty and divergence to create more reliable digital twins that are closer to reality than ever before.

"Our approach optimizes calibration parameters while compensating for differences between the model and the field," explains Professor Hong. "It is designed to adapt to large-scale production environments, while significantly reducing the need for real-world data compared to traditional methods." »

The results of the study, published online on May 8, 2025, and then in Volume 80 of the Journal of Manufacturing Systems on June 1, 2025, demonstrate that this framework can operate effectively even with minimal real-world data constraints.
How it works

The team applied Bayesian modular calibration to different operating scenarios. The principle: combining a small sample of real-world data with prior knowledge and simulation results, all integrated into probabilistic models such as Gaussian processes. This approach generates refined posterior distributions, providing a much more accurate view of the calibrated system.

Three models were tested:

The “field-only” model: predicts only from observed real-world data.

The classic digital twin: calibrated on parameters, but without correction for divergences.

The calibrated digital twin: integrating both parameter uncertainty and divergence.

The result: the latter clearly outperforms the others, even with very limited field observations.
Real Impacts

While the research is focused on the demanding context of semiconductor factories, its potential extends far beyond this field. Automotive, aeronautics, pharmaceuticals: all sectors where precision, complexity, and automation combine can benefit from it.

At Samsung Display, for example, the team adapted the Bayesian framework to the specifics of the company's operations, improving forecast accuracy and facilitating production schedule planning.
A Key to the Smart Factory of Tomorrow

As factories become increasingly interconnected and automated, the rapid and efficient calibration of digital twins is becoming crucial. Traditional methods, which rely heavily on field data, are showing their limitations. The Bayesian approach opens a more agile and intelligent path.

By correcting both uncertainty and divergence, it helps to:

Improve forecast accuracy

Reduce downtime

Optimize preventive maintenance

Facilitate real-time decision-making

For Professor Hong, this is just the beginning:
"Our research paves the way toward self-adaptive digital twins, which could become a central pillar of smart manufacturing."
Pusan National University, a cradle of innovation

Founded in 1946, Pusan National University is today South Korea's leading national university. With its four campuses and 30,000 students, it places research and excellence at the heart of its mission.

Professor Hong, at the intersection of simulation, optimization, and automated logistics, has been developing decision-making tools that combine academic rigor and industrial application for years, in partnership with world leaders. Several international patents have been filed to protect and expand the scope of this innovative framework.
NJC.© Info Professor Soondo Hong of the Department of Industrial Engineering at Pusan National University

------------------------------------------------------------------------------------------------------------------

 14/08/25-NL

Slimmere digitale tweelingen dankzij het Bayesiaanse kalibratiekader

Image-R.E.News©

In de smetteloze hallen van halfgeleiderfabrieken of achter ultramoderne displayproductielijnen zijn digitale tweelingen de onzichtbare ogen en levende herinnering aan geavanceerde productie geworden. Als ware virtuele klonen van geautomatiseerde materiaalverwerkingssystemen (AMHS) bieden ze ingenieurs een realtime beeld van complexe netwerken waar transportbanden, machines en opslagruimtes elkaar kruisen.

Maar ondanks hun belofte van precisie, weerspiegelen deze digitale tweelingen de werkelijkheid niet altijd getrouw. Dit komt vaak door twee stille vijanden: parameteronzekerheid en operationele divergentie.

De eerste verwijst naar subtiele maar cruciale, bijna ongrijpbare variabelen, zoals de daadwerkelijke acceleratie van een geautomatiseerd voertuig in de fabriek – nooit exact hetzelfde van de ene rit naar de andere, maar vastgelegd in het virtuele model. De laatste is het gevolg van de onvermijdelijke verschillen tussen een vereenvoudigd model en de onvoorspelbare complexiteit van echte systemen. Na verloop van tijd stapelen deze discrepanties zich op en kunnen ze de nauwkeurigheid van de voorspelling in gevaar brengen en zelfs de productie vertragen. Een Bayesiaanse sprong voorwaarts

Om deze lacune aan te pakken, heeft een onderzoeksteam onder leiding van professor Soondo Hong van de afdeling Industriële Techniek van de Pusan National University een nieuw Bayesiaans kalibratiekader ontwikkeld. De kracht ervan? Het pakt tegelijkertijd onzekerheid en divergentie aan om betrouwbaardere digitale tweelingen te creëren die dichter bij de realiteit staan dan ooit tevoren.

"Onze aanpak optimaliseert kalibratieparameters en compenseert tegelijkertijd de verschillen tussen het model en de praktijk", legt professor Hong uit. "Het is ontworpen om zich aan te passen aan grootschalige productieomgevingen en tegelijkertijd de behoefte aan real-world data aanzienlijk te verminderen in vergelijking met traditionele methoden." »

De resultaten van het onderzoek, online gepubliceerd op 8 mei 2025 en vervolgens in deel 80 van het Journal of Manufacturing Systems op 1 juni 2025, tonen aan dat dit kader effectief kan werken, zelfs met minimale real-world databeperkingen.
Hoe het werkt

Het team paste Bayesiaanse modulaire kalibratie toe op verschillende operationele scenario's. Het principe: het combineren van een kleine steekproef van echte data met voorkennis en simulatieresultaten, allemaal geïntegreerd in probabilistische modellen zoals Gaussische processen. Deze aanpak genereert verfijnde posterieure verdelingen, wat een veel nauwkeuriger beeld van het gekalibreerde systeem oplevert.

Er werden drie modellen getest:

Het "veldmodel": voorspelt alleen op basis van waargenomen echte data.

De klassieke digitale tweeling: gekalibreerd op parameters, maar zonder correctie voor divergenties.

De gekalibreerde digitale tweeling: integreert zowel parameteronzekerheid als divergentie.

Het resultaat: de laatste presteert duidelijk beter dan de andere, zelfs met zeer beperkte veldobservaties.
Werkelijke impact

Hoewel het onderzoek zich richt op de veeleisende context van halfgeleiderfabrieken, reikt het potentieel veel verder dan dit vakgebied. De automobielindustrie, de luchtvaart, de farmaceutische industrie: alle sectoren waar precisie, complexiteit en automatisering samenkomen, kunnen ervan profiteren.

Bij Samsung Display paste het team bijvoorbeeld het Bayesiaanse raamwerk aan de specifieke kenmerken van de bedrijfsactiviteiten aan, waardoor de nauwkeurigheid van de voorspellingen werd verbeterd en de planning van de productieplanning werd vergemakkelijkt.

De sleutel tot de slimme fabriek van morgen

Naarmate fabrieken steeds meer met elkaar verbonden en geautomatiseerd raken, wordt de snelle en efficiënte kalibratie van digitale tweelingen cruciaal. Traditionele methoden, die sterk afhankelijk zijn van veldgegevens, laten hun beperkingen zien. De Bayesiaanse aanpak opent een wendbaarder en intelligenter pad.

Door zowel onzekerheid als divergentie te corrigeren, helpt het om:

De nauwkeurigheid van de voorspellingen te verbeteren

Stilstand te verminderen

Preventief onderhoud te optimaliseren

Realtime besluitvorming te vergemakkelijken

Voor professor Hong is dit nog maar het begin:
"Ons onderzoek baant de weg naar zelfaanpassende digitale tweelingen, die een centrale pijler van slimme productie zouden kunnen worden."
Pusan National University, een bakermat van innovatie

Pusan National University, opgericht in 1946, is vandaag de dag de belangrijkste nationale universiteit van Zuid-Korea. Met vier campussen en 30.000 studenten staan onderzoek en excellentie centraal in de missie van de universiteit.

Professor Hong, werkzaam op het snijvlak van simulatie, optimalisatie en geautomatiseerde logistiek, ontwikkelt al jaren besluitvormingstools die academische nauwkeurigheid combineren met industriële toepassing, in samenwerking met wereldleiders. Verschillende internationale patenten zijn aangevraagd om de reikwijdte van dit innovatieve raamwerk te beschermen en uit te breiden.
NJC.© Info Professor Soondo Hong of the Department of Industrial Engineering at Pusan National University

-----------------------------------------------------------------------------------------------------------------