Digital twins: replica’s van mobiliteitssystemen

Een digital twin is een digitale en real-time replica van de werkelijkheid. Het concept vindt inmiddels langzaamaan z’n weg in het vervoersdomein. En terecht, want de digital twin is een krachtig hulpmiddel om inzicht te krijgen in actuele en voorspelde knelpunten – en daarmee een prima uitgangspunt voor verkeersmanagement en infrastructuurplanning.



We gebruiken simulatie al decennialang om onze ontwerpen in een virtuele omgeving te verifiëren. Maar de simulatielat ligt met de komst van de digital twin ineens een stuk hoger: gegevens uit de echte wereld worden teruggekoppeld naar de virtuele omgeving, wat de nauwkeurigheid van de modellen fors vergroot. Dat maakt op zijn beurt veel geavanceerdere simulaties mogelijk.

Steeds meer partijen werken daarom aan digital twins voor steden en regio’s, met replica’s van onder meer mobiliteit, luchtkwaliteit, geluid, waterniveau, energie en ict. Ook TU Delft maakt goed gebruik van deze nog relatief nieuwe technologie. In de vorige uitgave van NM Magazine schreven we over twee specifieke toepassingen van de afdeling Transport & Planning van TU Delft, de Outdoor Mobility Digital Twin en de Indoor Mobility Digital Twin. In deze bijdrage houden we het wat algemener en verkennen we aan de hand van wat voorbeelden de kansen die deze nieuwe tools bieden. Ook staan we stil bij de digital twin-ambities van het Sustainable Urban Mobility Lab van TU Delft.

Figuur 1: Schema van een digital twin. (Klik op de figuur voor een grotere weergave.)

Beheer en onderhoud
Om te illustreren wat er zoal mogelijk is met digital twins, nemen we kort een aantal cases door. Let wel, we bespreken hier geen bestaande producten, maar mogelijke producten – producten die op z’n best nog in ontwikkeling zijn.

Het eerste voorbeeld betreft beheer en onderhoud. Als we ons wegennet modelleren en dat model continu voeden met voertuigdata, creëren we een real-time replica van het wegennet en van de staat van de weg. Op basis van CAN-busgegevens van het ABS en de vering kunnen we bijvoorbeeld afleiden hoe stroef het asfalt is, of er gaten en oneffenheden in de weg zijn, of er rommel ligt enzovoort. Elk probleem op de weg is zo direct zichtbaar in de digital twin – en een verkeers- dan wel assetmanagementsysteem kan op basis hiervan ‘per omgaande’ reageren op een verstoring en uit verschillende onderhoudsopties de beste strategie kiezen.

Deze digital twin lijkt nog het meest op de Outdoor Mobility Digital Twin en de Indoor Mobility Digital Twin uit het eerdere artikel. De twin fungeert als een control tower: de situatie wordt constant gemonitord en ze ondersteunt op die manier bij real-time beslissingen en noodinterventies.

Voertuig ontwerpen
Dan een tweede voorbeeld. Onze auto wordt steeds slimmer en groener en de elektronische regeleenheden en besturingsprogramma’s aan boord zijn dan ook complexer dan ooit. Dat maakt het voor autobouwers wel moeilijker om nieuwe systemen te ontwikkelen en testen. Als we echter een virtuele voertuigreplica koppelen aan (= data uitwisselen met) een echt voertuig kunnen we de nieuwe technologie ‘toepassen’ en onder verschillende omstandigheden nauwkeurig verifiëren en beproeven – nog voordat er een prototype van een echt systeem is gemaakt.

Merk op dat in deze case de heel directe link tussen werkelijkheid en ‘replica’ verdwenen is: we hebben immers zitten sleutelen aan de replica. De data waarmee we ons model testen, blijft echter wel real.

Strategische planning
De bovenstaande voorbeelden betreffen operationele, real-time toepassingen. Digital twins zijn echter ook interessant voor meer strategische planningsvraagstukken. Denk aan infrastructuuruitbreiding voor de auto, ov en fiets, de planning van mobiliteitshubs, autoluwe centra en emissievrije zones, het bepalen van de benodigde parkeercapaciteiten enzovoort.

Voor dit soort vraagstukken gebruiken we normaliter strategische verkeer- en vervoermodellen. Die hebben al als manco dat de rekentijd relatief lang is – een ‘run’ van meer dan een dag is geen uitzondering. Maar een ander nadeel van de modellen is dat ze zich richten op een gemiddelde werkdag in de toekomst.1Dat is omdat de modellen worden geschat en gekalibreerd met statische data van een eveneens gemiddelde werkdag van een bepaald basisjaar. In werkelijkheid is geen dag hetzelfde, omdat verstoringen als regen, werkzaamheden en ongevallen tot een grote variatie in vraag en aanbod leiden.

Met een digital twin kunnen we die variatie wel reproduceren. Omdat het strategische vraagstukken over de toekomst betreft, kunnen we de digital twin niet een-op-een voeden met ‘echte’ data – die infrastructuuruitbreiding of mobiliteitshub die we onderzoeken, is er immers nog niet. Maar als we de nieuwe situatie modelleren en daarbij goed rekening houden met alle variatie in vraag en aanbod (uitgaande van echte data), zijn we af van die platgeslagen gemiddelden. Met de digital twin kunnen we het planningsvraagstuk dan goed analyseren en robuuste toekomstprognoses opstellen.

Nog interessanter wordt het wanneer we vervoerwijzen en/of mobiliteitssystemen onderzoeken die in de praktijk nog niet of nauwelijks beschikbaar zijn, zoals Mobility as a Service, deelvoertuigen en ritdeelsystemen, automatische voertuigen, stepjes, shuttles, drones etc. Omdat er van deze vervoerwijzen niet of nauwelijks data zijn, ontbreken ze in de strategische verkeer- en vervoermodellen. We kunnen de nieuwe vervoerwijzen wel toevoegen, maar dan moeten we aannames doen over reizigersvoorkeuren. Op dit moment vallen we voor die aannames terug op zogenaamd stated preference-onderzoek. Het nadeel daarvan is dat onderzoeksdeelnemers zich een situatie moeten voorstellen die ze nog niet kennen. De resultaten kunnen dan ook flink afwijken van de keuzes die mensen maken als de nieuwe vervoerwijzen er echt zijn.
Een mooie oplossing zou zijn om voor dit soort preference-onderzoeken digital twins in combinatie met virtual en augmented reality in te zetten. Onderzoeksdeelnemers kunnen zich dan in een levensechte omgeving begeven (die in werkelijkheid nog niet bestaat) en realistischere keuzes maken. Die keuzes kunnen we vervolgens vertalen naar modelparameters.

Ambities
Digital twins bieden dus tal van mogelijkheden om operationele (real-time) en strategische planningsvraagstukken te adresseren. Door gebruik te maken van een combinatie van databronnen krijgen we een vollediger en accurater beeld van de actuele situatie, kunnen we beter korte- en langetermijnvoorspellingen maken en kunnen we het effect van maatregelen beter simuleren. De ambitie hierbij is om zo goed mogelijk te sturen op doelen rond bereikbaarheid, veiligheid, luchtkwaliteit, geluidsoverlast, leefbaarheid enzovoort.

Binnen de afdeling Transport & Planning van TU Delft wil ook ons Sustainable Urban Mobility Lab, kortweg SUM-lab, aan deze ambitie bijdragen. We gaan state-of-the art onderzoek doen op het vlak van datafusie, advanced data analytics, kunstmatige intelligentie (AI), virtual reality en (agent based) verkeers- en vervoermodellen die in digital twins kunnen worden gebruikt. Deze methodologieën zijn belangrijk om meer grip te krijgen op operationele (real-time) planningsvraagstukken zoals evacuaties, verkeersmanagement en het toewijzen van deelvoertuigen aan ritten. Maar ze zijn net zo hard nodig voor die meer strategische vraagstukken, zoals het ontwerp van toekomstige mobiliteitssystemen.

Bij dit onderzoek zoeken we trouwens graag de samenwerking. Binnen de TU Delft sluiten we aan op de Outdoor Mobility Digital Twin en de Indoor Mobility Digital Twin. In de komende periode willen we een koppeling maken met Urban Strategy, een instrument van TNO waarmee we op netwerkniveau simulaties van fiets, auto, ov, luchtkwaliteit en geluid kunnen maken. Verder werken we in onder meer het Nederlandse project SIPCAT, Safe Interaction of Pedestrians and Cyclists With Automated Transport, samen met andere partijen aan de ontwikkeling van een 3D Virtual Reality-omgeving als onderdeel van een digital twin.

We hopen zo heel vlot stappen te maken. Hoe sneller we de kansen die we in dit artikel hebben geschetst naar de praktijk kunnen brengen, hoe beter!

____

De auteurs
Dr. Maaike Snelder is universitair docent aan de TU Delft, co-director van het SUM Lab van TU Delft en principal scientist bij TNO.
Dr. Shadi Sharif Azadeh is universitair docent aan de TU Delft en co-director van het SUM Lab van TU Delft.