#digitaltwin — Public Fediverse posts

Introducing the latest addition to the Eclipse #DigitalTwin Parent Project:

Eclipse AAS Core Works provides reusable core libraries and tooling for working with Asset Administration Shells (AAS), the standardised Digital Twin concept used in Industry 4.0.

Learn more: https://projects.eclipse.org/projects/dt.aascw?utm_source=linkedin&utm_medium=organic-social&utm_campaign=EF-projects&utm_content=carousel

#OpenSource #BringYourProject

Introducing the latest addition to the Eclipse #DigitalTwin Parent Project:

Eclipse AAS Core Works provides reusable core libraries and tooling for working with Asset Administration Shells (AAS), the standardised Digital Twin concept used in Industry 4.0.

Learn more: https://projects.eclipse.org/projects/dt.aascw?utm_source=linkedin&utm_medium=organic-social&utm_campaign=EF-projects&utm_content=carousel

#OpenSource #BringYourProject

Ein digitaler Zwilling einer Fusionsanlage kann entstehen, bevor die reale Maschine gebaut ist.
Am IPP entwickeln Forschende dafür Modelle, die Physik, Experimente, High Perfomance Computing und KI verbinden. Sie sollen Betriebsszenarien prüfen, Risiken früh erkennen und die Planung von ITER und künftigen Fusionsanlagen unterstützen.
#Kernfusion #DigitalTwin

https://doi.org/10.1088/1741-4326/ae8037

Ein digitaler Zwilling einer Fusionsanlage kann entstehen, bevor die reale Maschine gebaut ist.
Am IPP entwickeln Forschende dafür Modelle, die Physik, Experimente, High Perfomance Computing und KI verbinden. Sie sollen Betriebsszenarien prüfen, Risiken früh erkennen und die Planung von ITER und künftigen Fusionsanlagen unterstützen.
#Kernfusion #DigitalTwin

https://doi.org/10.1088/1741-4326/ae8037

The Industry Says Physics + AI Fixes Real-World Battery Degradation.

I Tried to Verify That on a Public Dataset.

James Sanders • Data Scientist & ML Engineer • jamesaksanders.com

The pitch for battery digital twins right now is consistent across the industry: combine physics models with AI and real telemetry, and you get predictions that are both mathematically valid and physically possible. That’s a near-direct quote from a March 2026 Exponent piece on EV battery digital twins, by Dustin Burns et al. It’s not just a consulting framing, either — Fluence’s own Life Model, running across their BESS fleet today, is described the same way: a “cell-level degradation engine calibrated with lab and fleet data” that predicts capacity fade and informs project sizing.

I wanted to test that premise directly on a public dataset rather than take it on faith. If you work in grid-scale battery storage, you already know that state-of-health (SOH) modeling lives or dies on one assumption underneath that pitch: that your “hard cases” — the cells actually experiencing the operating stress you’re trying to predict — are correctly identified in the first place. I recently learned, the hard way, how easy it is to get that assumption wrong without ever noticing.

The specific hypothesis: that adding a physics-based temperature term (an Arrhenius-style acceleration factor, the same mechanism used in several recent published SOH frameworks) would help a neural network handle battery cells that experience real temperature swings — the “drift” cells — better than a plain LSTM could on its own. This is a reasonable, well-precedented thing to expect, and it’s the same logic behind the lab-plus-field calibration pitch above. It’s also, in my case, not what happened, and the reason why is more interesting than the result itself.

The manifest was wrong before the benchmark even started.

My initial data pull flagged 16 cells in the NASA PCoE battery dataset as “drift” cells — cells whose operating temperature changed partway through their test life. When I went back to verify that manifest against the raw files before publishing anything, the number dropped to 7.

The bug was mechanical and, once found, completely unambiguous: the labeling logic checked for more than one distinct ambient_temperature value anywhere in a cell’s full cycle record — charge, discharge, and impedance spectroscopy cycles alike. NASA’s testbed logs its periodic EIS impedance spot-checks at a fixed 24°C reference reading, regardless of what temperature the aging chamber is actually holding for the charge/discharge cycles around them. So a cell held at a genuine, constant 4°C for every single discharge cycle of its life — the only cycles that actually define its SOH trajectory — would still show {4°C, 24°C} in its raw metadata, purely because of an instrumentation artifact from an unrelated measurement type. Filter to discharge cycles only, and 13 of those 16 “drift” cells instantly collapse to a single, unchanging temperature.

Why a constant-4°C cell got flagged as “drift” — illustrative schematic based on the confirmed labeling logic

Re-verifying the raw NASA PCoE files cut the confirmed drift-cell count from 16 to 7

If you’re building any kind of automated condition-flagging or anomaly-labeling pipeline on multi-modal telemetr — and if you work in AMI, DER, or grid-storage analytics, you almost certainly are — this is worth sitting with. The failure mode here wasn’t a bad model. It was a labeling script that technically read the right field, from the right dataset, and still produced a systematically wrong answer, because it didn’t account for which kind of measurement event it was reading that field from.

The benchmark itself needed a second correction, too.

Once I had the corrected 7-cell drift set, the headline result looked clean: the physics-augmented model was 3.3% worse (RMSE) than the plain LSTM on genuine drift cells, and 16.9% better on fixed-temperature control cells — exactly the inverse of what the physics term was supposed to buy you. That’s a publishable, interesting negative result on its own.

But a pooled RMSE delta across 7–9 cells is a thinner foundation than it looks. When I broke it down per cell, only 4 of 7 drift cells individually agreed with the aggregate direction. I also ran a paired significance test at the cycle level, which is a common approach in this literature — but cycles within the same cell aren’t independent observations, since they share that cell’s degradation trajectory. Treating them as independent inflates the effective sample size and can manufacture an artificially confident result. Sure enough, the control group’s cycle-level test came back extremely significant (p < 0.00001) — exactly the kind of number that pattern is known to produce. The test that actually respects the data’s structure is a bootstrap resampled at the cell level, since the cell, not the cycle, is the real independent unit. That test told a very different story: both groups’ 95% confidence intervals straddled zero. Neither the drift-side regression nor the control-side improvement is distinguishable from sampling noise, once the check is run at the correct level.

Per-cell RMSE: neither the drift group nor the control group tells a clean, unanimous story

Why this matters beyond one physics term.

Most published SOH benchmarks on this dataset — and I’d guess a fair number of internal grid-storage model evaluations — compare pooled error metrics across a small number of cells (often just 3–4) without checking whether that pooled number would survive being resampled, or whether it’s being carried by one or two atypical units. Seven to nine cells is already more than the field’s typical practice, and it still wasn’t enough for either half of my original comparison to hold up cleanly.

If your team is evaluating SOH, load-forecasting, or anomaly-detection models against a small number of “representative” assets — a handful of feeders, a handful of battery packs, a handful of substations — the same question applies: would your headline number survive a cell-level bootstrap, or is it one atypical asset doing most of the work?

I’m curious whether others in grid-storage analytics have run into a similar gap between a pooled benchmark number and what actually holds up under a per-unit breakdown — happy to compare notes.

References

Burns, D. & Mendias, M. “Turn EV Battery Data Into Reliable Digital Twins.” Exponent, March 31, 2026.
Winter, TJ & Shi, G. “Beyond 20 Years: Maximizing Battery Storage Lifespan and Value.” Fluence Energy Blog.
NASA Prognostics Center of Excellence (PCoE). Li-Ion Battery Aging Dataset. NASA Ames Research Center.
CALCE Battery Research Group, University of Maryland. Battery aging and cycling datasets (CX2, CS2 cell series).
LSTM–PINN framework for physically consistent battery state-of-health prediction. Scientific Reports, 2026.
Physics-Informed Neural Networks for Battery Degradation Prediction Under Random Walk Operations. Quality and Reliability Engineering International (Wiley), 2026.

The Industry Says Physics + AI Fixes Real-World Battery Degradation.

I Tried to Verify That on a Public Dataset.

James Sanders • Data Scientist & ML Engineer • jamesaksanders.com

The pitch for battery digital twins right now is consistent across the industry: combine physics models with AI and real telemetry, and you get predictions that are both mathematically valid and physically possible. That’s a near-direct quote from a March 2026 Exponent piece on EV battery digital twins, by Dustin Burns et al. It’s not just a consulting framing, either — Fluence’s own Life Model, running across their BESS fleet today, is described the same way: a “cell-level degradation engine calibrated with lab and fleet data” that predicts capacity fade and informs project sizing.

I wanted to test that premise directly on a public dataset rather than take it on faith. If you work in grid-scale battery storage, you already know that state-of-health (SOH) modeling lives or dies on one assumption underneath that pitch: that your “hard cases” — the cells actually experiencing the operating stress you’re trying to predict — are correctly identified in the first place. I recently learned, the hard way, how easy it is to get that assumption wrong without ever noticing.

The specific hypothesis: that adding a physics-based temperature term (an Arrhenius-style acceleration factor, the same mechanism used in several recent published SOH frameworks) would help a neural network handle battery cells that experience real temperature swings — the “drift” cells — better than a plain LSTM could on its own. This is a reasonable, well-precedented thing to expect, and it’s the same logic behind the lab-plus-field calibration pitch above. It’s also, in my case, not what happened, and the reason why is more interesting than the result itself.

The manifest was wrong before the benchmark even started.

My initial data pull flagged 16 cells in the NASA PCoE battery dataset as “drift” cells — cells whose operating temperature changed partway through their test life. When I went back to verify that manifest against the raw files before publishing anything, the number dropped to 7.

The bug was mechanical and, once found, completely unambiguous: the labeling logic checked for more than one distinct ambient_temperature value anywhere in a cell’s full cycle record — charge, discharge, and impedance spectroscopy cycles alike. NASA’s testbed logs its periodic EIS impedance spot-checks at a fixed 24°C reference reading, regardless of what temperature the aging chamber is actually holding for the charge/discharge cycles around them. So a cell held at a genuine, constant 4°C for every single discharge cycle of its life — the only cycles that actually define its SOH trajectory — would still show {4°C, 24°C} in its raw metadata, purely because of an instrumentation artifact from an unrelated measurement type. Filter to discharge cycles only, and 13 of those 16 “drift” cells instantly collapse to a single, unchanging temperature.

Why a constant-4°C cell got flagged as “drift” — illustrative schematic based on the confirmed labeling logic

Re-verifying the raw NASA PCoE files cut the confirmed drift-cell count from 16 to 7

If you’re building any kind of automated condition-flagging or anomaly-labeling pipeline on multi-modal telemetr — and if you work in AMI, DER, or grid-storage analytics, you almost certainly are — this is worth sitting with. The failure mode here wasn’t a bad model. It was a labeling script that technically read the right field, from the right dataset, and still produced a systematically wrong answer, because it didn’t account for which kind of measurement event it was reading that field from.

The benchmark itself needed a second correction, too.

Once I had the corrected 7-cell drift set, the headline result looked clean: the physics-augmented model was 3.3% worse (RMSE) than the plain LSTM on genuine drift cells, and 16.9% better on fixed-temperature control cells — exactly the inverse of what the physics term was supposed to buy you. That’s a publishable, interesting negative result on its own.

But a pooled RMSE delta across 7–9 cells is a thinner foundation than it looks. When I broke it down per cell, only 4 of 7 drift cells individually agreed with the aggregate direction. I also ran a paired significance test at the cycle level, which is a common approach in this literature — but cycles within the same cell aren’t independent observations, since they share that cell’s degradation trajectory. Treating them as independent inflates the effective sample size and can manufacture an artificially confident result. Sure enough, the control group’s cycle-level test came back extremely significant (p < 0.00001) — exactly the kind of number that pattern is known to produce. The test that actually respects the data’s structure is a bootstrap resampled at the cell level, since the cell, not the cycle, is the real independent unit. That test told a very different story: both groups’ 95% confidence intervals straddled zero. Neither the drift-side regression nor the control-side improvement is distinguishable from sampling noise, once the check is run at the correct level.

Per-cell RMSE: neither the drift group nor the control group tells a clean, unanimous story

Why this matters beyond one physics term.

Most published SOH benchmarks on this dataset — and I’d guess a fair number of internal grid-storage model evaluations — compare pooled error metrics across a small number of cells (often just 3–4) without checking whether that pooled number would survive being resampled, or whether it’s being carried by one or two atypical units. Seven to nine cells is already more than the field’s typical practice, and it still wasn’t enough for either half of my original comparison to hold up cleanly.

If your team is evaluating SOH, load-forecasting, or anomaly-detection models against a small number of “representative” assets — a handful of feeders, a handful of battery packs, a handful of substations — the same question applies: would your headline number survive a cell-level bootstrap, or is it one atypical asset doing most of the work?

I’m curious whether others in grid-storage analytics have run into a similar gap between a pooled benchmark number and what actually holds up under a per-unit breakdown — happy to compare notes.

References

Burns, D. & Mendias, M. “Turn EV Battery Data Into Reliable Digital Twins.” Exponent, March 31, 2026.
Winter, TJ & Shi, G. “Beyond 20 Years: Maximizing Battery Storage Lifespan and Value.” Fluence Energy Blog.
NASA Prognostics Center of Excellence (PCoE). Li-Ion Battery Aging Dataset. NASA Ames Research Center.
CALCE Battery Research Group, University of Maryland. Battery aging and cycling datasets (CX2, CS2 cell series).
LSTM–PINN framework for physically consistent battery state-of-health prediction. Scientific Reports, 2026.
Physics-Informed Neural Networks for Battery Degradation Prediction Under Random Walk Operations. Quality and Reliability Engineering International (Wiley), 2026.

PMX AI goes offline a day after launch as users share unusual responses #ai #aichatbot #anwaribrahim #apps #digitallife #digitaltwin #featured #news #pmx #zetrix #zetrixai

https://soyacincau.com/2026/07/20/pmx-ai-anwar-ibrahim-digital-twin-offline/

PMX AI goes offline a day after launch as users share unusual responses #ai #aichatbot #anwaribrahim #apps #digitallife #digitaltwin #featured #news #pmx #zetrix #zetrixai

https://soyacincau.com/2026/07/20/pmx-ai-anwar-ibrahim-digital-twin-offline/

Magazyny przyszłości będą projektowane z myślą o robotach. Nadchodzi era modelu „robot-centric”

Tradycyjne centra logistyczne, oparte głównie na pracy ludzi i sztywnych procesach operacyjnych, coraz szybciej zmieniają swój charakter.

Z najnowszych prognoz agencji analitycznej Gartner wynika, że do 2030 roku aż 50 procent nowych magazynów w krajach rozwiniętych będzie projektowanych jako obiekty „robot-centric”. W takim modelu udział człowieka w codziennych operacjach staje się marginalny, a cała przestrzeń od podstaw powstaje z myślą o maszynach. Pod wieloma względami nowoczesna hala magazynowa coraz bardziej przypomina autonomiczny komputer, w którym kluczowe decyzje podejmuje oprogramowanie.

Skutki kryzysu demograficznego. Japonia wdroży system AI dla 10 milionów robotów

Ta transformacja jest napędzana przede wszystkim przez rosnące koszty pracy, problemy z dostępnością pracowników oraz malejącą gotowość ludzi do wykonywania powtarzalnych, fizycznych zadań. Dla operatorów logistycznych i sieci handlowych oznacza to rosnące znaczenie infrastruktury IT oraz sposobu zarządzania danymi.

Sztuczna inteligencja jako system operacyjny magazynu

W dotychczasowym modelu automatyzacji roboty wykonywały przede wszystkim z góry zaprogramowane, statyczne czynności. Model „robot-centric” wprowadza głęboką zmianę: sztuczna inteligencja przestaje być jedynie dodatkiem do systemu magazynowego, a staje się jego centralnym mechanizmem decyzyjnym. Algorytmy pełnią rolę nadrzędnego systemu zarządzania, który stale optymalizuje pracę obiektu w czasie rzeczywistym.

Roboty przejmują rutynowe procesy, takie jak kompletacja zamówień, sortowanie czy transport wewnętrzny. Rola człowieka przesuwa się w kierunku nadzoru nad systemami, serwisowania maszyn oraz reagowania na sytuacje niestandardowe. Taki magazyn ma działać jak autonomiczny organizm, co oznacza, że procesy będą w coraz większym stopniu zależne od ciągłego przepływu danych generowanych przez tysiące czujników i systemów pokładowych.

Cyfrowe bliźniaki symulują scenariusze przed budową

Ważnym narzędziem w rozwoju zrobotyzowanej logistyki stają się cyfrowe bliźniaki (Digital Twins). To zaawansowane, wirtualne repliki obiektów, które pozwalają firmom traktować magazyn jak żywy model danych. Rozwiązanie to umożliwia symulowanie działania całego obiektu, testowanie optymalnego układu regałów, dobieranie odpowiedniej liczby robotów oraz sprawdzanie różnych systemów kompletacji jeszcze przed fizycznym rozpoczęciem budowy.

Dzięki temu operator może sprawdzić w bezpiecznym środowisku, jak zmieni się wydajność logistyki przy nagłym, sezonowym skoku liczby zamówień. Takie symulacje i ciągła optymalizacja wymagają jednak wydajnej infrastruktury IT o wysokiej skalowalności i odporności na awarie.

Robotyczne magazyny napędzają rozwój centrów danych

Rozwój zrobotyzowanych obiektów staje się wyzwaniem nie tylko dla samej logistyki, ale i dla rynku centrów danych. Systemy zarządzające flotami maszyn, analityka predykcyjna oraz cyfrowe bliźniaki potrzebują ogromnych zasobów sprzętowych. Gartner prognozuje, że do 2029 roku aż 50 procent zasobów obliczeniowych na świecie będzie wykorzystywanych przez workloady powiązane z AI (obecnie to mniej niż 10 procent).

Problem suwerenności cyfrowej w logistyce

Wraz z postępującą automatyzacją kluczowy staje się wątek suwerenności cyfrowej. Informacje o przepływie towarów, stanach magazynowych czy wydajności całego łańcucha dostaw mają strategiczne znaczenie biznesowe. Przetwarzanie ich w chmurach publicznych poza granicami kraju może – zdaniem ekspertów – zwiększać ryzyka operacyjne, regulacyjne i reputacyjne.

Dla wielu firm naturalnym kierunkiem staje się chmura prywatna lub model hybrydowy. Taki podział infrastruktury umożliwia utrzymanie kontroli nad wrażliwymi informacjami oraz ułatwia zapewnienie pełnej zgodności z europejskimi regulacjami dotyczącymi bezpieczeństwa i ochrony danych, przy jednoczesnym korzystaniu z elastyczności nowoczesnych narzędzi AI.

Magazyny przyszłości będą projektowane z myślą o robotach. Nadchodzi era modelu „robot-centric”

Tradycyjne centra logistyczne, oparte głównie na pracy ludzi i sztywnych procesach operacyjnych, coraz szybciej zmieniają swój charakter.

Z najnowszych prognoz agencji analitycznej Gartner wynika, że do 2030 roku aż 50 procent nowych magazynów w krajach rozwiniętych będzie projektowanych jako obiekty „robot-centric”. W takim modelu udział człowieka w codziennych operacjach staje się marginalny, a cała przestrzeń od podstaw powstaje z myślą o maszynach. Pod wieloma względami nowoczesna hala magazynowa coraz bardziej przypomina autonomiczny komputer, w którym kluczowe decyzje podejmuje oprogramowanie.

Skutki kryzysu demograficznego. Japonia wdroży system AI dla 10 milionów robotów

Ta transformacja jest napędzana przede wszystkim przez rosnące koszty pracy, problemy z dostępnością pracowników oraz malejącą gotowość ludzi do wykonywania powtarzalnych, fizycznych zadań. Dla operatorów logistycznych i sieci handlowych oznacza to rosnące znaczenie infrastruktury IT oraz sposobu zarządzania danymi.

Sztuczna inteligencja jako system operacyjny magazynu

W dotychczasowym modelu automatyzacji roboty wykonywały przede wszystkim z góry zaprogramowane, statyczne czynności. Model „robot-centric” wprowadza głęboką zmianę: sztuczna inteligencja przestaje być jedynie dodatkiem do systemu magazynowego, a staje się jego centralnym mechanizmem decyzyjnym. Algorytmy pełnią rolę nadrzędnego systemu zarządzania, który stale optymalizuje pracę obiektu w czasie rzeczywistym.

Roboty przejmują rutynowe procesy, takie jak kompletacja zamówień, sortowanie czy transport wewnętrzny. Rola człowieka przesuwa się w kierunku nadzoru nad systemami, serwisowania maszyn oraz reagowania na sytuacje niestandardowe. Taki magazyn ma działać jak autonomiczny organizm, co oznacza, że procesy będą w coraz większym stopniu zależne od ciągłego przepływu danych generowanych przez tysiące czujników i systemów pokładowych.

Cyfrowe bliźniaki symulują scenariusze przed budową

Ważnym narzędziem w rozwoju zrobotyzowanej logistyki stają się cyfrowe bliźniaki (Digital Twins). To zaawansowane, wirtualne repliki obiektów, które pozwalają firmom traktować magazyn jak żywy model danych. Rozwiązanie to umożliwia symulowanie działania całego obiektu, testowanie optymalnego układu regałów, dobieranie odpowiedniej liczby robotów oraz sprawdzanie różnych systemów kompletacji jeszcze przed fizycznym rozpoczęciem budowy.

Dzięki temu operator może sprawdzić w bezpiecznym środowisku, jak zmieni się wydajność logistyki przy nagłym, sezonowym skoku liczby zamówień. Takie symulacje i ciągła optymalizacja wymagają jednak wydajnej infrastruktury IT o wysokiej skalowalności i odporności na awarie.

Robotyczne magazyny napędzają rozwój centrów danych

Rozwój zrobotyzowanych obiektów staje się wyzwaniem nie tylko dla samej logistyki, ale i dla rynku centrów danych. Systemy zarządzające flotami maszyn, analityka predykcyjna oraz cyfrowe bliźniaki potrzebują ogromnych zasobów sprzętowych. Gartner prognozuje, że do 2029 roku aż 50 procent zasobów obliczeniowych na świecie będzie wykorzystywanych przez workloady powiązane z AI (obecnie to mniej niż 10 procent).

Problem suwerenności cyfrowej w logistyce

Wraz z postępującą automatyzacją kluczowy staje się wątek suwerenności cyfrowej. Informacje o przepływie towarów, stanach magazynowych czy wydajności całego łańcucha dostaw mają strategiczne znaczenie biznesowe. Przetwarzanie ich w chmurach publicznych poza granicami kraju może – zdaniem ekspertów – zwiększać ryzyka operacyjne, regulacyjne i reputacyjne.

Dla wielu firm naturalnym kierunkiem staje się chmura prywatna lub model hybrydowy. Taki podział infrastruktury umożliwia utrzymanie kontroli nad wrażliwymi informacjami oraz ułatwia zapewnienie pełnej zgodności z europejskimi regulacjami dotyczącymi bezpieczeństwa i ochrony danych, przy jednoczesnym korzystaniu z elastyczności nowoczesnych narzędzi AI.

AI nelle fonderie di alluminio: una necessità per proteggere i margini
https://www.metallirari.com/ai-fonderie-alluminio-necessita-proteggere-margini/
L’intelligenza artificiale può ridurre costi ed emissioni nelle fonderie di alluminio, ma soltanto se dati, sensori, competenze e modelli restano aderenti alla realtà fisica dell’impianto.
#Alluminio #AI #IntelligenzaArtificiale #IndustriaMetallurgica #HallHeroult #CBAM #EfficienzaEnergetica #DigitalTwin #ManutenzionePredittiva #Metallurgia #Industria40 #Fonderie

AI nelle fonderie di alluminio: una necessità per proteggere i margini
https://www.metallirari.com/ai-fonderie-alluminio-necessita-proteggere-margini/
L’intelligenza artificiale può ridurre costi ed emissioni nelle fonderie di alluminio, ma soltanto se dati, sensori, competenze e modelli restano aderenti alla realtà fisica dell’impianto.
#Alluminio #AI #IntelligenzaArtificiale #IndustriaMetallurgica #HallHeroult #CBAM #EfficienzaEnergetica #DigitalTwin #ManutenzionePredittiva #Metallurgia #Industria40 #Fonderie

[LinkedIn]
"Gaussian Splatting Community" "Aurélien Camart"

#DigitalTwin #Aix_en_Provence

https://www.linkedin.com/feed/update/urn:li:groupPost:15005021-7480221194365906946/?utm_source=social_share_send&utm_medium=android_app&rcm=ACoAAEzXRJUBynsJc71aW-dWqfGb1qB6qdakzSg&utm_campaign=share_via

[LinkedIn]
"Gaussian Splatting Community" "Aurélien Camart"

#DigitalTwin #Aix_en_Provence

https://www.linkedin.com/feed/update/urn:li:groupPost:15005021-7480221194365906946/?utm_source=social_share_send&utm_medium=android_app&rcm=ACoAAEzXRJUBynsJc71aW-dWqfGb1qB6qdakzSg&utm_campaign=share_via

Georeferencing splats is straightforward. Upload your .ply files and use our visual #3D editor to position, tilt, scale, and rotate them with precision. See how: maptiler.link/4ycGKDU

#GaussianSplats #GaussianSplatting #WebGPU #3D #DigitalTwin

https://www.fogolf.com/1307072/golf-course-management-goes-digital-with-digital-twin-adoption-as-meisa-partners-with-dajeong-golf/ Golf Course Management Goes Digital With ‘Digital Twin’ Adoption as Meisa Partners With DaJeong Golf #ArtificialIntelligence #DaJeongGolfEngineering #DigitalTwin #GolfCourseManagement #GolfCourses #Meisa #MeisaGreen #SmartManagement

https://www.fogolf.com/1307072/golf-course-management-goes-digital-with-digital-twin-adoption-as-meisa-partners-with-dajeong-golf/ Golf Course Management Goes Digital With ‘Digital Twin’ Adoption as Meisa Partners With DaJeong Golf #ArtificialIntelligence #DaJeongGolfEngineering #DigitalTwin #GolfCourseManagement #GolfCourses #Meisa #MeisaGreen #SmartManagement

Two new papers just published (and which were presented last week at the ESCAPE36 conference in Sheffield).

https://doi.org/10.69997/sct.121590

https://doi.org/10.69997/sct.164877

#EWaste #ElectronicWaste #ProcessSystemsEngineering #PSE #ProcessDesign #ModelDevelopment #MultiobjectiveOptimization #DigitalTwin

Two new papers just published (and which were presented last week at the ESCAPE36 conference in Sheffield).

https://doi.org/10.69997/sct.121590

https://doi.org/10.69997/sct.164877

#EWaste #ElectronicWaste #ProcessSystemsEngineering #PSE #ProcessDesign #ModelDevelopment #MultiobjectiveOptimization #DigitalTwin

Why Every Business May Soon Have an AI Twin

https://kierendaystudiosofficial.wordpress.com/2026/06/19/why-every-business-may-soon-have-an-ai-twin/

Why Every Business May Soon Have an AI Twin

https://kierendaystudiosofficial.wordpress.com/2026/06/19/why-every-business-may-soon-have-an-ai-twin/

#DigitalTwin :bingo:

How AI, Digital Twin and IoT are fit together in 2026
https://medium.com/@toobler1/iot-ai-and-digital-twins-how-they-fit-together-in-2026-f32f60cfc838

#AI #IoT #DigitalTwin

How AI, Digital Twin and IoT are fit together in 2026
https://medium.com/@toobler1/iot-ai-and-digital-twins-how-they-fit-together-in-2026-f32f60cfc838

#AI #IoT #DigitalTwin

AI-Driven Interactive 3D Experiences in India | NGXP Technologies

Step into the future with NGXP Technologies’ AI-driven interactive 3D environments where virtual worlds respond in real time. Visit our website!

https://ngxptechnologies.com/

#AI #Interactive3D #ImmersiveTech #DigitalTwin #XRTechnology #RealTime3D #Metaverse #NGXPTechnologies

AI-Driven Interactive 3D Experiences in India | NGXP Technologies

Step into the future with NGXP Technologies’ AI-driven interactive 3D environments where virtual worlds respond in real time. Visit our website!

https://ngxptechnologies.com/

#AI #Interactive3D #ImmersiveTech #DigitalTwin #XRTechnology #RealTime3D #Metaverse #NGXPTechnologies

Trójwymiarowe modele i mapy bez gogli VR. Nowy ekran Sony zmienia pracę inżynierów

Praca z chmurami punktów, cyfrowymi bliźniakami miast i zaawansowanymi danymi przestrzennymi na płaskim ekranie często przypomina ocenianie rzeźby na podstawie fotografii – brakuje w tym kluczowego elementu głębi.

Branża technologiczna od lat szukała alternatywy dla niewygodnych gogli VR, a rozwiązaniem okazują się monitory nowej generacji. Urządzenia takie jak Sony Spatial Reality Display wprowadzają trójwymiarowy obraz bezpośrednio na biurka geodetów, architektów i planistów przestrzennych.

Jak działa holograficzny efekt bez okularów?

Wyświetlanie wiarygodnego obrazu 3D bez konieczności zakładania jakichkolwiek akcesoriów na głowę to wynik połączenia zaawansowanej optyki i technologii śledzenia wzroku (eye-trackingu). Monitor Sony Spatial Reality Display wykorzystuje wbudowany czujnik wizyjny, który w czasie rzeczywistym monitoruje pozycję źrenic użytkownika w trzech osiach (poziomej, pionowej i w głąb).

Sony ELF-SR2 to przyszłość, którą widzieliśmy na własne oczy. Ten monitor 3D nie potrzebuje okularów

Dzięki precyzyjnym informacjom o tym, skąd dokładnie patrzy obserwator, oprogramowanie generuje dwa niezależne widoki sceny. Nałożony na panel LCD specjalny układ mikrosoczewek precyzyjnie rozdziela światło, kierując odrębny obraz do lewego i prawego oka. Efekt? Gdy użytkownik porusza głową, perspektywa wyświetlanego obiektu zmienia się płynnie i naturalnie, dokładnie tak, jak przy oglądaniu fizycznej makiety. Całość wyświetlana jest w rozdzielczości 4K przy zachowaniu szerokiej palety barw przestrzeni Adobe RGB.

Cyfrowe bliźniaki i infrastruktura pod pełną kontrolą

Technologia ta znalazła swoje praktyczne zastosowanie w szeroko pojętej geoinformatyce. Została ona zaprezentowana profesjonalistom podczas V Akademii Kartografii i Geoinformatyki we Wrocławiu, pokazując, jak eliminuje ograniczenia tradycyjnych ekranów 2D.

Dla inżynierów i urbanistów to potężne narzędzie do analizy modeli BIM (Building Information Modeling) oraz tak zwanych cyfrowych bliźniaków (Digital Twin). Połączenie trójwymiarowej bryły budynku z płynącymi na żywo danymi z czujników (np. o zużyciu energii czy temperaturze) na ekranie przestrzennym ułatwia wczesne wykrywanie kolizji w projektach instalacji. Pozwala to na szybsze wprowadzanie poprawek jeszcze przed wylaniem pierwszych fundamentów. Z kolei geodeci zyskują znacznie bardziej przejrzyste środowisko do wizualnej kontroli skomplikowanych modeli fotogrametrycznych i chmur punktów.

Koniec z drogimi makietami fizycznymi

Wdrożenie ekranów przestrzennych rozwiązuje jeszcze jeden istotny problem biznesowy: komunikację na linii projektant-inwestor. Złożone zjawiska przestrzenne, symulacje środowiskowe czy plany zagospodarowania terenu są trudne do zinterpretowania dla osób bez wykształcenia technicznego.

Możliwość „zajrzenia” do wnętrza projektowanej infrastruktury bez zakładania gogli ułatwia konsultacje społeczne i prezentacje dla zarządów miast. W administracji publicznej i zarządzaniu kryzysowym taka forma wizualizacji pozwala na błyskawiczną i bezbłędną ocenę sytuacji topograficznej. Przyspiesza to procesy decyzyjne i znacząco redukuje koszty, eliminując potrzebę budowania czasochłonnych i drogich, fizycznych prototypów i makiet.

Trójwymiarowe modele i mapy bez gogli VR. Nowy ekran Sony zmienia pracę inżynierów

Praca z chmurami punktów, cyfrowymi bliźniakami miast i zaawansowanymi danymi przestrzennymi na płaskim ekranie często przypomina ocenianie rzeźby na podstawie fotografii – brakuje w tym kluczowego elementu głębi.

Branża technologiczna od lat szukała alternatywy dla niewygodnych gogli VR, a rozwiązaniem okazują się monitory nowej generacji. Urządzenia takie jak Sony Spatial Reality Display wprowadzają trójwymiarowy obraz bezpośrednio na biurka geodetów, architektów i planistów przestrzennych.

Jak działa holograficzny efekt bez okularów?

Wyświetlanie wiarygodnego obrazu 3D bez konieczności zakładania jakichkolwiek akcesoriów na głowę to wynik połączenia zaawansowanej optyki i technologii śledzenia wzroku (eye-trackingu). Monitor Sony Spatial Reality Display wykorzystuje wbudowany czujnik wizyjny, który w czasie rzeczywistym monitoruje pozycję źrenic użytkownika w trzech osiach (poziomej, pionowej i w głąb).

Sony ELF-SR2 to przyszłość, którą widzieliśmy na własne oczy. Ten monitor 3D nie potrzebuje okularów

Dzięki precyzyjnym informacjom o tym, skąd dokładnie patrzy obserwator, oprogramowanie generuje dwa niezależne widoki sceny. Nałożony na panel LCD specjalny układ mikrosoczewek precyzyjnie rozdziela światło, kierując odrębny obraz do lewego i prawego oka. Efekt? Gdy użytkownik porusza głową, perspektywa wyświetlanego obiektu zmienia się płynnie i naturalnie, dokładnie tak, jak przy oglądaniu fizycznej makiety. Całość wyświetlana jest w rozdzielczości 4K przy zachowaniu szerokiej palety barw przestrzeni Adobe RGB.

Cyfrowe bliźniaki i infrastruktura pod pełną kontrolą

Technologia ta znalazła swoje praktyczne zastosowanie w szeroko pojętej geoinformatyce. Została ona zaprezentowana profesjonalistom podczas V Akademii Kartografii i Geoinformatyki we Wrocławiu, pokazując, jak eliminuje ograniczenia tradycyjnych ekranów 2D.

Dla inżynierów i urbanistów to potężne narzędzie do analizy modeli BIM (Building Information Modeling) oraz tak zwanych cyfrowych bliźniaków (Digital Twin). Połączenie trójwymiarowej bryły budynku z płynącymi na żywo danymi z czujników (np. o zużyciu energii czy temperaturze) na ekranie przestrzennym ułatwia wczesne wykrywanie kolizji w projektach instalacji. Pozwala to na szybsze wprowadzanie poprawek jeszcze przed wylaniem pierwszych fundamentów. Z kolei geodeci zyskują znacznie bardziej przejrzyste środowisko do wizualnej kontroli skomplikowanych modeli fotogrametrycznych i chmur punktów.

Koniec z drogimi makietami fizycznymi

Wdrożenie ekranów przestrzennych rozwiązuje jeszcze jeden istotny problem biznesowy: komunikację na linii projektant-inwestor. Złożone zjawiska przestrzenne, symulacje środowiskowe czy plany zagospodarowania terenu są trudne do zinterpretowania dla osób bez wykształcenia technicznego.

Możliwość „zajrzenia” do wnętrza projektowanej infrastruktury bez zakładania gogli ułatwia konsultacje społeczne i prezentacje dla zarządów miast. W administracji publicznej i zarządzaniu kryzysowym taka forma wizualizacji pozwala na błyskawiczną i bezbłędną ocenę sytuacji topograficznej. Przyspiesza to procesy decyzyjne i znacząco redukuje koszty, eliminując potrzebę budowania czasochłonnych i drogich, fizycznych prototypów i makiet.

Digitale Zwillinge in der deutschen Industrie: Potenzial erkannt, Umsetzung stockt

Eine Mehrheit der Industrieunternehmen misst digitalen Zwillingen hohe Wettbewerbsrelevanz bei – doch fehlende IT-Infrastruktur und unzureichende Datenverfügbarkeit verlangsamen den Einsatz der Technologie erheblich.

https://www.all-about-security.de/digitale-zwillinge-in-der-deutschen-industrie-potenzial-erkannt-umsetzung-stockt/

#digitaltwin #DigitaleZwillinge #bitkom

Wenn Komplexität kippt: Tim Weilkiens über den digitalen Sturm im Engineering
Tim Weilkiens beschreibt die Situation im Engineering durch die Explosion in Komplexität und anderen Bereichen als perfekten Sturm.
https://www.se-trends.de/wenn-komplexitaet-im-engineering-kippt/
#KnstlicheIntelligenz #Menschen #ModellierungMBSE #OMG #ProductVelocity #Anforderungen #DigitalThread #DigitalTwin #Modellierung #SysML #SysMLV2 #Transformation

Fa temps que apliquem Simulació Energètica d'Edificis #BEM amb #EnergyPlus com a punt de partida dels nostres projectes. 🏢🏢

Ara ho hem combinat amb agents de #ReinforcementLearning sobre els propis models per ajustar dinàmicament els setpoints dels sistemes #HVAC. 🤖

De moment els resultats els trobem molt positius!

#EficiènciaEnergètica #TechCoop #SmartBuildings #DigitalTwin

#DigitalTwin #VR_AR_MR #business #productivity
BBC News - Could a digital twin make you into a 'superworker'? - BBC News
https://www.bbc.co.uk/news/articles/c1d907lq6nyo