#digitaltwin — Public Fediverse posts

Naver Exports Smart Building Technology Abroad for First Time to Tokyo

Team Naver, NTT East, and Mitsui Fudosan demonstrate a robot delivery service at the Tokyo Midtown Yaesu building…
#EuropeSays #Japan #JP #Tokyo #digitaltwin #MitsuiFudosan #Naver #NAVERCloud #NTTEast #robotdelivery #smartbuilding #TokyoMidtownYaesu
https://www.europesays.com/japan/62641/

Naver Exports Smart Building Technology Abroad for First Time to Tokyo

Team Naver, NTT East, and Mitsui Fudosan demonstrate a robot delivery service at the Tokyo Midtown Yaesu building…
#EuropeSays #Korea #KR #Naver #digitaltwin #MitsuiFudosan #NaverCloud #NTTEast #robotdelivery #smartbuilding #TokyoMidtownYaesu
https://www.europesays.com/korea/95732/

Naver exports ‘1784’ smart building technology to Japan mixed-use building for first time

Demonstration of a robot delivery service by the three companies at a briefing on July 21. [Photo: Naver]…
#EuropeSays #Korea #KR #Naver #digitaltwin #MitsuiFudosan #NTTEast #TokyoMidtownYaesu
https://www.europesays.com/korea/95624/

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.

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.

AI Robots Launch Lunch Delivery Service at Tokyo Midtown Yaesu, Handling LINE Orders Across Multiple Floors — BigGo Finance

Mitsui Fudosan, NTT East, and NAVER Cloud—the cloud subsidiary of South Korean IT giant NAVER—officially launched an AI-powered…
#EuropeSays #Japan #JP #Tokyo #AI-powereddeliveryrobot #digitaltwin #LINE #MitsuiFudosan #NAVERCloud #NTTEast #physicalai #TokyoMidtownYaesu #WorkStyling
https://www.europesays.com/japan/61853/

Mitsui Fudosan launches LINE robot delivery at Tokyo Midtown Yaesu

KEY POINTSMitsui Fudosan, NTT East and NAVER Cloud launch robot delivery at Tokyo Midtown Yaesu for in-building food…
#EuropeSays #Japan #JP #Tokyo #digitaltwin #LINE #MitsuiFudosan #NAVERCloud #NTTEast #physicalai #robotdelivery #TokyoMidtownYaesu
https://www.europesays.com/japan/61829/

Exploration next – DEVELOP3D

The tagline Reusable, Affordable, Integrated reads like that of a small consumer product, but for The Exploration Company,…
#Germany #DE #Europe #EU #Europa #Siemens #Designcenter #digitaltwin #siemens #simcenter #Space #teamcenter #TheExplorationCompany
https://www.europesays.com/germany/58442/

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/

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.

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

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

Catching up with MeDiTATe: revolutionising cardiovascular care | News | CORDIS

The MeDiTATe project advanced digital twin technology for cardiovascular care while training a new generation of researchers. Its…
#Europe #EU #aneurysm #cardiovascular #digitaltwin #European #MeDiTATe #simulation
https://www.europesays.com/europe/93479/

SK Telecom to Unveil ‘Robot Boot Camp’ Platform in H2; Targets 10% of B2B AI Revenue from Physical AI Within 3 Years — BigGo Finance

SK Telecom (SKT) will unveil an initial version of its digital twin-based robot learning platform in the second…
#EuropeSays #Korea #KR #SK #CheyTae-won #ChoIk-hwan #digitaltwin #ICML2026 #MemoryasaService #NVIDIA #physicalai #RobotLearningPlatform #SKGroup #SKhynix #SKTelecom #TeamNaver
https://www.europesays.com/korea/84522/

South Korea Secures Leadership in Smart Manufacturing International Standards; Takes Secretariat Role for New IEC Committee — BigGo Finance

South Korea has secured operational control of a key organization developing international stand…
#Conflict #Conflicts #War #AutonomousManufacturing #digitaltwin #france #germany #IECTC65 #InternationalElectrotechnicalCommission #KimDae-ja #KoreanAgencyforTechnologyandStandards #M.AX #northkorea #SC65F #smartmanufacturing
https://www.europesays.com/3124841/

https://www.europesays.com/ie/581466/ Rice and NASA Launch Open-source Remote Space Robotics Simulator #AI #DigitalTwin #Éire #IE #Ireland #NASAJohnsonSpaceCenter #NationalScienceFoundation #Research #RiceUniversity #Science #SpaceRobotics

Changwon National University Teams Up With Hyundai Wia on Robot Manufacturing

Changwon National University and Hyundai Wia have formed a robotics small-group consortium to launch joint research in earnest.…
#EuropeSays #Korea #KR #Hyundai #ChangwonNationalUniversity #digitaltwin #HyundaiGroup #HyundaiMotorGroup #HyundaiWia #industry-academiacooperation #Korearobotics #parkingrobots #roboticautonomousmanufacturing #visionsystems
https://www.europesays.com/korea/78257/

[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

[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

Naver Pay Real Estate Adds Interior Design, Evolving Into ‘Property in Your Hand’

Naver Pay’s “Interior” category. Photo courtesy of Naver Pay Naver Pay is upgrading its service beyond simple property…
#EuropeSays #Korea #KR #Naver #AIHomeFinder #digitaltwin #interiordesign #Koreaproptech #NaverLabsDustr #NaverPay #realestateplatform #VRpropertytour
https://www.europesays.com/korea/77603/

Строительство в Израиле давно стало не просто вопросом архитектуры, а важнейшим элементом национальной безопасности. Постоянная военная угроза заставила страну создать уникальную систему, в которой современные технологии, инженерные решения и законодательство работают как единый механизм. Именно поэтому израильская строительная отрасль сегодня считается одной из самых технологичных в мире. #Израиль #Строительство #Архитектура #Безопасность

После войны в Персидском заливе в 1992 году в стране ввели правило, которое фактически изменило архитектуру жилых зданий: каждая новая квартира должна иметь собственную защищённую комнату MAMAD, а общественные и многоквартирные здания — защищённые помещения MAMAK на каждом этаже. Такие комнаты строятся из монолитного железобетона толщиной 20–30 см, оснащаются герметичными стальными дверями и бронированными окнами, способными выдерживать воздействие взрывной волны. #MAMAD #ГражданскаяОборона #Защита

В многоэтажных домах защищённые комнаты располагаются одна над другой, образуя мощное железобетонное «ядро жёсткости». Даже если здание получает серьёзные повреждения в результате ракетного удара, именно эта конструкция зачастую остаётся целой и значительно повышает шансы людей на выживание. #Инженерия #СтроительныеТехнологии

События после октября 2023 года и дефицит рабочей силы резко ускорили автоматизацию отрасли. Всё больше зданий собирается по принципу конструктора: крупные модули, включая защищённые комнаты, изготавливаются на заводах в безопасных районах, а на строительной площадке их лишь монтируют. Это позволяет существенно сократить сроки строительства и минимизировать риски для рабочих. #ConTech #PropTech #Префаб #МодульноеСтроительство

Активно развивается роботизация. Роботы выполняют штукатурные и малярные работы, а беспилотники вместе с системами искусственного интеллекта создают цифровые двойники строящихся объектов и контролируют качество армирования и бетонирования ещё до завершения строительства. Это позволяет выявлять критические ошибки на ранней стадии и значительно снижает влияние человеческого фактора. #ИИ #Роботы #Дроны #DigitalTwin

Современные израильские квартиры также оснащаются автономными системами жизнеобеспечения. Защищённые комнаты комплектуются фильтрами CBRN для защиты от химических и биологических угроз, при строительстве используются высокопрочные бетоны и композитные материалы, а системы «умного дома» интегрируются с сетью оповещения Командования тыла. Во время воздушной тревоги здание может автоматически открыть убежища, включить аварийное освещение и отключить часть электроснабжения для предотвращения пожаров. #CBRN #УмныйДом #ГражданскаяОборона

Особую роль играет государственная программа TAMA 38. Девелоперы получают право надстраивать дополнительные этажи над старыми домами и продавать новые квартиры, а взамен обязаны усилить несущие конструкции, модернизировать инженерные сети и пристроить защищённые комнаты к каждой существующей квартире. Благодаря этому модернизация жилого фонда происходит без значительных расходов государственного бюджета. #TAMA38 #Реновация #Градостроительство

Израильский опыт показывает, что современное строительство уже невозможно отделить от вопросов безопасности. Главные тенденции очевидны: автоматизация вместо ручного труда, модульное строительство, широкое внедрение искусственного интеллекта, развитие взрывостойких конструкций и перенос защиты непосредственно в жилое пространство. Именно эти решения сегодня всё активнее изучает и Украина, адаптируя их к условиям войны и будущего восстановления страны. #Украина #Восстановление #Урбанистика #Инновации #Война #Технологии https://bastyon.com/post?s=0fb6a3c056806ad2f67280a0f51df7a20f5722271ae5bcf1db95bd9e6fa6af05&ref=PJ51iZCUEtcVrCj4Wof8Am7FbKLgbAJ7PS

Строительство в Израиле давно стало не просто вопросом архитектуры, а важнейшим элементом национальной безопасности. Постоянная военная угроза заставила страну создать уникальную систему, в которой современные технологии, инженерные решения и законодательство работают как единый механизм. Именно поэтому израильская строительная отрасль сегодня считается одной из самых технологичных в мире. #Израиль #Строительство #Архитектура #Безопасность

После войны в Персидском заливе в 1992 году в стране ввели правило, которое фактически изменило архитектуру жилых зданий: каждая новая квартира должна иметь собственную защищённую комнату MAMAD, а общественные и многоквартирные здания — защищённые помещения MAMAK на каждом этаже. Такие комнаты строятся из монолитного железобетона толщиной 20–30 см, оснащаются герметичными стальными дверями и бронированными окнами, способными выдерживать воздействие взрывной волны. #MAMAD #ГражданскаяОборона #Защита

В многоэтажных домах защищённые комнаты располагаются одна над другой, образуя мощное железобетонное «ядро жёсткости». Даже если здание получает серьёзные повреждения в результате ракетного удара, именно эта конструкция зачастую остаётся целой и значительно повышает шансы людей на выживание. #Инженерия #СтроительныеТехнологии

События после октября 2023 года и дефицит рабочей силы резко ускорили автоматизацию отрасли. Всё больше зданий собирается по принципу конструктора: крупные модули, включая защищённые комнаты, изготавливаются на заводах в безопасных районах, а на строительной площадке их лишь монтируют. Это позволяет существенно сократить сроки строительства и минимизировать риски для рабочих. #ConTech #PropTech #Префаб #МодульноеСтроительство

Активно развивается роботизация. Роботы выполняют штукатурные и малярные работы, а беспилотники вместе с системами искусственного интеллекта создают цифровые двойники строящихся объектов и контролируют качество армирования и бетонирования ещё до завершения строительства. Это позволяет выявлять критические ошибки на ранней стадии и значительно снижает влияние человеческого фактора. #ИИ #Роботы #Дроны #DigitalTwin

Современные израильские квартиры также оснащаются автономными системами жизнеобеспечения. Защищённые комнаты комплектуются фильтрами CBRN для защиты от химических и биологических угроз, при строительстве используются высокопрочные бетоны и композитные материалы, а системы «умного дома» интегрируются с сетью оповещения Командования тыла. Во время воздушной тревоги здание может автоматически открыть убежища, включить аварийное освещение и отключить часть электроснабжения для предотвращения пожаров. #CBRN #УмныйДом #ГражданскаяОборона

Особую роль играет государственная программа TAMA 38. Девелоперы получают право надстраивать дополнительные этажи над старыми домами и продавать новые квартиры, а взамен обязаны усилить несущие конструкции, модернизировать инженерные сети и пристроить защищённые комнаты к каждой существующей квартире. Благодаря этому модернизация жилого фонда происходит без значительных расходов государственного бюджета. #TAMA38 #Реновация #Градостроительство

Израильский опыт показывает, что современное строительство уже невозможно отделить от вопросов безопасности. Главные тенденции очевидны: автоматизация вместо ручного труда, модульное строительство, широкое внедрение искусственного интеллекта, развитие взрывостойких конструкций и перенос защиты непосредственно в жилое пространство. Именно эти решения сегодня всё активнее изучает и Украина, адаптируя их к условиям войны и будущего восстановления страны. #Украина #Восстановление #Урбанистика #Инновации #Война #Технологии https://bastyon.com/post?s=0fb6a3c056806ad2f67280a0f51df7a20f5722271ae5bcf1db95bd9e6fa6af05&ref=PJ51iZCUEtcVrCj4Wof8Am7FbKLgbAJ7PS

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

Schneider Electric to Acquire Industrial AI Firm Cognite for $3.1 Billion — BigGo Finance

Schneider Electric, a powerhouse in power and automation infrastructure, is making a bold move to acquire Norwegian industrial…
#France #FR #Europe #EU #SchneiderElectric #AkerASA #AVEVA #Cognite #DataCenterInfrastructure #DigitalTwin #industrialai #OlivierBlum #operationaltechnologydata #ØyvindEriksen
https://www.europesays.com/france/44238/

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

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

Golf Course Management Goes Digital With ‘Digital Twin’ Adoption as Meisa Partners With DaJeong Golf

Artificial intelligence (AI) and digital twin technology are changing the paradigm of golf course management. On the 1st,…
#Golf #News #artificialintelligence #DaJeongGolfEngineering #DigitalTwin #GolfCourseManagement #Meisa #MeisaGreen #SmartManagement
https://www.europesays.com/golf/30127/

Siemens, IFS partner on Industrial AI for asset, production optimization

(WO) — Siemens and IFS have formed a strategic partnership to integrate…
#Germany #DE #Europe #EU #Europa #Siemens #AI #assetmanagement #DigitalTransformation #digitaltwin #EnterpriseAssetManagement #fieldservice #IFS #industrialAI #IndustrialAutomation #Industrialsoftware #manufacturingexecution #oilandgastechnology #predictivemaintenance #productionoptimization #siemens #WorldOil
https://www.europesays.com/germany/46295/

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

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

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

Siemens and IFS partner for closed-loop industrial AI

Siemens and IFS have partnered to help manufacturers connect engineering intelligence with operational reality – allowing for more…
#Germany #DE #Europe #EU #Europa #Siemens #digitaltwin #IFS #siemens #TonyHemmelgarn
https://www.europesays.com/germany/45556/

Siemens and IFS break down data silos in the manufacturing industry

Siemens and IFS have announced a strategic partnership to help manufacturers connect their engineering data with operational reality.…
#Germany #DE #Europe #EU #Europa #Siemens #agenticai #digitaltwin #IFS #industrialAI #Manufacturing #manufacturingindustry #siemens #SiemensXcelerator
https://www.europesays.com/germany/45233/

https://www.europesays.com/at/242588/ KI erkennt Alzheimer-Risiken 8,55 Jahre früher: Digitale Pflege und Sensorik kommen dazu #AgenticAI #AI #Alzheimer #ARTIFICIALINTELLIGENCE #AT #Austria #diagnose #DigitalTwin #EU #Gesundheit #Health #KI #KünstlicheIntelligenz #Medizin #Netzhaut #Österreich #pflege #Privacy #Regulierung #Risiko #Sensorik #SmartHome

Naver Cloud, Korea Siemens sign MOU to speed AI transformation in manufacturing

Naver Cloud-Korea Siemens MOU to accelerate AI transformation in manufacturing. From left: Naver Cloud CEO Kim Yu-won, Siemens…
#Germany #DE #Europe #EU #Europa #Siemens #digitaltwin #KoreaSiemens #Naver1784 #NaverCloud #siemens
https://www.europesays.com/germany/42330/

Naver Cloud, Korea Siemens sign MOU to speed AI transformation in manufacturing

Naver Cloud-Korea Siemens MOU to accelerate AI transformation in manufacturing. From left: Naver Cloud CEO Kim Yu-won, Siemens…
#EuropeSays #Korea #KR #Naver #digitaltwin #KoreaSiemens #Naver1784 #NaverCloud #siemens
https://www.europesays.com/korea/62729/