Q 토크 에피소드 3 - 디지털 트윈 여행

[QTalks Ep.3]
디지털 트윈 여행: 개척자에서 대량 입양까지

디지털 트윈은 화제이지만 어떻게 진화하고 있을까요? 얼리 어답터부터 대량 채택 가능성에 이르기까지, 최신 솔루션이 물 회사가 디지털 격차를 해소하는 데 어떻게 도움이 될 수 있을까요?

디지털 트윈은 물리적 세계의 가상 거울을 제공함으로써 물 전문가가 변경 사항이 이루어지기 전에 영향을 테스트할 수 있도록 합니다.

환경 저널리스트 톰 프레이버그(Tom Freyberg)와 함께 디지털 트윈 전문가들이 전하는 디지털 트윈 도입 사례, 교훈, 디지털 열망을 어디까지 끌어올릴 수 있는지에 대한 인사이트를 통해 디지털 트윈 전문가들의 이야기를 들어보세요.

우리의 호스트 톰 프레이버그는 세 명의 생각 지도자와 합류했습니다.

Biju George, Ampcus 유틸리티 EVP 및 DC Water 전 COO
Pilar Conejos, 물 공급 전문가 – Digital Twins
기기 카무스-에드워즈, 스완 디지털 트윈 공동 의장

디지털 트윈의 역사적인 선구자

Tom은 Biju에게 DC Water에서 디지털 트윈 여정이 어떻게 시작되었는지 되돌아보라고 요청했습니다. Biju는 디지털 트윈의 진정한 선구자는 물 분배 및 집수 시스템, 홍수 모델 및 처리 모델을 위한 물리적 모델을 개발하여 시설을 계획하고 설계할 수 있게 해준 사람들이라고 말했습니다. 실시간 데이터와 결합된 이러한 모델을 사용하면 운영 결정을 내리는 데 도움이 됩니다.

Biju는 또한 디지털 트윈이 식수 네트워크에서 폐수 처리장에 이르기까지 전체 수처리 주기에 걸쳐 구현되었다고 말했습니다.

그런 다음 Tom은 발렌시아의 디지털 트윈이 일반적인 디지털 트윈 여정에 대한 자주 인용되는 사례 연구라고 언급하고 Pilar에게 그들이 걸어온 길을 요약해 달라고 요청했습니다. 그녀는 발렌시아의 디지털 트윈 여정은 길었고 15년 전에 시작된 회사의 디지털화 프로세스의 결과이며, 너무 일찍 여정을 시작했기 때문에 처음부터 유압 모델을 개발해야 했다고 말했습니다.

Pilar는 신뢰할 수 있는 디지털 트윈을 실현하고자 하는 모든 사람에게 데이터 품질을 보장하는 것이 중요하다고 말했습니다.

디지털 트윈을 통한 운영 비용 절감

그런 다음 Tom은 Gigi에게 DC Water와 Valencia의 디지털 트윈 외에 누가 디지털 트윈 선구자라고 생각하는지 물었습니다. Gigi는 클라우드 컴퓨팅 자체가 디지털 트윈 측면에서 진정한 게임 체인저라고 말했습니다. 그녀는 점점 더 많은 유틸리티가 비용 효율성 측면에서 클라우드 컴퓨팅의 이점을 깨닫고 사용한 만큼만 비용을 지불하고 있다고 말했습니다.

Gigi는 이것이 게임 체인저인 이유에 대해 이것이 비즈니스 모델을 변화시키고 공급업체가 대형 유틸리티만 감당할 수 있는 자본 집약적인 것을 판매할 수 있을 뿐만 아니라 소규모 유틸리티에 매우 비용 효율적인 월간 구독으로 소프트웨어 및 데이터를 서비스로 판매할 수 있도록 한다고 말했습니다. 이를 통해 유틸리티는 이를 대규모 초기 자본 비용이 아닌 운영 비용으로 볼 수 있다고 그녀는 말했습니다.

Gigi는 또한 클라우드 컴퓨팅을 통해 유틸리티가 CPU 리소스의 사용을 확대하여 온프레미스 서버에서보다 훨씬 더 많은 리소스를 포함하는 더 복잡한 시뮬레이션을 실행할 수 있는 방법에 대해 언급했습니다.

교훈

Tom은 계속해서 Biju에게 클라우드 컴퓨팅과 SaaS(Software as a Service)의 가용성이 DC Water의 업무 수행 방식을 어떻게 변화시켰는지 물었습니다.

Biju는 이러한 가용성이 유틸리티 서비스를 만드는 데 있어 더 많고 더 나은 선택을 의미했을 것이라고 말했습니다. 예를 들어, 하나의 수원을 가진 유틸리티는 물의 오염 물질에 주의를 기울여야 하므로 수원을 사용하는 모든 사람이 액세스할 수 있는 라이브 플로우 모델이 더 빠른 결정을 내리는 데 도움이 되었을 것이라고 그는 말했습니다.

Pilar에게 같은 질문을 던지면서, 그녀는 가용성이 전체 프로세스를 단축했을 것이라고 말했습니다. 그녀는 또한 디지털 트윈이 항상 진화하고 있다고 말했습니다.

디지털 트윈의 비용

패널은 디지털 트윈이 보정된 모델의 요구 사항을 달성하는 데 얼마나 비용이 드는지에 대한 질문을 받았습니다.

Gigi는 모델 보정에 문제가 있었던 캘리포니아 레이크우드의 최근 실험을 언급하는 것으로 시작했습니다. 그녀는 네트워크의 기존 EPAnet 모델과 2개월간의 SCADA 데이터를 Qatium에 제공했으며 몇 주 안에 Qatium 플랫폼에서 모델을 가져올 수 있었다고 말했습니다. Gigi는 이것이 Qatium과 같은 저렴한 도구를 사용하여 모델을 얼마나 빨리 보정할 수 있는지 보여주는 좋은 예라고 말했습니다.

Biju는 디지털 트윈 관점에서 차이를 만드는 것은 실시간 센서라고 말했습니다. 그는 그들이 제공하는 정확도 수준이 가끔씩만 사용되는 것과는 달리 모델이 실제 모델이 되기 때문에 비용을 낮춘다고 말했습니다. 따라서 실시간 교정은 일상적인 작업의 일부가 됩니다.

그는 또한 모델이 더 좋아지고 실시간 시스템을 통해 실시간 의사 결정과 문제에 대한 더 빠른 대응이 가능하기 때문에 비용이 증가할 것이라고 예측하지 않는다고 말했습니다.

기계 학습이 디지털 트윈 생성 방식을 변화시키는 방법

패널은 머신 러닝이 디지털 트윈 생성 방식에 미치는 영향에 대한 또 다른 질문을 받았습니다.

Pilar는 기계 학습이 디지털 트윈의 중요한 부분이며 기계 학습 알고리즘을 활용해야 한다고 말하면서 시작했습니다. 그녀는 AI 알고리즘이 제공하는 정보를 수력학 모델의 잠재력과 결합하면 훨씬 더 완전한 정보를 추출할 수 있다고 말했습니다. 그녀는 기계 학습을 통해 패턴, 최적의 운영 및 데이터 정리를 개발할 수 있다고 말했습니다.

Biju는 기계 학습이 격차를 메우기 위해 시스템을 훈련할 수 있기 때문에 더 적은 수의 센서가 필요할 수 있도록 하는 도구라고 말했습니다. 그는 또한 기계 학습이 이전에는 많은 개입이 없었던 상황을 모델링할 수 있게 해준다고 말했습니다.

토론을 마무리하며 Tom은 패널들에게 디지털 트윈을 달성하는 전통적인 경로에 혁신이 필요한지 물었습니다. Pilar는 프로세스를 단축할 수 있는 새로운 방법이 있다면 이를 고려해야 한다고 말한 반면, Gigi는 AI와 클라우드 컴퓨팅 측면에서 이미 파괴적 혁신 단계에 있다고 지적했습니다.