Bir makine öğrenmesi modeli saniyeler içinde bir kontrol eylemi önerebilir: bir bölgesel ısıtma hattında besleme sıcaklığını artırmak, bir pompa değer noktasını değiştirmek ya da bir boru izole edildikten sonra akışı yeniden yönlendirmek gibi. Asıl risk, önerinin gösterge panelinde makul görünürken modelin hiç öğrenmediği kısıtları gözden kaçırmasıdır: bir istasyonda asgari dönüş sıcaklığı, hızla kapanamayan bir vana ya da hendekte çalışan bir bakım ekibi. Dijital ikiz, operasyon merkezine bu öneriyi gerçek ağa kimse dokunmadan önce test edebileceği bir ortam sunar.
İş akışı üç katmandan oluşur. Önce yapay zekâ modeli talep ve hava tahminleri ile güncel sensör okumalarını kullanarak aday eylemleri sıralar. Ardından CBS boru kayıtlarından, pompa eğrilerinden ve kalibre edilmiş ölçümlerden oluşturulan fizik tabanlı bir ağ simülasyonu her adayı planlama penceresi boyunca ileri doğru çalıştırır. Son olarak bir kural katmanı sonuçları basınç sınırları, en uzak abonedeki sıcaklık, ekipman kapasiteleri ve güvenlik mesafeleri gibi sert sınırlarla karşılaştırır. Üç katmanın tamamından geçen adaylar operatöre ulaşır ve her biri öngörülen sonucuyla birlikte açık bir dille gösterilir.
Soğuk bir akşamda bir besleme hattının onarım için kapatılması gerektiğini düşünelim. Yapay zekâ modeli ortalama sıcaklığı yüksek tutan bir pompa ve vana değişikliği dizisi önerir. İkiz bu diziyi çalıştırdığında, hat sonundaki bir kolun planlama penceresi içinde gerekli sıcaklığın altına düştüğünü gösterir. Nedeni, varlık veritabanında kısmen açık görünen ama sahada tamamen kapalı olan bir baypas vanasıdır. Operatör hatayı görür, aday reddedilir ve ekip bir sonraki denemeden önce varlık kaydını düzeltir.
Simülasyon, yapay zekânın kendi belirsizliğini de hesaba katmasını sağlar. Sensör okumaları eksik ya da eskiyse ikiz tahmin aralıklarını genişletir ve en çok eksik veriye bağlı adayları işaretler. Operatörler bu durumda ihtiyatlı bir seçeneği tercih edebilir ya da saha kontrolü tamamlanana kadar değişikliği erteleyebilir. Zamanla öngörülen ve ölçülen sonuçlar arasındaki farklar model için eğitim verisine dönüşür; böylece model zayıf noktalarını yüksek güvenli skorların arkasına gizlemek yerine öğrenir.
İyi uygulama, rolleri net tutmaktan geçer. Yapay zekâ önerir, simülasyon test eder, kurallar veto edebilir ve kararı insanlar verir. Her aday, öngörülen sonucu ve nihai seçim kaydedilmelidir ki bir olaydan sonra mühendisler kararları inceleyebilsin. Düşük riskli eylemlerde yalnızca danışman olarak başlanmalı, kapsam ancak tahminlerin ölçümlerle örtüştüğü kayıtlarla genişletilmelidir. TwinUp de şehir ve altyapı dijital ikiz projelerinde, modelin önerisi ile gerçek bir vananın dönmesi arasına yerleşen bu tür bir kontrol noktasını uygular.
