Methodenartikel

Digital-Twin-Guided Protocol zur Vorhersage und Minderung von Lieferkettenrisiken mit neuronalen Sequenz- und Graphenmodellen

DOI:

10.3791/69878

⸱

6. März 2026

 , 
1Department of Journalism and Communication, Fuyang Normal University, 2School of Public Administration, China University of Mining and Technology

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Protokoll beschreibt einen reproduzierbaren Digital-Twin-Workflow, der Datenerfassung, sequenz- und graphbasierte Risikovorhersage, Ausbreitungssimulation und Politikoptimierung integriert. Es spezifiziert Softwareversionen, Parameter, Checkpoints und Fehlerbehebungsschritte, um eine treue Replikation in industriellen Umgebungen zu unterstützen.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lieferketten erfordern eine Echtzeit-Risikovorhersage und -minderung bei hoher Unsicherheit und Netzwerkabhängigkeit. Dieses Protokoll beschreibt einen reproduzierbaren Digital-Twin-(DT)-Workflow, der Datenerfassung, raumzeitliche Risikoprognose, Risikopropagationssimulation und Optimierung der Minderungspolitik in einem einzigen containerisierten Stack verbindet. Zur Vorhersage integrieren wir ein interpretierbares Sequenz- und Graphenmodell, das ein Bi-LSTM mit Graphenfaltung kombiniert, um zeitliche Dynamiken und Netzwerkabhängigkeiten zu erfassen. Zur Minderung lernt die proximale Policy Optimization (PPO) aus simulierten Störungen umsetzbare Entscheidungsrichtlinien und ermöglicht kostenbewusste Reaktionen statt nachträglicher Diagnose. Zur Unterstützung von Bereitstellung und Replikation bieten wir eine hierarchische Key-Risk-Indicator-Taxonomie an, die endogene und exogene Risiken trennt, zusammen mit versionsgepinnten Umgebungen, Datenverträgen und Validierungskontrollpunkten. Repräsentative Ergebnisse zeigen sowohl prädiktive als auch Entscheidungsgewinne. Auf einem 300-Knoten-Automobilnetzwerk verbessert der Ansatz F1 um 19,3 % und verlängert den Frühwarnhorizont um 5,2 Stunden. In einer US-Wiederholung der Hafenüberlastung 2021 reduziert PPO Verzögerungen und Notfall-Reaktionskosten um über 20 %. Der Workflow skaliert auf 500-Knoten-Simulationen mit Millisekunden-Latenz und erhält dabei eine stabile Long-Horizon-Performance. Duale Validierung mit historischer Ereigniswiederholung und Online-Simulation bestätigt verbesserte Genauigkeit, robuste Entscheidungsqualität und praktische Skalierbarkeit. Einschränkungen und Anpassungsrichtlinien werden diskutiert, um den Wechsel in neue Lieferkettenumgebungen zu erleichtern.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die globalen Versorgungsnetze stehen in ständiger Unsicherheit, wo lokale Störungen über Lieferantenstufen und Transportwege hinweg ausbreiten und systemweite Verlangsamungen auslösen können. In vielen Organisationen basiert die Risikoüberwachung weiterhin auf rückwirkenden Berichten oder periodischen Audits, die nützlich sind, um Vorfälle und Compliance zu dokumentieren, aber für schnell wechselnde Betriebsbereiche weniger effektiv sind. Wenn sich Daten von Minute zu Minute entwickeln, benötigen Entscheidungsträger einen Workflow, der kontinuierliche Sinnfindung, kurzfristige Vorhersage und rechtzeitiges Eingreifen unterstützt, ansta....

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir bestätigen, dass diese Studie anonymisierte Unternehmens- und Logistikdaten sowie synthetische Störungsszenarien verwendet, ohne menschliche oder tierische Beteiligung. Der Zugang zu den Roh-Betriebsprotokollen wurde schriftlich von den datenbesitzenden Organisationen gewährt und vom institutionellen Datengovernance-Komitee vor der Datenextraktion genehmigt. Der Datenzugriff wurde durch rollenbasierte Zugriffskontrolle verwaltet; Alle Zugriffsereignisse wurden protokolliert; und Audit-Trails werden für ≥3 Jahre nach der Veröffentlichung aufbewahrt. Bei der Meldung von Störungsfällen verallgemeinern oder verbergen wir firmenidentif....

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Experimenteller Aufbau

Das Protokoll verwendet Python 3.11 mit PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27 und optionales TensorFlow 2.14. Simulationen basieren auf Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 für agentenbasierte Modellierung sowie ANSYS Fluent 2025 oder OpenFOAM v11 für CFD. Der Datenaustausch wird über MQTT v5, OPC-UA und FastAPI für die Modellbereitstellung unterstützt, mit Containerisierung über Do.......

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Ergebnisse der Studie stützen die Ansicht, dass digital-twin-fähige Lernpipelines das Risikomanagement der Lieferkette stärken können, indem sie Zustandssynchronisation mit datenbasierter Prognose verknüpfen. Die experimentellen Ergebnisse zeigen, dass das Bi-LSTM–Attention-Backbone, kombiniert mit GCN-basierter räumlicher Codierung, die Vorhersagegenauigkeit verbessert und den Frühwarnhorizont erweitert, was mit aktuellen Erkenntnissen übereinstimmt, dass raumzeitliche Prognosen von.......

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts offenzulegen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit wurde durch die Grundlagenforschungsfonds der Zentraluniversitäten unterstützt (Zuschuss Nr. 2024JCXKSK06). Die Autoren danken der China University of Mining and Technology und der Fuyang Normal University für ihre institutionelle Unterstützung. Ein besonderer Dank gilt den Branchenpartnern für den Datenaustausch und die Fachkompetenz. Wir erkennen auch die technischen Beiträge von Open-Source-Communities und Entwicklern von Simulationsplattformen an.

....

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

```html

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AnyLogic Simulation PlatformThe AnyLogic CompanyN/AMulti-Method-Modellierungssoftware für Agenten-basierte, diskrete Ereignis- und Systemdynamik-Simulationen, integriert mit TensorFlow
NVIDIA A100 GPU Server ClusterNVIDIA CorporationN/AVerwendet für paralleles Training von Bi-LSTM-Attention + GCN-Modellen und PPO-Optimierung innerhalb der digitalen Zwillingsplattform
```

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhu, X. X., Zhu, J., Regan, D., Wen, Z. M. Exploring cascading failures in supply chain risk management: A systematic review, 2013–2024. J Safety Sci Resilience. 7, 100234 (2025).
  2. International Organization for Standardization (ISO). .

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Risikominimierungneuronales SequenzmodellGraph ConvolutionProximal Policy Optimizationraumzeitliche PrognoseRisikofortpflanzungPolicy Optimierung
Video demnächst verfügbar

Verwandte Artikel