Protocollo guidato da digitali per la previsione e mitigazione del rischio nella catena di approvvigionamento con modelli di sequenza neurale e grafici

Sommario

Questo protocollo dettaglia un flusso di lavoro digitale riproducibile che integra l'ingestione dei dati, la previsione del rischio basata su sequenze e grafi, la simulazione della propagazione e l'ottimizzazione delle policy. Specifica versioni software, parametri, checkpoint e passaggi di risoluzione dei problemi per supportare una replica fedele in contesti industriali.

Abstract

Le catene di approvvigionamento richiedono previsione e mitigazione del rischio in tempo reale in condizioni di alta incertezza e interdipendenza della rete. Questo protocollo descrive un flusso di lavoro digitale riproducibile (DT) che collega l'ingestione di dati, la previsione del rischio spaziotemporale, la simulazione della propagazione del rischio e l'ottimizzazione delle politiche di mitigazione in un unico stack containerizzato. Per la previsione, integriamo un modello interpretabile di sequenza e grafo che combina un Bi-LSTM con la convoluzione del grafo per catturare dinamiche temporali e dipendenze di rete. Per la mitigazione, l'ottimizzazione delle politiche prossimali (PPO) apprende le politiche decisionali azionabili da interruzioni simulate, consentendo risposte consapevoli dei costi piuttosto che diagnosi post hoc. Per supportare la distribuzione e la replica, forniamo una tassonomia gerarchica chiave-indicatore di rischio che separa rischi endogeni ed esogeni, insieme a ambienti con version-pin, contratti dati e checkpoint di validazione. I risultati rappresentativi dimostrano sia guadagni predittivi che a livello decisionale. Su una rete automobilistica a 300 nodi, l'approccio migliora la F1 del 19,3% ed estende l'orizzonte di allerta precoce di 5,2 ore. In una ripresa della congestione portuale statunitense del 2021, il PPO riduce i ritardi e i costi di risposta alle emergenze di oltre il 20%. Il flusso di lavoro scala su simulazioni da 500 nodi con latenza a livello di millisecondi mantenendo prestazioni stabili a lungo orizzonte. La doppia validazione con ripetizione degli eventi storici e simulazione online conferma una maggiore accuratezza, una solida qualità decisionale e una scalabilità pratica. Vengono discusse limitazioni e linee guida per l'adattamento per facilitare il trasferimento in nuovi contesti della catena di approvvigionamento.

Introduzione

Le reti di approvvigionamento globali sono in costante incertezza, dove le interruzioni locali possono propagarsi tra i livelli dei fornitori e le corsie di trasporto, provocando rallentamenti a livello di sistema. In molte organizzazioni, il monitoraggio del rischio si basa ancora su rapporti retrospettivi o audit periodici, utili per documentare incidenti e conformità ma meno efficaci per flussi operativi in rapido cambiamento. Quando i dati evolvono minuto dopo minuto, i decisori hanno bisogno di un flusso di lavoro che supporti la capacità di elaborare sensi continuamente, la previsione a breve termine e l'intervento tempestivo, piuttosto che una diagnosi post^{hoc 1}.

Strumenti tradizionali come i registri del rischio e i modelli di allerta precoce basati su statistiche restano preziosi per la standardizzazione e il monitoraggio ad alto livello, eppure tipicamente astraiscono le interazioni dinamiche tra strutture, inventari, capacità e flusso. Il flusso di lavoro basato sui digitali due due modelli descritto qui completa questi approcci mantenendo una sincronizzazione continua dello stato e abilitando la valutazione basata su scenari, così che le interruzioni e le azioni di mitigazione e i what-if possano essere testati prima che arrivino in laboratorio o in cantiere. In pratica, il gemello funge da rappresentazione ciberfisica che riflette stati operativi chiave e vincoli, fornendo una base azionabile per una mitigazione proattiva piuttosto che per un reportistico^{retroattivo 2}.

Recenti ricerche sulla catena di approvvigionamento hanno evidenziato la crescente vulnerabilità alle interruzioni causate da reti di fornitori globalizzate, modelli di domanda fluttuanti, instabilità geopolitica ed eventi climatici. Gli approcci tradizionali di gestione del rischio si basano fortemente su reportistica retrospettiva e valutazioni statiche, che non riescono a catturare le condizioni operative in rapida evoluzione o le complesse interdipendenze all'interno delle reti multilivello. L'implementazione pratica dipende da due requisiti. Il rischio deve essere quantificato con indicatori comparabili tra piante e regioni; altrimenti, le soglie si spostano e gli allarmi diventano arbitrari, e il gemello deve soddisfare obiettivi espliciti di latenza e fedeltà affinché gli stati simulati seguano la realtà operativa abbastanza da supportare decisioni^{di controllo 3,4}. Basandosi su questi requisiti, questo protocollo descrive un flusso di lavoro riproducibile che collega i contratti dati alle politiche decisionali all'interno di un unico sistema continuo. I segnali temporali sono riassunti con memoria bidirezionale a lungo termine a breve termine, la struttura della rete è codificata con la convoluzione del grafo e la visualizzazione del peso di attenzione viene utilizzata per mantenere il passaggio di modellazione interpretabile da operatori e auditor 5,6,7,8. Sebbene i modelli basati sui dati e le prime applicazioni digitali dei gemelli digitali abbiano migliorato la consapevolezza situazionale, spesso rimangono frammentati, privi di meccanismi unificati per la percezione in tempo reale, la previsione spaziotemporale e il supporto decisionale azionabile. Queste lacune sottolineano la necessità di un protocollo integrato che combini ambienti digitali ad alta fedeltà con modelli avanzati di apprendimento di sequenze e grafi per consentire un monitoraggio tempestivo, interpretabile e scalabile del rischio nei sistemi industriali dinamici. Le strategie di mitigazione si ottengono tramite ottimizzazione prossimale delle politiche addestrata contro il gemello, che consente di regolare i compromessi tra livello di servizio, ritardo e costo senza compromettere le operazioni operative ^9,10.

Questa ricerca riguarda reti di fornitura di medie e grandi dimensioni (100–500 nodi) con volumi di dati in streaming da 1–5 milioni di record al giorno e qualità dei dati moderata (≥85% di completezza, ≤5% di mancanza dopo la pre-elaborazione). Il deployment in tempo reale richiede una latenza end-to-end sostenuta sotto i 100 ms e una sincronizzazione stabile (<0,5% di deriva) e può essere limitata a ambienti a bassa larghezza di banda o non containerizzati.

Protocollo

Confermiamo che questo studio utilizza dati aziendali e logistici de-identificati, insieme a scenari di interruzione sintetica, senza coinvolgimento umano o animale. L'accesso ai log operativi grezzi è stato concesso per iscritto dalle organizzazioni proprietarie dei dati e approvato dal comitato di governance dei dati istituzionale prima dell'estrazione dei dati. L'accesso ai dati era gestito tramite il controllo degli accessi basato sul ruolo; Tutti gli eventi Access venivano registrati; e le tracce di audit saranno conservate per ≥3 anni dopo la pubblicazione. Quando riportiamo i casi di interruzione, generalizziamo o mascheriamo gli attributi identificabili dell'azienda (ad esempio, nomi delle strutture, identificatori dei clienti, ID contrattuali e geolocalizzazioni esatte) per ridurre il rischio di reidentificazione. Copie delle approvazioni per l'uso dei dati e delle lettere di consenso/autorizzazione possono essere fornite alla rivista su richiesta e saranno incluse come documentazione supplementare per la revisione editoriale.

1. Concetto, architettura e standard di gemello digitale

1. Definire il gemello digitale secondo il modello di specchio informativo di Grieves e specificare uno stack a cinque livelli (fisico, virtuale, dati, connessione, applicazione) con responsabilità e interfacce chiare nei livelli, come enfatizzato nei primi lavori di Grieves e negli standard ISO 23247. Documenti di progettazione di sistema e schemi ISO-23247 sono utilizzati come input principali, con definizioni di layer normalizzate in un'astrazione a cinque livelli per una mappatura architettonica^{coerente 2,11}.
2. Illustra l'architettura end-to-end nella Figura 1; dichiarare gli identificatori globali (assetID, modelID, runID), la base temporale canonica (UTC) e lo schema di denominazione per dataset ed esperimenti. Standardizzare i metadati degli asset, i registri dei modelli e i log degli esperimenti in formati ID unificati (assetID/modelID/runID) e annotarli in UTC prima dell'integrazione architettonica.
3. Adottare standard aperti per l'interoperabilità: utilizzare OPC UA/IEC 62541 e MQTT v5 per lo scambio campo-piattaforma, REST/GraphQL per le API di servizio e FMI/AutomationML per lo scambio di modelli e la descrizione della topologia. Annotare eventuali lacune nello schema tra domini e fornire agli adattatori note esplicite di fedeltà. I flussi di campo OPC UA/MQTT e i file modello AutomationML/FMI vengono analizzati, validati e convertiti tramite adattatori di schema per mantenere l'interoperabilità tra le piattaforme^{2, 12, 13, 14}.
4. Sincronizzare tutti i nodi con IEEE 1588 PTP, applicare una latenza end-to-end inferiore a 100 ms per l'uso in anello chiuso e documentare limiti di accettazione per jitter e deriva di clock. Validazione dei record e controlli di andata e ritorno dell'adattatore nella Tabella 1. I log di sincronizzazione dell'orologio, le tracce di rete e i campioni di latenza di andata e ritorno vengono raccolti e puliti per verificare vincoli di temporizzazione inferiori a 100 ms e accuratezza di sincronizzazione^{PTP di 15}.
5. Punto di pausa: Dopo i passaggi 1.1–1.4, metti in pausa per confermare i viaggi di andata e ritorno dello schema (esportazione, importazione e validazione) e la conformità alla latenza prima di procedere.
   Validare i viaggi di andata e ritorno dello schema: confermare che i log di esportazione/importazione/validazione non mostrano errori.
   Metriche di latenza: end-to-end <100 ms; jitter <5 ms; Deriva dell'orologio <1 ms/min.
   Istantanea del cruscotto: assicurati che la Tabella 1 sia popolata con i tempi di andata e ritorno degli adattatori e gli errori di sincronizzazione.

2. Tecnologie analitiche per la percezione e la previsione del rischio

1. Addestrare modelli predittivi su log storici multi-fonte (ordini, telemetria, eventi) per stabilire la capacità di allerta precoce; Correggere semi casuali e registrare le suddivisioni dei dati per la riproducibilità. Standardizzare le variabili numeriche, applicare la codifica one-hot alle caratteristiche categoriche e costruire sequenze usando finestre scorrevoli (ad esempio, 12–24 passi temporali).
2. Dividere i dati in 70% addestramento, 15% validazione e 15% test. Utilizzare un Bi-LSTM con 2 strati (128–256 unità), dropout 0,2–0,3 e ottimizzatore Adam (LR = 1e-3). Registra tutti i semi casuali per garantirne la riproducibilità. Pulire log storici, telemetria ed eventi, standardizzare, codificare e convertirli in sequenze a finestra scorrevole per l'addestramento Bi-LSTM.
3. Applicare metodi di rilevamento non supervisionato delle anomalie (ad esempio, foresta di isolamento, covarianza robusta, autoencoder) quando i dati etichettati sono scarsi e calibrare le soglie usando compromessi precisione–richiamo. Normalizzare gli input con scaling Min-Max, poi allenare foreste di isolamento con 100–200 alberi o autoencoder con 3–5 strati nascosti. Regolare le soglie utilizzando l'ottimizzazione PR-curve e valutare utilizzando distribuzioni di errore di ricostruzione o punteggio di anomalia. Normalizzare i log operativi non etichettati (Min-Max) e trasformarli in caratteristiche di punteggio anomalico per l'addestramento della foresta di isolamento o dell'autoencoder e la calibrazione della^{soglia 16,17}.
4. Integrare modelli basati su sequenza e grafici (ad esempio, Bi-LSTM con attenzione e GCN) per catturare schemi temporali e dipendenze spaziali tra reti fornitore–trasporto. Creare matrici di adiacenza da collegamenti fornitore–trasporto e normalizzarle con scala simmetrica dei gradi. Il modello ibrido combina uscite Bi-LSTM con 1–2 strati GCN (dimensioni nascoste 64–128) e una testa di classificazione completamente collegata. Allenarsi per 30–50 epoche, con fermate anticipate basate sulla validazione F1^18,19.
   NOTA: Il passaggio di convoluzione del grafo nel modello proposto aggiorna le rappresentazioni dei nodi utilizzando la regola di aggregazione normalizzata mostrata nell'Equazione (1), permettendo a ciascun nodo di incorporare informazioni dai propri vicini preservando l'equilibrio strutturale. Questa formulazione garantisce una propagazione stabile delle caratteristiche attraverso la rete della catena di approvvigionamento e fornisce la base per catturare le dipendenze spaziali all'interno dell'architettura digital-twin.
      (1)
    è la matrice di adiacenza con auto-anelli aggiunti. si riferisce alla matrice dei gradi di . H^(l)  è la matrice di caratteristiche del nodo nello strato l. W^(l) è la matrice di peso addestrabile e σ(•) è la funzione di attivazione ReLU. Le tabelle di rete fornitore–trasporto vengono convertite in matrici di adiacenza e normalizzate con scalatura simmetrica dei gradi prima di inserire il modello ibrido sequenza–grafo.
5. Utilizzare l'elaborazione del linguaggio naturale per estrarre segnali di policy e di mercato da notizie e bollettini e applicare la visione artificiale per rilevare interruzioni nelle porte derivanti dal monitoraggio dei feed con privacy masking. Per estrarre embedding di frasi da bollettini di policy o di mercato, si utilizza un trasformatore pre-addestrato (ad esempio, BERT-base), e poi applica CNN leggeri o MobileNet per l'analisi del frame-feed port-feed dopo la sfocatura della privacy. Prima della fusione, normalizzare tutti gli embeddings modali esterni²⁰.
6. Costruire un grafo della conoscenza di fornitori, corsie, strutture e contratti per consentire interrogazioni causali e tracciamento delle cause radice; esporta istantanee per la Figura 2. Creare nodi da fornitori, prodotti, rotte e strutture, poi costruire edge con collegamenti contrattuali e flussi logistici. Utilizzare il formato RDF o property-graph, regole di risoluzione delle entità e validazione del grafo per rilevare i componenti^{non connessi 21}.
7. Chiarimento delle strategie di ricerca e costruzione delle parole chiave
   1. Affina il metodo di ricerca per presentare chiaramente la struttura e la logica dei termini di interrogazione. Raggruppare i termini di ricerca per concetto e combinare utilizzando operatori booleani per garantire una ricerca sistematica e riproducibile. Ad esempio, la stringa di query completa utilizzata era:
      ("rischio nella catena di approvvigionamento" O "interruzione dell'approvvigionamento") E ("gemello digitale" O "simulazione") E ("previsione" O "allarme precoce").
      Visualizzare la sintassi di ricerca in forma strutturata chiarisce la sequenza di esecuzione e riduce l'ambiguità. Separare parole chiave tecnologiche, di dominio e funzionali dimostra trasparenza e supporta i revisori nella verifica del processo di ricerca.
   2. Risoluzione dei problemi: Quando ci sono troppi allarmi, aumenta le finestre di aggregazione, introduce l'isteresi o innalza le soglie di anomalia usando statistiche robuste. Se i modelli derivano o diventano instabili, si riaddestra su un programma fisso e si mantieni log di backtesting per documentare i cambiamenti di prestazione.

3. Classificazione del rischio e sistema di indicatori chiave

1. Classificare i rischi in endogeni (propagazione lineare all'interno della rete aziendale) ed esogeni (shock multi-nodo da fonti esterne). Fornisci esempi e regole di^{mappatura 22,23}.
2. Stabilire un sistema di Indicatore Chiave del Rischio (KRI) multilivello che copra la stabilità dei fornitori, le operazioni produttive, le prestazioni logistiche e l'integrazione delle informazioni; definire ogni KRI, la sua fonte dati e aggiornare la cadenza. Filtrare i dataset di fornitori, operazioni, logistica e integrazione; aggregarli e allinearli per generare valori KRI a livelli con frequenze di aggiornamento definite.
3. Presentare le definizioni, le formule e le soglie di allerta del KRI nella Tabella 2; Documentare i criteri di accettazione e i manuali di escalation²⁴.
   1. Controllo qualità: Autenticare il sistema KRI richiedendo una concordanza minima di 0,7 tra gli avvisi generati e i log storici degli incidenti. Rilascia la soglia del KRI solo dopo aver superato il test di concordanza. Per ottenere validità empirica, si testa retroattivamente il sistema KRI multi-livello rispetto ai log storici degli incidenti utilizzando test di concordanza.
   2. Impostazione delle soglie e back-testing: Impostare soglie di allarme per ciascun indicatore (ad esempio, allarme di Livello 1: evasione della consegna <95%; Allarme di livello 2: evasione della consegna <85%; fluttuazione della domanda >5%) e testarli con 18 mesi di storia operativa e record di interruzioni con timestamp. Definisci la concordanza come la proporzione di allerte KRI che corrispondono all'evento reale entro una finestra di ±12 ore. Confermare che la media della concordanza soddisfi il criterio di rilascio (≥0.7) prima dell'uso operativo.
   3. Mantenimento delle soglia: Nelle successive implementazioni, modificare le soglie tramite periodici ritest e retro-test, oppure modificare la finestra di test in base alle tendenze stagionali e alla frequenza delle anomalie.
4. Soglia di performance KRI nella vera cattura degli incidenti vs. falsi allarmi
   1. Testare ogni soglia KRI nella tabella degli indicatori di tipo di rischio e fare un backtest su 18 mesi di registri storici degli incidenti per determinare l'utilità operativa. Per ogni indicatore, calcola il vero tasso di cattura degli incidenti (richiamo), definito come la percentuale di eventi di interruzione reali identificati prima o al momento dell'evento. Calcola il tasso di falsi allarmi, definito come la proporzione di allarmi per i quali non si verifica alcuna interruzione entro una finestra di ±12 ore. Utilizzare queste metriche per quantificare il compromesso tra sensibilità e rumore operativo nell'allerta precoce (Tabella 3).
5. Valutazione basata su scenari del modello spaziotemporale proposto
   1. Valutare l'accuratezza della previsione, l'affidabilità della calibrazione e l'efficienza computazionale del modello proposto di fusione spaziotemporale Bi-LSTM + Attenzione + GCN utilizzando tre scenari rappresentativi di interruzione: rischio di guasto alle apparecchiature, rischio di interruzione geopolitica e guasto a cascata di rete multi-nodo. Utilizzare l'Errore Assoluto Medio (MAE), il Punteggio di Brier e il tempo di calcolo del ciclo decisionale come metriche di valutazione (Tabella 4).

4. Modelli di quantificazione

1. Applicare modelli basati sulla probabilità (ad esempio, Monte Carlo) per stimare la verosimiglianza dell'evento e la perdita attesa; Riportano diagnostiche di convergenza e intervalli di confidenza. Campionare probabilità di interruzione da distribuzioni empiriche o modelli parametrici adattati. Esegui 5.000–10.000 iterazioni, calcola la perdita stimata per nodo e riporta intervalli di confidenza^{al 95% 25}.
2. Trasformare i giudizi degli esperti in punteggi quantitativi usando la logica fuzzy (ad esempio, fuzzy AHP/FIS); Calibra le funzioni di appartenenza a partire dai risultati storici. Sviluppare matrici di confronto a coppie utilizzando input esperti, tradurre concetti linguistici in numeri fuzzy triangolari e calcolare i pesi aggregati usando mezzi geometrici. Defuzzifica usando il metodo del centroide per ottenere punteggi di rischio^{nitid: 26}.
3. Impiegare l'analisi di rete per mappare i percorsi di propagazione e identificare i nodi vulnerabili tramite soglie di centralità e percolazione; Serie di tagli candidati all'esportazione. Filtrare i dataset di fornitori, operazioni, logistica e integrazione; aggregarli e allinearli per generare valori KRI a livelli con frequenze di aggiornamento definite.
4. Calcola metriche di centralità dei nodi (grado, intermedio, autovettore) e simula la propagazione usando modelli a soglia o in stile SIR con probabilità di trasmissione configurabili (ad esempio, 0,1–0,3). Identificare i nodi chiave dando priorità all'influenza propagata su 500–1.000 simulazioni^27,28.
5. Confrontare i modelli di probabilità, fuzzy e di rete nella Tabella 5; Seleziona per adattamento dello scenario, disponibilità dei dati e interpretabilità. Punto di pausa: blocca le baseline dei parametri e archivia i file di configurazione prima di passare al deployment.
   Output: parametri di riferimento salvati nei file di configurazione.
   Log: diagnostica di convergenza, intervalli di confidenza e calcoli di centralità archiviati.

5. Architettura complessiva e moduli funzionali

1. Organizzare le capacità in cinque domini e sette livelli; mappa moduli di percezione, quantificazione, previsione, decisione ed esecuzione in microservizi containerizzati con API versionate.
2. Fornire la mappatura funzionale a sette livelli nella Tabella 6 con nomi di servizio e dipendenze.
3. Implementare la raccolta dati in tempo reale tramite una pipeline end–edge–cloud; definire frequenze di campionamento, regole di batching e QoS nella Tabella 7; Argomenti per broker di dischi e politiche di mantenimento. Illustrare il gasdotto nella Figura^{3 29,30}.
4. Costruire modelli virtuali usando Graph-SLAM per layout e flusso, simulazioni basate su agenti per comportamenti e strumenti CFD per vincoli ambientali; Bundle presets di scenario per la Figura 4.
5. Garantire la sincronizzazione sotto i 100 ms usando messaggistica pub/sub e PTP; cattura le metriche di latenza a runtime, throughput e perdita di pacchetti, e fornisce metriche grezze nei dataset supplementari.
6. Sviluppare moduli di supporto alle decisioni per allerta precoce, simulazione sandbox e visualizzazione degli operatori; espone endpoint REST e dashboard basati sui ruoli. Normalizzare i risultati di allerta precoce, i risultati delle simulazioni e i parametri di visualizzazione per il rendering delle dashboard.
   Controllo: pipeline di ingestione attiva; Messaggi di esempio elaborati tramite MQTT/OPC-UA.
   Controllo: gli endpoint dei modelli rispondono alle richieste di test (REST/GraphQL).
   Nota sulla disponibilità dei dati: archiviare file di configurazione, pesi dei modelli e seed di simulazione; fornire checksum e un link repository di sola lettura nella sezione Data Availability.
7. Impostazioni degli iperparametri per il modello di previsione del rischio
   1. Vedi la Tabella 8 per le impostazioni degli iperparametri del flusso di lavoro (Bi-LSTM, GCN, fusion gate, moduli PPO e impostazioni dell'ambiente di addestramento).
8. Test t del campione accoppiato
   1. Utilizzare un test t a campioni abbinati per valutare se i miglioramenti osservati nelle prestazioni del modello (ad esempio, accuratezza della previsione, orizzonte di allerta precoce, precisione di propagazione e indicatori di qualità decisionale) differiscano significativamente tra i risultati di base e il metodo proposto in scenari abbinati. Calcola la statistica del test usando l'Equazione (2):
         (2)
      dove è la differenza media accoppiata tra output di base e proposti, s_d è la deviazione standard delle differenze accoppiate, m è il numero di osservazioni accoppiate (scenari di simulazione abbinata) e u è la statistica t-test accoppiata.

Risultati

Configurazione sperimentale

Il protocollo utilizza Python 3.11 con PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27 e opzionale TensorFlow 2.14. Le simulazioni si basano su Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 per la modellazione basata su agenti, e ANSYS Fluent 2025 o OpenFOAM v11 per CFD. Lo scambio di dati è supportato tramite MQTT v5, OPC-UA e FastAPI per il servizio di modelli, con containerizzazione tramite Do...

Discussione

I risultati dello studio supportano l'idea che le pipeline di apprendimento abilitate dai digitali possano rafforzare la gestione del rischio della supply chain accoppiando la sincronizzazione degli stati con la previsione basata sui dati. I risultati sperimentali indicano che la spina dorsale Bi-LSTM–attenzione, combinata con la codifica spaziale basata su GCN, migliora la precisione predittiva ed estende l'orizzonte di allerta precoce, il che è coerente con le recenti evidenze che la p...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
AnyLogic Simulation Platform	The AnyLogic Company	N/A	Software di modellazione multi-metodo per simulazioni basate su agenti, a eventi discreti e dinamiche di sistema, integrato con TensorFlow
NVIDIA A100 GPU Server Cluster	NVIDIA Corporation	N/A	Utilizzato per l'addestramento parallelo di modelli Bi-LSTM-Attention + GCN e l'ottimizzazione PPO all'interno della piattaforma gemella digitale