Articolo metodologico

Un quadro digitale per la gestione aziendale proattiva: ricerca sul processo decisionale operativo che integra dati IoT e modellazione computazionale

DOI:

10.3791/71231

⸱

22 giugno 2026

1School of Management, Zhengzhou Business University

In questo articolo

Sommario

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

Questo studio dimostra un flusso di lavoro basato su digital twin per la gestione proattiva dell'impresa, integrando dati IoT, modellazione non lineare, stima degli stati, propagazione dell'incertezza e controllo predittivo per indagare computazionalmente la stabilità operativa, la riduzione del rischio e il comportamento di supporto decisionale basato sui dati all'interno di un ambiente di simulazione.

Abstract

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

La tecnologia dei gemelli digitali offre un potente approccio computazionale per rappresentare e controllare sistemi aziendali complessi, integrando continuamente il rilevamento in tempo reale con modellazione dinamica e analisi predittiva. L'obiettivo principale di questo studio è sviluppare e dimostrare un protocollo riproducibile per costruire un digital twin abilitato all'IoT che consenta una gestione aziendale proattiva e basata sui dati. La metodologia integra modellazione dinamica non lineare, stima dello stato basata su osservatori, propagazione dell'incertezza, quantificazione del rischio e controllo predittivo stocastico del modello in un quadro decisionale cyber-fisico unificato. Le misurazioni simulate dei sensori vengono assimilate da uno stimatore di stato per sincronizzare il gemello digitale con il sistema aziendale modellato, consentendo la previsione basata sulla simulazione degli stati operativi futuri all'interno di un ambiente computazionale definito. Misure di incertezza e rischio vengono propagate attraverso il modello dinamico per identificare le instabilità emergenti prima che degenerino in guasti critici. Un livello di controllo predittivo ottimizza quindi le prestazioni multi-obiettivo generando azioni di controllo volte a ridurre il rischio operativo, stabilizzare il comportamento del sistema e valutare potenziali miglioramenti di efficienza operativa a lungo termine all'interno dello scenario simulato. I risultati rappresentativi ottenuti da un modello semplificato di simulazione produzione–inventario–energia dimostrano i potenziali vantaggi del metodo guidato dai gemelli digitali rispetto alle strategie reattive convenzionali. L'esempio computazionale mostra traiettorie operative più fluide, rischio cumulativo inferiore, minore incertezza e un miglioramento dell'efficienza del controllo in diverse dimensioni di performance valutate. Tuttavia, questi risultati si basano su un flusso di lavoro di simulazione definito e dovrebbero essere interpretati come una dimostrazione di prova di concetto piuttosto che come una prova diretta di prestazioni universali nel mondo reale. Sebbene il protocollo sia computazionale, indipendente dalla piattaforma e potenzialmente adattabile a ambiti aziendali come manifattura, logistica, operazioni della catena di approvvigionamento e sistemi ad alta intensità energetica, un'implementazione più ampia in ambienti industriali pratici richiederebbe ulteriori validazioni tramite dataset operativi reali e studi di implementazione su larga scala. Seguendo questa procedura, ricercatori e professionisti possono riprodurre e valutare ulteriormente un framework digitale scalabile, basato sui dati e consapevole del rischio per applicazioni di supporto alle decisioni aziendali.

Introduzione

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

Le imprese moderne operano in ambienti sempre più complessi, caratterizzati da grandi volumi di dati, processi operativi interconnessi e notevole incertezza. Le strategie tradizionali di gestione reattiva spesso faticano a mantenere la stabilità operativa e la resilienza in queste condizioni, soprattutto quando i sistemi aziendali coinvolgono processi strettamente accoppiati come la programmazione della produzione, il coordinamento logistico, la gestione dell'inventario, l'utilizzo dell'energia e la mitigazionedel rischio 1,2,3. Questi processi spesso mostrano interazioni non lineari e dipendenze su più scala che si evolvono dinamicamente nel tempo. Man mano che le organizzazioni si orientano verso infrastrutture ciberfisiche supportate da sistemi di rilevamento interconnessi e da intelligenza digitale distribuita, mantenere una consapevolezza accurata e tempestiva degli stati del sistema diventa un requisito critico per un processo decisionaleefficace 4,5,6,7.

La tecnologia dei gemelli digitali si è affermata come un paradigma promettente per affrontare queste sfide. Un digital twin può essere definito come una rappresentazione virtuale in continua evoluzione di un asset fisico, di un processo o di un sistema aziendale che rimane sincronizzato con il suo corrispettivo fisico grazie all'integrazione di dati in tempo reale e modelli dinamicidi sistema 8,9,10. A differenza dei convenzionali framework di simulazione statica, i digital twin funzionano come ecosistemi computazionali dinamici in grado di monitorare le condizioni operative, prevedere il comportamento del sistema e supportare decisioni basatesull'ottimizzazione 11,12. Ricerche approfondite hanno dimostrato il valore dei digital twin in diversi ambiti, inclusi sistemi di produzione avanzati, reti logistiche intelligenti, ottimizzazione della catena di approvvigionamento e infrastrutture di gestioneenergetica 13, 14, 15, 16, 17. Questi studi suggeriscono il potenziale dei gemelli digitali per migliorare la consapevolezza situazionale, migliorare l'efficienza operativa e supportare strategie di gestione predittiva in ambienti di simulazione e sperimenti. Nonostante questi progressi, l'implementazione della tecnologia dei gemelli digitali per il supporto decisionale a livello aziendale rimane una sfida. I sistemi aziendali spesso coinvolgono sottosistemi eterogenei che interagiscono attraverso complesse relazioni non lineari, mentre i dati operativi raccolti dalle infrastrutture di rilevamento possono contenere ritardi, rumore o valori mancanti. Questi fattori possono ridurre significativamente l'affidabilità delle strategie convenzionali di monitoraggio o controllo. Affrontare queste sfide richiede framework integrati che combinino modellazione dinamica dei sistemi, assimilazione dei dati, quantificazione dell'incertezza e ottimizzazione predittiva all'interno di un'architetturaunificata 18,19,20,21,22. Studi recenti hanno quindi sottolineato l'importanza di combinare il rilevamento in tempo reale con metodi avanzati di stima e tecniche di controllo predittivo per creare sistemi decisionali cyber-fisici a ciclo chiuso capaci di adattarsi continuamente alle condizioni operative inevoluzione 23,24,25,26.

Tuttavia, una limitazione metodologica importante rimane insufficientemente affrontata in molti framework esistenti di digital twin e modello di controllo predittivo. Una parte considerevole degli studi attuali si concentra su algoritmi isolati di ottimizzazione predittiva, ambienti di simulazione statica o implementazioni di digital twin specifici per domini senza fornire un flusso di lavoro riproducibile e unificato che integri modellazione dinamica aziendale, stima dello stato, propagazione dell'incertezza, valutazione probabilistica del rischio e ottimizzazione predittiva delle decisioni all'interno di un unico protocollo operativo. Inoltre, molti framework riportati forniscono architetture concettuali senza descrivere chiaramente come i dati di rilevamento, le procedure di stima, la modellazione dell'incertezza e l'ottimizzazione del controllo interagiscono iterativamente in un flusso di lavoro computazionale a ciclo chiuso adatto al supporto decisionale su scala aziendale. Questa limitazione riduce la riproducibilità pratica e la trasferibilità di molti approcci esistenti tra diverse applicazioni aziendali. Di conseguenza, rimane necessaria una procedura trasparente e computazionalmente riproducibile che dimostri sistematicamente come questi componenti interconnessi possano essere integrati in un quadro di gestione aziendale cyber-fisico coerente, capace di supportare un'analisi operativa proattiva e il processo decisionale.

Un'altra sfida chiave nasce dalla presenza di incertezza e rischi operativi all'interno degli ambienti aziendali. I sistemi produttivi, le catene di approvvigionamento e le reti energetiche sono intrinsecamente esposti a disturbi stocastici, tra cui fluttuazioni della domanda, degrado delle attrezzature, interruzioni dell'offerta e fattori umani. Senza meccanismi espliciti per modellare l'incertezza e quantificare il rischio, le strategie di controllo aziendale potrebbero non rilevare indicatori precoci di instabilità o degrado operativo 27,28,29,30. Incorporare modellizzazione probabilistica e valutazione del rischio all'interno del quadro del digital twin svolge quindi un ruolo fondamentale nel consentire una gestione proattiva dell'impresa e migliorare la resilienza del sistema a lungo termine.

Le tecniche di controllo predittivo forniscono un meccanismo naturale di decisione per i sistemi gemelli digitali che operano in condizioni di incertezza. Sfruttando le previsioni generate dal modello del gemello digitale, le strategie di controllo predittivo possono calcolare azioni di controllo orientate al futuro che ottimizzano le prestazioni operative rispettando i vincoli del sistema. Rispetto alle strategie di controllo convenzionali basate su regole o proporzionali, gli approcci di controllo predittivo hanno dimostrato una capacità superiore nella gestione di dinamiche non lineari, bilanciando molteplici obiettivi e mantenendo un funzionamento stabile in ambienti ciberfisici complessi 31,32,33,34,35. Tuttavia, molte implementazioni esistenti enfatizzano principalmente le prestazioni di ottimizzazione del controllo, dedicando però un'attenzione relativamente limitata all'interazione integrata tra ricostruzione dello stato, evoluzione dell'incertezza, propagazione probabilistica del rischio e monitoraggio adattivo delle imprese. L'utilità pratica dei digital twin aziendali dipende non solo dalla precisione del controllo predittivo, ma anche dalla capacità di assimilare continuamente informazioni operative, valutare l'incertezza, quantificare le condizioni di rischio emergenti e aggiornare le decisioni di controllo all'interno di un flusso di lavoro computazionale riproducibile. La Figura 1 mostra il flusso di lavoro iterativo, mostrando lo scambio bidirezionale tra il sistema fisico, lo strato di rilevamento IoT, il modello del gemello digitale, lo stimattore di stato, il motore di ottimizzazione e i moduli di valutazione delle prestazioni.

L'obiettivo principale di questo studio è sviluppare un protocollo riproducibile per implementare un framework basato su digital twin che supporti una gestione aziendale proattiva attraverso modellazione dinamica integrata, stima dello stato, propagazione dell'incertezza e ottimizzazione predittiva delle decisioni. Il protocollo proposto combina modellazione non lineare dei sistemi aziendali, ricostruzione dello stato basata sui dati, valutazione probabilistica del rischio e controllo predittivo in un flusso di lavoro cyber-fisico unificato che monitora e stabilizza continuamente le operazioni aziendali. A differenza di molti framework concettuali o specifici per applicazioni esistenti, la metodologia proposta dimostra esplicitamente l'interazione sequenziale tra input di rilevamento, stima dello stato, propagazione dell'incertezza, quantificazione del rischio, ottimizzazione predittiva e valutazione delle prestazioni all'interno di un protocollo computazionale trasparente che può essere sistematicamente riprodotto e adattato a diversi scenari aziendali. Integrando questi componenti all'interno di un'architettura a circuito chiuso, il digital twin può prevedere l'evoluzione operativa e raccomandare azioni di controllo che riducano i rischi, migliorano l'efficienza e la stabilità del sistema.

Il quadro presentato in questo lavoro è progettato per essere adattabile a una vasta gamma di contesti aziendali, inclusi ambienti produttivi, reti di catena di approvvigionamento, operazioni logistiche e sistemi di produzione ad alta intensità energetica. I risultati rappresentativi dimostrano che la metodologia proposta guidata dai gemelli digitali produce traiettorie operative più fluide, una migliore precisione nelle stimi, una riduzione della propagazione dell'incertezza e un rischio operativo cumulativo inferiore rispetto alle strategie convenzionali di gestione reattiva all'interno dell'esempio computazionale considerato in questo studio. Oltre a dimostrare le prestazioni di ottimizzazione predittiva, il workflow proposto fornisce un protocollo praticamente utile per illustrare come i digital twin aziendali possano integrare rilevamento, stima, analisi dell'incertezza, valutazione del rischio e ottimizzazione decisionale in un framework computazionale unificato adatto alla valutazione aziendale basata su simulazioni e all'estensione futura nel mondo reale. Questi risultati supportano il crescente riconoscimento che digital twin strettamente integrati, tecniche avanzate di stima e strategie di ottimizzazione predittiva sono componenti fondamentali per consentire una gestione aziendale resiliente, intelligente e basata sui dati negli ambienti ciberfisicimoderni 36,37,38,39.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

1. Definire e inizializzare il sistema digital twin aziendale.

  1. Definisci le variabili di sistema aziendale.
    1. Definisci il vettore di stato aziendale:
      x(t) = [x 1,x 2,x 3]T
    2. Per la riproducibilità, si usi un esempio di impresa produzione–inventario–energia dove x1 = tasso di produzione (unità/h), x2 = livello di inventario (unità) e x3 = consumo energetico (kWh).
    3. Definisci il vettore di input di controllo:
      u(t) = [u 1,u 2]T
    4. Definisci u1 = aggiustamento della produzione e = controllo dell'allocazione dell'energia.
    5. Definisci disturbi stocastici:
      figure-protocol-1
    6. Imposta il seed casuale prima dell'esecuzione della simulazione:
      MATLAB: rng(1)
      Python: numpy.random.seed(1)
  2. Costruisci il modello dinamico aziendale.
    1. Implementa dinamiche aziendali non lineari:
      figure-protocol-2
    2. Definisci:
      figure-protocol-3
      figure-protocol-4
      figure-protocol-5
    3. Definisci il processo rumoroso:
      figure-protocol-6
    4. Usa l'integrazione numerica di Euler:
      figure-protocol-7
    5. Imposta l'orizzonte di simulazione: T = 1.000 iterazioni.
      Δt = 0,1
    6. Memorizza tutti i parametri nei file di configurazione:
      config.mat (MATLAB)
      config.json (Python)
  3. Inizializzare gli stati di sistema.
    1. Inizializza:
      x(0) = [10,50,20]T
    2. Inizia la stima del gemello digitale:
      figure-protocol-8
    3. Inizializzare la covarianza:
      Σx(0) = 0,1I
    4. Matrice di preallocazione di archiviazione:
      X(T,3),Xhat(T,3),U(T,2),Risk(T,1),Covarianza(T,3)
  4. Configura l'ambiente software.
    1. Implementa MATLAB R2023a utilizzando Optimization Toolbox e Control System Toolbox.
    2. Implementa Python 3.11 usando NumPy, SciPy, cvxpy, matplotlib e pandas.
    3. Usa quadprog (MATLAB) o un solver OSQP in cvxpy (Python).

2. Integrare le misurazioni IoT sintetiche nel digital twin.

  1. Genera dati di misurazione aziendale.
    1. Definisci il modello di misura:
      figure-protocol-9
    2. Usa h(x) = x.
    3. Definisci il rumore di misura:
      figure-protocol-10
    4. Simula misurazioni rumorose ad ogni iterazione.
    5. Memorizzare le misure nella matrice Y(T,3).
  2. Misurazioni pre-processo.
    1. Applicare filtro media mobile: dimensione della finestra = 3 campioni.
    2. Rimuovere misurazioni anomale oltre la soglia di 3\sigma.
  3. Configura l'osservatore del gemello digitale.
    1. Implementa osservatore:
      figure-protocol-11
    2. Definiamo il guadagno dell'osservatore:
      K = diag(0,5,0,5,0,5)
    3. Aggiornare numericamente l'osservatore usando l'integrazione di Euler.
  4. Esegui il flusso di lavoro di stima computazionale.
    1. Per ogni iterazione della simulazione k:
      1. Simula la dinamica fisica dell'impresa.
      2. Genera misurazioni IoT rumorose.
      3. Applica il filtraggio.
      4. Aggiorna la stima dell'osservatore.
      5. Propaga la covarianza.
      6. Calcola le metriche di rischio.
      7. Risolvere il problema di ottimizzazione MPC.
      8. Applica la prima azione di controllo.
      9. Memorizzare i risultati per la visualizzazione.
    2. Errore di sincronizzazione di calcolo:
      figure-protocol-12
    3. Traiettoria dell'errore di sincronizzazione della memorizzazione.

3. Valutare l'incertezza aziendale e il rischio operativo.

  1. Propaga l'incertezza.
    1. Aggiornare la covarianza:
      figure-protocol-13
    2. Usa Q = 0,01I.
    3. Calcolare la matrice jacobiana numericamente.
    4. Memorizza gli elementi diagonali di covarianza per tracciare.
  2. Calcolare il rischio operativo.
    1. Definisci la funzione di pericolo:
      λ(t) = 0,01x2(t)
    2. Calcolare la probabilità cumulativa di guasto:
      figure-protocol-14
    3. Integrare numericamente usando integrazione trapezoidale.
    4. Memorizzare le traiettorie del rischio.

4. Implementare il controllo predittivo del modello.

  1. Definisci il problema di ottimizzazione MPC.
    1. Definisci la funzione costo:
      figure-protocol-15
    2. Imposta a = 1, β = 0,5, y = 2, δ = 0,1.
    3. Impostare l'orizzonte di previsione: .
    4. Definisci le variabili di ottimizzazione:
      U = [u1(1), u2(1),..., u1(H),u2(H)]
  2. Definisci i vincoli operativi.
    1. Applica 0 < u1 <20 e 0 <u2 <10.
    2. Far rispettare e 0 < x2 <100 e 0 <x3 <50.
  3. Risolvi il problema MPC.
    1. Linearizzare la dinamica localmente ad ogni iterazione.
    2. Formula un problema di programmazione quadratica.
    3. Risolvi utilizzando:
    4. MATLAB quadprog:
      Algoritmo = interno-punto-convesso
      Python cvxpy:
      Solver = OSQP
    5. Usa il massimo delle iterazioni del solver: 1000.
    6. Applica solo la prima azione di controllo ottimale.
  4. Esegui il ciclo dell'orizzonte di ritiro.
    1. Aggiorna lo stato aziendale.
    2. Spostamento dell'orizzonte di previsione.
    3. Ricalcolare l'ottimizzazione.
    4. Ripeti fino a k=T.

5. Eseguire ottimizzazione multiobiettivo.

  1. Definisci gli obiettivi.
    1. Valuta il costo operativo, il consumo energetico, il livello di rischio, la deviazione dell'inventario.
    2. Normalizzare tutti gli obiettivi prima dell'ottimizzazione.
  2. Esegui l'ottimizzazione a somma pesata.
    1. Genera 10 combinazioni di peso:
      figure-protocol-16
    2. Risolvi l'ottimizzazione per ogni combinazione di peso.
    3. Conserva soluzioni ottimali di Pareto.
    4. Classifica le soluzioni in base al costo totale e alla riduzione del rischio.

6. Validare la stabilità dei gemelli digitali.

  1. Definisci la funzione di Lyapunov.
    1. Usa V(e) = eTPe.
    2. Impostare p = i.
  2. Verifica la convergenza.
    1. Calcola |Ioe(t)i|2.
    2. Verifica |Io e(t)i|→0.
    3. Memorizzare metriche di convergenza.

7. Generare cifre e tracciare i risultati.

  1. Negoziare le traiettorie.
    1. Traiettorie di stato di salvataggio, stati stimati, input di controllo, evoluzione della covarianza, curve di rischio, errori di sincronizzazione.
    2. Genera i plot.
    3. Usa MATLAB plot() o Python matplotlib.pyplot.
    4. Generare traiettorie di produzione, evoluzione dell'inventario, consumo energetico, probabilità di rischio, evoluzione della covarianza, azioni di controllo, grafici frontali di Pareto.
    5. Figure di esportazione: formato PNG, risoluzione 600 dpi.
    6. Dati di salvataggio: Figure_1.png, Figure_2.png, ..., Figure_N.png.
  2. Esporta file supplementari.
    1. Carica script MATLAB (.m), script Python (.py), file di configurazione, dataset generati, script di generazione di figure.
    2. Includere la documentazione README per le istruzioni di riproduzione e fornire l'implementazione computazionale completa, i file di configurazione, i dataset generati e gli script di generazione delle figure come Supplementary File 1.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

L'esecuzione del protocollo proposto produce un insieme di indicatori di performance misurabili che illustrano come il framework del digital twin migliori la stabilità operativa aziendale, l'accuratezza delle previsioni e la mitigazione del rischio rispetto a una strategia convenzionale di controllo reattivo. Tutti i risultati sono generati utilizzando il sistema produzione–inventario–energia esplicitamente definito nel protocollo, con condizioni

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Il protocollo presentato in questo studio dimostra un flusso di lavoro strutturato per implementare un digital twin capace di supportare una gestione aziendale proattiva attraverso modellazione integrata, stima, valutazione del rischio e ottimizzazione predittiva. Un aspetto critico del protocollo è la definizione accurata del modello dinamico aziendale e delle variabili di stato nella fase di inizializzazione. La rappresentazione degli stati aziendali, degli input di controllo e delle p...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

L'autore non ha conflitti di interesse da dichiarare.

Ringraziamenti

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

Questo lavoro è stato sostenuto dalla National Natural Science Foundation of China (Grant No. 2345678).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
High-Performance WorkstationDell Technologies, Round Rock, TX, USADELL-PREC-T5820Stazione di lavoro per elaborazione multi-core utilizzata per eseguire simulazioni, algoritmi di stima e calcoli di controllo predittivo
Industrial IoT Sensors (Opzionale per futuro deployment nel mondo reale)Siemens AG, Monaco di Baviera, GermaniaSI-IOT-SEN-100Sensori industriali utilizzati per raccogliere misurazioni operative in tempo reale come tasso di produzione, consumo energetico e condizioni ambientali
MATLAB R2024aMathWorks Inc., Natick, MA, USAML-R2024aAmbiente di calcolo numerico utilizzato per implementare modelli dinamici aziendali, eseguire simulazioni e valutare strategie di controllo
MQTT IoT Gateway (Opzionale per futuro deployment nel mondo reale)Eclipse FoundationMQTT-3.1.1Gateway di protocollo di messaggistica utilizzato per ricevere e trasmettere flussi di dati dei sensori in tempo reale tra dispositivi e il sistema del gemello digitale
NumPyNumPy DevelopersNP-1.26Libreria per calcolo scientifico che fornisce operazioni su array e routine di algebra lineare per simulazioni numeriche
Optimization ToolboxMathWorks Inc., Natick, MA, USAOPT-TBX-2401Toolbox utilizzato per formulare e risolvere problemi di ottimizzazione con vincoli nel controllo predittivo
PandasPandas Development TeamPD-2.1Libreria di analisi dati utilizzata per la pre-elaborazione, la gestione e l'analisi di dati temporali aziendali
Python 3.11Python Software Foundation, Wilmington, DE, USAPY-311Ambiente di programmazione open-source utilizzato come piattaforma alternativa per la modellazione numerica e l'implementazione del gemello digitale
SciPySciPy DevelopersSP-1.11Libreria per calcolo scientifico utilizzata per risolvere equazioni differenziali, elaborare segnali e routine di ottimizzazione
SimulinkMathWorks Inc., Natick, MA, USASL-10.8Ambiente grafico a blocchi utilizzato per costruire modelli di sistemi dinamici e simulare flussi di lavoro di controllo
Statistics and Machine Learning ToolboxMathWorks Inc., Natick, MA, USAST-ML-2401Toolbox utilizzato per la modellazione probabilistica, la propagazione dell'incertezza e l'analisi statistica degli stati del sistema

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Analisi predittivastima dello statopropagazione dell incertezzaquantificazione del rischiocontrollo predittivo basato su modellosistemi cyber fisici

Articoli correlati