Methodenartikel

Digital-Twin-geleid protocol voor voorspelling en mitigatie van supply chain risico's met neurale sequentie- en grafiekmodellen

DOI:

10.3791/69878

⸱

6 maart 2026

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

In dit artikel

Samenvatting

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

Dit protocol beschrijft een reproduceerbare digitale-twin workflow die data-opname, sequentie- en grafiekgebaseerde risicovoorspelling, propagatiesimulatie en beleidsoptimalisatie integreert. Het specificeert softwareversies, parameters, controlepunten en probleemoplossingsstappen om getrouwe replicatie in industriële omgevingen te ondersteunen.

Samenvatting

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

Toeleveringsketens vereisen realtime risicovoorspelling en -mitigatie bij hoge onzekerheid en netwerkafhankelijkheid. Dit protocol beschrijft een reproduceerbare digitale-twin (DT) workflow die data-opname, ruimtelijke risicoprognose, risicopropagatiesimulatie en mitigatiebeleidoptimalisatie verbindt in één containergeïntegreerde stack. Voor voorspelling integreren we een interpreteerbaar sequentie-en-grafmodel dat een Bi-LSTM combineert met grafconvolutie om temporele dynamiek en netwerkafhankelijkheden vast te leggen. Voor mitigatie leert proximale beleidsoptimalisatie (PPO) uitvoerbare besluitvormingsbeleid uit gesimuleerde verstoringen, waardoor kostenbewuste reacties mogelijk worden in plaats van post-hoc diagnoses. Om implementatie en replicatie te ondersteunen, bieden we een hiërarchische key-risk-indicator taxonomie die endogene en exogene risico's scheidt, samen met versie-vastgezette omgevingen, datacontracten en validatiecontrolepunten. Representatieve resultaten tonen zowel voorspellende als beslissingsniveau-verbeteringen aan. Op een automobielnetwerk met 300 knopen verbetert de aanpak F1 met 19,3% en verlengt het de vroege waarschuwingshorizon met 5,2 uur. In een herhaling van havencongestie in de VS in 2021 vermindert PPO vertragingen en de kosten voor noodhulp met meer dan 20%. De workflow schaalt op naar 500-node simulaties met milliseconde-latentie terwijl stabiele langetermijnprestaties behouden blijven. Dubbele validatie met historische gebeurtenisherhaling en online simulatie bevestigt verbeterde nauwkeurigheid, robuuste beslissingskwaliteit en praktische schaalbaarheid. Beperkingen en aanpassingsrichtlijnen worden besproken om de overstap naar nieuwe toeleveringsketenomgevingen te vergemakkelijken.

Inleiding

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

De wereldwijde leveringsnetwerken verkeren voortdurend in onzekerheid, waarbij lokale verstoringen zich kunnen verspreiden over leveranciersniveaus en transportroutes en systeembrede vertragingen kunnen veroorzaken. In veel organisaties is risicomonitoring nog steeds afhankelijk van retrospectieve rapporten of periodieke audits, die nuttig zijn voor het documenteren van incidenten en naleving, maar minder effectief zijn voor snel veranderende operationele stromen. Wanneer data minuut tot minuut evolueert, hebben besluitvormers een workflow nodig die continue sensemaking, kortetermijnvoorspelling en tijdige interventie ondersteunt, in plaats van post-hoc diagnose1.

Traditionele tools zoals risicoregisters en op statistieken gebaseerde vroegwaarschuwingsmodellen blijven waardevol voor standaardisatie en monitoring op hoog niveau, maar ze abstraheren doorgaans de dynamische interacties tussen faciliteiten, voorraden, capaciteiten en stromen. De hier beschreven digitale twin-gebaseerde workflow vult deze benaderingen aan door continue toestandssynchronisatie te behouden en scenario-gebaseerde beoordeling mogelijk te maken, zodat wat-als-verstoringen en mitigatieacties kunnen worden getest voordat ze de werkplaats of de werf bereiken. In de praktijk dient de tweeling als een cyber-fysieke representatie die belangrijke operationele toestanden en beperkingen weerspiegelt, en biedt een bruikbare basis voor proactieve mitigatie in plaats van retrospectieve rapportage2.

Recent onderzoek naar de toeleveringsketen heeft een toenemende kwetsbaarheid voor verstoringen veroorzaakt door geglobaliseerde leveranciersnetwerken, schommelende vraagpatronen, geopolitieke instabiliteit en klimaatgedreven gebeurtenissen aan het licht. Traditionele risicomanagementbenaderingen zijn sterk afhankelijk van retrospectieve rapportage en statische beoordelingen, die er niet in slagen snel veranderende operationele omstandigheden of de complexe onderlinge afhankelijkheden binnen multi-tier netwerken te vatten. Praktische inzet hangt af van twee vereisten. Risico moet worden gekwantificeerd met indicatoren die vergelijkbaar zijn tussen planten en regio's; anders dwalen drempels af, worden alarmen willekeurig, en moet de tweeling expliciete latentie- en trouwdoelen halen zodat gesimuleerde toestanden de operationele realiteit nauwkeurig genoeg volgen om controlebeslissingen 3,4 te ondersteunen. Voortbouwend op deze eisen beschrijft dit protocol een reproduceerbare workflow die datacontracten verbindt met besluitvormingsbeleid binnen één continu systeem. Temporele signalen worden samengevat met bidirectioneel langetermijngeheugen, netwerkstructuur wordt gecodeerd met grafiekconvolutie en aandachtsgewichtvisualisatie wordt gebruikt om de modelleringsstap interpreteerbaar te houden voor operators en auditors 5,6,7,8. Hoewel datagedreven modellen en vroege digital-twin toepassingen het situationeel bewustzijn hebben verbeterd, blijven ze vaak gefragmenteerd en missen ze uniforme mechanismen voor realtime perceptie, ruimtelijke en temporele voorspelling en bruikbare beslissingsondersteuning. Deze hiaten onderstrepen de noodzaak van een geïntegreerd protocol dat high-fidelity digital-twin omgevingen combineert met geavanceerde sequentie- en grafleermodellen om tijdige, interpreteerbare en schaalbare risicomonitoring in dynamische industriële systemen mogelijk te maken. Mitigatiestrategieën worden verkregen door proximale beleidsoptimalisatie die getraind is tegen de tweeling, waardoor afwegingen tussen serviceniveau, vertraging en kosten kunnen worden afgestemd zonder de operationele operatieste beïnvloeden 9,10.

Dit onderzoek betreft middelgrote tot grote leveringsnetwerken (100–500 nodes) met streamingdatavolumes van 1–5 miljoen records per dag en matige datakwaliteit (≥85% volledigheid, ≤5% ontbreken na preprocessing). Realtime deployment vereist een aanhoudende end-to-end latentie onder de 100 ms en stabiele synchronisatie (<0,5% drift) en kan beperkt zijn tot omgevingen met lage bandbreedte of niet-containerisatie.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

We bevestigen dat deze studie gebruikmaakt van gedeidentificeerde bedrijfs- en logistieke gegevens, samen met synthetische verstoringsscenario's, zonder betrokkenheid van mensen of dieren. Toegang tot ruwe operationele logs werd schriftelijk verleend door de data-eigenaar organisaties en goedgekeurd door de institutionele datagovernancecommissie voorafgaand aan de data-extractie. Data-toegang werd beheerd via rolgebaseerde toegangscontrole; Alle toegangsgebeurtenissen werden geregistreerd; en auditsporen worden ≥3 jaar na publicatie bewaard. Bij het melden van verstoringsgevallen generaliseren of maskeren we bedrijfsidentificerende kenmerken (bijv. faciliteitsnamen, klantidentificaties, contract-ID's en exacte geolocaties) om het risico op heridentificatie te verminderen. Kopieën van goedkeuringen voor gegevensgebruik en toestemmings-/toestemmingsbrieven kunnen op verzoek aan het tijdschrift worden verstrekt en worden toegevoegd als aanvullende documentatie voor redactionele beoordeling.

1. Concept van digitale tweeling, architectuur en standaarden

  1. Definieer de digitale tweeling volgens Grieves' informatiespiegelmodel en specificeer een vijflaagse stack (fysiek, virtueel, data, verbinding, applicatie) met duidelijke laagverantwoordelijkheden en interfaces, zoals benadrukt in Grieves' vroege werk en ISO 23247-standaarden. Systeemontwerpdocumenten en ISO-23247-schema's worden gebruikt als primaire invoer, met laagdefinities genormaliseerd tot een vijflaagse abstractie voor consistente architecturale mapping 2,11.
  2. Illustreer de end-to-end architectuur in Figuur 1; doe globale identificaties bekend (assetID, modelID, runID), de canonieke tijdsbasis (UTC) en het naamgevingsschema voor datasets en experimenten. Standaardiseer assetmetadata, model-registries en experimentregisters in unified ID-formaten (assetID/modelID/runID) en geef deze tijdstempels in UTC vóór de architectuurintegratie.
  3. Adopteer open standaarden voor interoperabiliteit: gebruik OPC UA/IEC 62541 en MQTT v5 voor veld-naar-platform uitwisseling, REST/GraphQL voor service-API's en FMI/AutomationML voor modeluitwisseling en topologiebeschrijving. Noteer eventuele cross-domain schema-hiaten en voorzien adapters met expliciete nauwkeurigheidsnotities. OPC UA/MQTT-veldstromen en AutomationML/FMI-modelbestanden worden geanalyseerd, gevalideerd en omgezet via schema-adapters om interoperabiliteit tussen platforms 2,12,13,14 te waarborgen.
  4. Synchroniseer alle knooppunten met IEEE 1588 PTP, handhaaf een end-to-end latentie onder 100 ms voor gesloten lus gebruik, en documentacceptatielimieten voor jitter en klokdrift. Recordvalidatie en retourcontroles van de adapter in Tabel 1. Kloksynchronisatielogs, netwerksporen en round-trip latencymonsters worden verzameld en opgeschoond om timingbeperkingen onder 100 ms en de PTP-synchronisatienauwkeurigheidvan 15 te verifiëren.
  5. Pauzepunt: Na stappen 1.1–1.4 pauze om schema-roundtrips (export, import en validatie) en latency compliance te bevestigen voordat je verder gaat.
    Valideer schema-roundtrips: bevestig dat export-/import-/validatielogs geen fouten tonen.
    Latentie-metrics: end-to-end <100 ms; Jitter <5 ms; Klokdrift <1 ms/min.
    Dashboard-snapshot: zorg dat Tabel 1 is gevuld met de retourtijden van de adapter en synchronisatiefouten.

2. Analytische technologieën voor risicoperceptie en -voorspelling

  1. Predictieve modellen trainen op historische multi-source logs (orders, telemetrie, gebeurtenissen) om vroege waarschuwingscapaciteit vast te stellen; Fix willekeurige seeds en registreer datasplitsingen voor reproduceerbaarheid. Standaardiseer numerieke variabelen, pas een-hot-codering toe op categorische kenmerken en construeer reeksen met behulp van schuifvensters (bijv. 12–24 tijdstappen).
  2. Verdeel data in 70% training, 15% validatie en 15% testen. Gebruik een Bi-LSTM met 2 lagen (128–256 eenheden), dropout 0.2–0.3, en Adam optimizer (LR = 1e-3). Log alle willekeurige zaden om reproduceerbaarheid te garanderen. Schone historische orderlogs, telemetrie en gebeurtenisstromen, standaardiseer, codeer en zet ze om in schuifvensterreeksen voor Bi-LSTM-training.
  3. Pas ongecontroleerde anomaliedetectiemethoden toe (bijv. isolatiebos, robuuste covariantie, autoencoders) wanneer gelabelde data schaars is en kalibreer drempels met precisie–terugroepafwegingen. Normaliseer inputs met Min-Max scaling, train isolatiebossen met 100–200 bomen of autoencoders met 3–5 verborgen lagen. Stel drempels af met PR-curve optimalisatie en evalueer met behulp van reconstructiefout- of anomaliescoreverdelingen. Normaliseer ongelabelde operationele logs (Min-Max) en transformeer deze in anomalie-scorefuncties voor isolatiebos- of autoencodertraining en drempelkalibratie16,17.
  4. Integreer sequentie- en grafiekgebaseerde modellen (bijv. Bi-LSTM met aandacht en GCN) om temporele patronen en ruimtelijke afhankelijkheden over leverancier–transportnetwerken vast te leggen. Creëer adjacentiematrices uit leverancier–transportverbindingen en normaliseer met symmetrische graadschaal. Het hybride model combineert Bi-LSTM-uitgangen met 1–2 GCN-lagen (verborgen grootte 64–128) en een volledig verbonden classificatiekop. Train voor 30–50 epochs, met vroegtijdige stops op basis van validatie F118,19.
    OPMERKING: De grafiekconvolutiestap in het voorgestelde model werkt knooprepresentaties bij met behulp van de genormaliseerde aggregatieregel zoals weergegeven in Vergelijking (1), waardoor elke knoop informatie van zijn buren kan opnemen terwijl de structurele balans behouden blijft. Deze formulering zorgt voor stabiele featurepropagatie over het supply chain-netwerk en vormt de basis voor het vastleggen van ruimtelijke afhankelijkheden binnen de digitale-twin-architectuur.
    figure-protocol-1   (1)
    figure-protocol-2 is de adjacentiematrix met toegevoegde zelflussen. figure-protocol-3 verwijst naar de graadmatrix van figure-protocol-4. H(l)  is de knooppuntenmatrix op laag l. W(l) is de traineerbare gewichtsmatrix en σ(•) is de activatiefunctie van ReLU. Leverancier–transportnetwerktabellen worden omgezet in adjacentiematrices en genormaliseerd met symmetrische graadschaal voordat ze worden ingevoerd in het hybride sequentie–graafmodel.
  5. Gebruik natuurlijke taalverwerking om beleids- en marktsignalen uit nieuws en bulletins te halen en gebruik computer vision om poortverstoringen uit monitoringfeeds met privacymaskering te detecteren. Om zinsembeddings uit beleids- of marktbulletins te halen, gebruik je een vooraf getrainde transformator (bijv. BERT-base) en pas je vervolgens lichtgewicht CNN's of MobileNet toe voor port-feed frame-analyse na privacyvervaging. Normaliseer vóór fusie alle extern-modale embeddings20.
  6. Bouw een kennisgrafiek van leveranciers, rijstroken, faciliteiten en contracten om causale zoekopdrachten en oorzaak-tracering mogelijk te maken; exporteerde snapshots voor Figuur 2. Creëer knooppunten van leveranciers, producten, routes en faciliteiten, en bouw vervolgens randen met contractuele verbindingen en logistieke stromen. Gebruik RDF of property-graph format, entity resolution rules en graph validation om niet-verbonden componenten21 te detecteren.
  7. Zoekstrategie-verduidelijking en trefwoordconstructie
    1. Verfijn de zoekmethode om de structuur en logica van zoektermen duidelijk te presenteren. Groepszoektermen per concept en combineren met Booleaanse operatoren om systematisch en reproduceerbaar zoeken te garanderen. Bijvoorbeeld, de volledige querystring die werd gebruikt was:
      ("supply chain risk" OF "supply disruption") EN ("digitale tweeling" OF "simulatie") EN ("voorspelling" OF "vroege waarschuwing").
      Het weergeven van de zoeksyntaxis in gestructureerde vorm verduidelijkt de uitvoeringsvolgorde en vermindert ambiguïteit. Het scheiden van technologie-, domein- en functionele trefwoorden toont transparantie en ondersteunt beoordelaars bij het verifiëren van het zoekproces.
    2. Probleemoplossing: Wanneer er te veel meldingen zijn, verhoog je aggregatievensters, introduceer je hysterese of verhoog je de anomaliedrempels met behulp van robuuste statistieken. Als modellen afwijken of instabiel worden, train dan opnieuw op een vast schema en houd backtestinglogs bij om prestatiewijzigingen te documenteren.

3. Risicoclassificatie en sleutelindicatorsysteem

  1. Classificeer risico's in endogene (lineaire propagatie binnen het enterprise-netwerk) en exogene (multi-node-schokken van externe bronnen). Geef voorbeelden en mapping rules22,23.
  2. Een meerlaags Key Risk Indicator (KRI)-systeem opzetten dat leveranciersstabiliteit, productieoperaties, logistieke prestaties en informatie-integratie omvat; definieer elke KRI, de databron en werk het ritme bij. Filterleveranciers-, operaties-, logistiek- en integratiedatasets; aggregeren en uitlijnen om gelaagde KRI-waarden te genereren met gedefinieerde updatefrequenties.
  3. Presenteer de KRI-definities, formules en waarschuwingsdrempels in Tabel 2; Criteria voor documentacceptatie en escalatie-playbooks24.
    1. Kwaliteitscontrole: Authentier het KRI-systeem door een minimale concordantie van 0,7 te vereisen tussen gegenereerde waarschuwingen en historische incidentlogs. Laat de KRI-drempel pas los nadat je de concordantietest hebt doorstaan. Om empirische validiteit te verkrijgen, test je het meerlaagse KRI-systeem terug aan historische incidentlogs met behulp van concordantietesten.
    2. Drempel instellen en back-testing: Stel waarschuwingsdrempels in voor elke indicator (bijv. Niveau 1 waarschuwing: leveringsafhandeling <95%; Niveau 2 waarschuwing: leveringsvervulling <85%; vraagfluctuatie >5%) en deze terugtesten op 18 maanden operationele geschiedenis en tijdgestempelde verstoringsrecords. Definieer concordantie als het aandeel KRI-waarschuwingen dat overeenkomt met het werkelijke incident binnen een venster van ±12 uur. Bevestig dat het concordantiegemiddelde voldoet aan het releasecriterium (≥0,7) vóór operationeel gebruik.
    3. Drempelonderhoud: In latere implementaties past u de drempels aan door periodiek opnieuw te testen en back-testing, of past u het testvenster aan op basis van seizoenstrends en frequentie van anomalieën.
  4. KRI-drempelprestaties bij true incident capture versus false alarms
    1. Test elke KRI-drempel in de Risk-Type-Indicator-tabel en test terug met 18 maanden aan historische incidentlogs om de operationele bruikbaarheid te bepalen. Voor elke indicator bereken je de werkelijke incident capture rate (recall), gedefinieerd als het percentage echte verstoringsgebeurtenissen die vóór of op het moment van het optreden zijn geïdentificeerd. Bereken het valse alarmpercentage, gedefinieerd als het aandeel waarschuwingen waarbij er geen verstoring plaatsvindt binnen een venster van ±12 uur. Gebruik deze metrics om de afweging tussen gevoeligheid en operationele ruis bij vroege waarschuwing te kwantificeren (Tabel 3).
  5. Scenario-gebaseerde evaluatie van het voorgestelde ruimtelijk-temporele model
    1. Evalueer de voorspellingsnauwkeurigheid, kalibratiebetrouwbaarheid en rekenefficiëntie van het voorgestelde Bi-LSTM + Attention + GCN ruimte-temporele fusiemodel met behulp van drie representatieve verstoringsscenario's: risico op apparatuurstoringen, geopolitiek verstoringsrisico en cascaderende multi-node-netwerkuitval. Gebruik Gemiddelde Absolute Fout (MAE), Brierscore en de berekeningstijd van de beslissingscyclus als evaluatiemetrieken (Tabel 4).

4. Kwantificatiemodellen

  1. Pas kansgebaseerde modellen toe (bijv. Monte Carlo) om de gebeurteniswaarschijnlijkheid en het verwachte verlies te schatten; Rapporteer convergentiediagnostiek en betrouwbaarheidsintervallen. Steekproefverstoringskansen uit empirische verdelingen of aangepaste parametrische modellen. Voer 5.000–10.000 iteraties uit, bereken het geschatte verlies per knooppunt en rapporteer 95% betrouwbaarheidsintervallen25.
  2. Omzetten van deskundige beoordelingen in kwantitatieve scores met behulp van fuzzy logic (bijv. fuzzy AHP/FIS); Kalibreer lidmaatschapsfuncties op basis van historische uitkomsten. Ontwikkel paargewijze vergelijkingsmatrices met behulp van deskundige input, vertaal taalkundige concepten naar driehoekige vae getallen en bereken geaggregeerde gewichten met geometrische middelen. Defuzzify met de centroid-methode om scherpe risicoscores te verkrijgen26.
  3. Netwerkanalyse toepassen om propagatiepaden in kaart te brengen en kwetsbare knooppunten te identificeren via centraliteits- en percolatiedrempels; exporteer kandidaat-cutsets. Filterleveranciers-, operaties-, logistiek- en integratiedatasets; aggregeren en uitlijnen om gelaagde KRI-waarden te genereren met gedefinieerde updatefrequenties.
  4. Bereken knoopcentraliteitsmetrieken (graad, tussenheid, eigenvector) en simuleer voortplanting met behulp van drempel- of SIR-stijl modellen met configureerbare transmissiekansen (bijv. 0,1–0,3). Identificeer belangrijke knooppunten door de voortgezette invloed te prioriteren over 500–1.000 simulatieruns27,28.
  5. Vergelijk kans-, fuzzy- en netwerkmodellen in Tabel 5; Selecteer op basis van scenariogeschiktheid, beschikbaarheid van data en interpreteerbaarheid. Pauzepunt: vergrendel parameterbaselines en archiveer configuratiebestanden voordat je naar deployment gaat.
    Output: parameterbaselines opgeslagen in configuratiebestanden.
    Logs: convergentiediagnostiek, betrouwbaarheidsintervallen en centraliteitsberekeningen gearchiveerd.

5. Algemene architectuur en functionele modules

  1. Organiseer capabilities in vijf domeinen en zeven lagen; koppel perceptie-, kwantificatie-, voorspelling-, beslissings- en uitvoeringsmodules aan gecontaineriseerde microservices met versiegeïnformeerde API's.
  2. Bied de zevenlaagse functionele mapping in Tabel 6 met servicenamen en afhankelijkheden.
  3. Implementeer realtime dataverzameling via een end–edge–cloud pipeline; definieer bemonsteringsfrequenties, batchregels en QoS in Tabel 7; Registreer onderwerpen en retentiebeleid van makelaars. Illustreer de pijpleiding in Figuur 329,30.
  4. Bouw virtuele modellen met behulp van Graph-SLAM voor lay-out en stromen, agentgebaseerde simulatie voor gedrag, en CFD-tools voor omgevingsbeperkingen; bundelscenario-presets voor Figuur 4.
  5. Zorg voor synchronisatie onder de 100 ms met pub/sub-messaging en PTP; Vastleggen runtime latency-, doorvoer- en pakketverliesmetrics en ruwe metrics leveren in de aanvullende datasets.
  6. Ontwikkelingsmodules voor besluitvormingsondersteuning voor vroegwaarschuwing, sandboxsimulatie en operatorvisualisatie; stel REST-endpoints en rolgebaseerde dashboards bloot. Normaliseer vroege waarschuwingsuitkomsten, simulatieresultaten en visualisatieparameters voor dashboardrendering.
    Check: innamepijplijn actief; Voorbeeldberichten verwerkt via MQTT/OPC-UA.
    Controleer als: modeleindpunten reageren op testverzoeken (REST/GraphQL).
    Gegevensbeschikbaarheid Opmerking: archiefconfiguratiebestanden, modelgewichten en simulatieseeds; Bied controlesommen en een alleen-lezen repositorylink aan in het gedeelte Data Availability.
  7. Hyperparameterinstellingen voor risicovoorspellingsmodel
    1. Zie Tabel 8 voor hyperparameterinstellingen van de workflow (Bi-LSTM, GCN, fusion gate, PPO-modules en trainingsomgevingen).
  8. Gepaarde steekproef t-test
    1. Gebruik een gepaarde steekproef t-test om te beoordelen of de waargenomen verbeteringen in modelprestaties (bijv. voorspellingsnauwkeurigheid, vroege waarschuwingshorizon, propagatieprecisie en beslissingskwaliteitindicatoren) significant verschillen tussen de basisuitkomsten en de voorgestelde methode onder gematchte scenario's. Bereken de teststatistiek met behulp van Vergelijking (2):
      figure-protocol-5   (2)
      waarbij figure-protocol-6 het gemiddelde gepaarde verschil tussen baseline- en voorgestelde outputs is, sd de standaarddeviatie van de gepaarde verschillen, m het aantal gepaarde waarnemingen (gematchte simulatiescenario's), en u de gekoppelde t-teststatistiek is.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Experimentele opstelling

Het protocol gebruikt Python 3.11 met PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27 en optionele TensorFlow 2.14. Simulaties zijn afhankelijk van Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 voor agentgebaseerde modellering, en ANSYS Fluent 2025 of OpenFOAM v11 voor CFD. Gegevensuitwisseling wordt ondersteund via MQTT v5, OPC-UA en FastAPI voor modelservering, met containerisatie via Docker 24.0 ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

De bevindingen van de studie ondersteunen de opvatting dat digitale twin-ondersteunde leerpijplijnen het beheer van risico's in de toeleveringsketen kunnen versterken door toestandssynchronisatie te koppelen aan datagedreven voorspellingen. De experimentele resultaten geven aan dat de Bi-LSTM–aandacht-ruggengraat, gecombineerd met GCN-gebaseerde ruimtelijke codering, de voorspellende nauwkeurigheid verbetert en de vroege waarschuwingshorizon uitbreidt, wat consistent is met recent bewijs...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Dit werk werd ondersteund door de Fundamentele Onderzoeksfondsen voor de Centrale Universiteiten (Subsidie nr. 2024JCXKSK06). De auteurs bedanken China University of Mining and Technology en Fuyang Normal University voor het bieden van institutionele ondersteuning. Speciale dank wordt uitgesproken aan industriële partners voor het delen van data en domeinexpertise. We erkennen ook de technische bijdragen van open-source gemeenschappen en ontwikkelaars van simulatieplatforms.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AnyLogic Simulation PlatformThe AnyLogic CompanyN/AMulti-method modelleringssoftware voor agent-based, discrete-event en system dynamics simulaties, geïntegreerd met TensorFlow
NVIDIA A100 GPU Server ClusterNVIDIA CorporationN/AGebast op parallelle training van Bi-LSTM-Attention + GCN modellen en PPO optimalisatie binnen het digitale tweeling platform

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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). . Automation systems and integration — Digital twin framework for manufacturing. , (2021).
  3. Zhang, C. Y., Ji, J., Zhang, T. Can sustainable supply chain sustain supplier’s operational efficiency?. Int J Prod Econ. 285, 109640 (2025).
  4. Alyasein, O. I. Y., Ojha, D., Sadeghi, R. K. Supply chain digitalization, innovation capability, and organizational agility: The moderating role of institutionalization and supply chain integration. Ind Mark Manag. 125, 215-225 (2025).
  5. Schuster, M., Paliwal, K. K. Bidirectional recurrent neural networks. IEEE Trans Signal Process. 45 (11), 2673-2681 (1997).
  6. Graves, A., Mohamed, A. R., Hinton, G. Speech recognition with deep recurrent neural networks. , (2013).
  7. Kipf, T. N., Welling, M. Semi-supervised classification with graph convolutional networks. arXiv:1609.02907. , (2016).
  8. Bahdanau, D., Cho, K., Bengio, Y. Neural machine translation by jointly learning to align and translate. arXiv:1409.0473. , (2014).
  9. Schulman, J., Wolski, F., Dhariwal, P., Radford, A., Klimov, O. Proximal policy optimization algorithms. arXiv:1707.06347. , (2017).
  10. Ma, C., Liu, M., Zhang, M., Tian, X. Supply chain economic decision-making based on reinforcement learning algorithm. Procedia Comput Sci. 261, 912-918 (2025).
  11. Grieves, M. . Digital twin: Manufacturing excellence through virtual factory replication. , (2014).
  12. . OPC Unified Architecture Available from: https://webstore.iec.ch/en/publication/61109 (2020)
  13. . MQTT Version 5.0 Available from: https://docs.oasis-open.org/mqtt/mqtt/v5.0/mqtt-v5.0.html (2019)
  14. . Functional Mock-up Interface specification Available from: https://fmi-standard.org/docs/3.0/ (2022)
  15. Chandola, V., Banerjee, A., Kumar, V. Anomaly detection: A survey. ACM Comput Surv. 41 (3), 15 (2009).
  16. Ahmed, M., Mahmood, A. N., Hu, J. A survey of network anomaly detection techniques. J Netw Comput Appl. 60, 19-31 (2016).
  17. Hochreiter, S., Schmidhuber, J. Long short-term memory. Neural Comput. 9 (8), 1735-1780 (1997).
  18. Zhang, H., Lu, G., Zhan, M., Zhang, B. Semi-supervised classification of graph convolutional networks with Laplacian rank constraints. Neural Process Lett. 54 (4), 2645-2656 (2022).
  19. Guo, Y., et al. Deep learning for visual understanding: A review. Neurocomputing. 187, 27-48 (2016).
  20. Cimiano, P., Paulheim, H. Knowledge graph refinement: A survey of approaches and evaluation methods. Semant Web. 8 (3), 489-508 (2017).
  21. Tang, C. S. Perspectives in supply chain risk management. Int J Prod Econ. 103 (2), 451-488 (2006).
  22. Ivanov, D. Supply chain viability and the COVID-19 pandemic: A conceptual and formal generalisation of four major adaptation strategies. Int J Prod Res. 59 (12), 3535-3552 (2021).
  23. Crouhy, M., Galai, D., Mark, R. . The essentials of risk management. , (2014).
  24. Shapiro, A. Monte Carlo simulation approach to stochastic programming. , (2001).
  25. Zadeh, L. A. The concept of a linguistic variable and its application to approximate reasoning—I. Inf Sci. 8 (3), 199-249 (1975).
  26. Albert, R., Jeong, H., Barabási, A. L. Error and attack tolerance of complex networks. Nature. 406 (6794), 378-382 (2000).
  27. Buldyrev, S. V., Parshani, R., Paul, G., Stanley, H. E., Havlin, S. Catastrophic cascade of failures in interdependent networks. Nature. 464 (7291), 1025-1028 (2010).
  28. Xu, L. D., He, W., Li, S. Internet of things in industries: A survey. IEEE Trans Ind Inform. 10 (4), 2233-2243 (2014).
  29. Schlechtendahl, J., Keinert, M., Kretschmer, F., Lechler, A., Verl, A. Making existing production systems Industry 4.0-ready. Prod Eng. 9 (1), 143-148 (2015).
  30. Berkani, S., Guermah, B., Zakroum, M., Ghogho, M. Spatio-temporal forecasting: A survey of data-driven models using exogenous data. IEEE Access. 11, 75191-75214 (2023).
  31. Song, X., Zhao, P., Yin, R., Zu, Y., Zhang, Y. Cascading failure model and resilience-based sequential recovery strategy for complex networks. Reliab Eng Syst Saf. 253, 110488 (2025).
  32. Xu, L., et al. Addressing concept drift in IoT anomaly detection: Drift detection, interpretation, and adaptation. IEEE Trans Sustain Comput. 9 (6), 913-924 (2024).
  33. Vieira, A. A. C., Dias, L., Santos, M. Y., Pereira, G. A. B., Oliveira, J. Supply chain risk management: An interactive simulation model in a big data context. Procedia Manuf. 42, 140-145 (2020).
  34. Guptha, V. D. P. S., Anamalamudi, S., Madupuri, R. P., Sivarajan, S. Interoperability between OPC UA and MQTT in hybrid industrial IoT (IIoT) environments. , (2025).
  35. Lundberg, S. M., Lee, S. I. A unified approach to interpreting model predictions. , (2017).
  36. Saxena, S., et al. Blockchain for supply chain traceability: Opportunities and challenges. , (2023).
  37. Kheioon, I. A., Saleem, K. B., Sultan, H. S. Analysis of natural convection and radiation from a solid rod under vacuum conditions with the aiding of ANFIS. Experimental Techniques. 47 (1), 139-152 (2023).
  38. Bachi, I. O., Bahedh, A. S., Kheioon, I. A. Design of control system for steel strip-rolling mill using NARMA-L2. J Mech Sci Technol. 35 (4), 1429-1436 (2021).
  39. Bahedh, A. S., Kheioon, I. A., Munahi, B. S., Al-Sabur, R. Modelling and controlling of modified robotic gripper mechanism using intelligent technique scheme. , (2022).
  40. Jawad, Q. A., Mohammed, R. J., Hadi, A. K., Kheioon, I. A. Liquid level controlling using the intelligent techniques. , (2023).
  41. Kheioon, I. A., Al-Sabur, R., Sharkawy, A. N. Design and modeling of an intelligent robotic gripper using a cam mechanism with position and force control using an adaptive neuro-fuzzy computing technique. Automation. 6 (1), 4 (2025).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

RisicobeperkingNeuraal Sequentie ModelGraafconvolutieProximal Policy OptimizationSpatiotemporele VoorspellingRisicopropagatieBeleidsoptimalisatie
Video binnenkort beschikbaar

Gerelateerde artikelen