Цифровые двойники в современной инженерии: от математической модели к экономическому эффекту

Настоящая статья продолжает цикл статей по математическому моделированию и цифровым двойникам и посвящена современному состоянию и тенденциям развития технологии цифровых двойников во многих отраслях промышленности. В первой статье я показал, что развитие цифровых технологий не стихийное развитие рынка, а целенаправленное создание отрасли как полноценная научная программа мирового уровня, управляемая Комитетом по интеграции Американского института аэронавтики и астронавтики — AIAA Integration Committee, объединяющая академию и индустрию высокопроизводительных вычислений. Статья организована по сквозной логике технологической цепочки: физический процесс → математический метод моделирования → программно-аппаратный комплекс → цифровой двойник изделия → достигнутый технический результат → экономический эффект. В статье последовательно рассмотрены: эволюция концепции и пять уровней зрелости цифровых двойников; основные физические процессы и соответствующие методы математического моделирования (аэрогидродинамика и тепломассоперенос, горение, жизнеобеспечение, электромагнитное излучение и сенсорные системы автономного транспорта); индустриальные кейсы в восьми отраслях (авиация, двигателестроение, автомобилестроение, энергетика, нефтегаз, судостроение, медицина, инфраструктура), каждый представленный по единой схеме «процесс → метод → ПАК (программно-аппаратный комплекс)→ ЦД (цифровой двойник) → результат → эффект»; роль искусственного интеллекта как катализатора отрасли; географическое и отраслевое распределение применения; экономика и десятилетний прогноз развития до 2035 года.

1. Введение

1.1. Контекст: три технологических сдвига

Цифровое математическое моделирование физических процессов — расчёт течений жидкостей и газов, теплопереноса, прочности конструкций, электромагнитного излучения — на протяжении шести десятилетий прошло путь от академических демонстраций до повседневного инженерного инструмента. Однако только последние десять лет (2015–2025) превратили цифровое моделирование из вспомогательного метода в системообразующий способ проектирования в наиболее наукоёмких отраслях.

Этот сдвиг опирается на три одновременных технологических процесса:

Первое — достижение экзаскейлового уровня в высокопроизводительных вычислениях (10¹⁸ операций в секунду). По состоянию на ноябрь 2025 года в мире работают четыре экзаскейлера: El Capitan (1,809 EF, LLNL, США), Frontier (1,353 EF, ORNL), Aurora (1,012 EF, ANL) и JUPITER (1,000 EF, EuroHPC/Юлих, Германия — первый европейский экзаскейлер) ^{[1, 2]}. Это означает, что инженер 2025 года располагает в десятки и сотни раз большими вычислительными ресурсами, чем его коллега 2014 года.

Второе — появление цифровых двойников промышленного уровня. Виртуальные синхронизированные представления физических объектов или процессов, обновляемые в реальном времени по данным с датчиков, превратились из академической концепции в индустриальный продукт. Глобальный рынок цифровых двойников оценивается в $20–35 млрд в 2025 году с прогнозом роста до $150–430 млрд к 2030–2035 годам ^{[3, 4, 5, 6, 7]} (рисунок 8).

Третье — конвергенция физического моделирования и искусственного интеллекта. Появление физико-информированных нейронных сетей (PINN; Раисси, Пердикарис, Карниадакис, Brown University, 2017–2019 ^[15]), нейросетевых моделей и инструментов вроде NVIDIA PhysicsNeMo превратили AI в полноправного партнёра классических методов CFD- (Вычислительная гидрогазодинамика), FEA- (Анализ методом конечных элементов) и EM-моделирования (электромагнитное моделирование).

Эти три процесса взаимно усиливают друг друга. Рост HPC (высокопроизводительных) и облачных вычислений делает возможными модели всё большей сложности; цифровые двойники используют этот рост и распределяют его по индустриальной экосистеме; а AI (Искусственный интеллект) делает использование сложных моделей доступным для не-специалистов и в режиме реального времени.

1.2. Логика статьи и структура изложения

В отличие от стандартных обзоров отрасли, эта статья построена по сквозной технологической цепочке: каждый промышленный кейс описывается через шесть последовательных вопросов:

1. Какой физический процесс требует моделирования?
2. Какой математический метод применяется для его описания?
3. Какой программно-аппаратный комплекс реализует расчёт?
4. Какой цифровой двойник формируется на основе модели?
5. Какой технический результат достигается?
6. Какой экономический эффект получает предприятие?

Эта логика позволяет читателю видеть полную «вертикаль» от уравнений Навье–Стокса (Навье–Стокса–Фурье) до строки «снижение OPEX (операционных расходов) на 15%» в годовом отчёте компании. Также она позволяет отбрасывать «модные» упоминания цифровых двойников, не подкреплённые количественными показателями.

Статья организована следующим образом. § 2 описывает эволюцию концепции цифрового двойника и пять уровней зрелости. § 3 систематизирует основные физические процессы и методы их моделирования с привязкой к программным пакетам. § 4 — индустриальные кейсы в восьми отраслях, каждый по единой схеме. § 5 — роль искусственного интеллекта. § 6 — географическое распределение и провайдеры. § 7 — экономика и ROI (рентабельность инвестиций). § 8 — десятилетний прогноз. § 9 — заключение. § 10 — сводная инфографика, иллюстрирующая основные количественные положения статьи. В статье много терминов на английском языке, я их сознательно оставил в оригинальном написании, т.к. это уже принятые или нормативно утвержденные термины в профессиональном сообществе.

2. Эволюция концепции и уровни зрелости цифровых двойников

2.1. Краткая история

Концепция цифрового двойника прошла три волны эволюции.

Эволюция концепции, обобщённая на рисунке 1, прошла три волны.

Волна I (2002–2015): зарождение. В 2002 году Майкл Гривс из Мичиганского университета впервые формализовал идею в курсе по управлению жизненным циклом продукта (PLM) ^[20]. В 2010 году НАСА в техническом отчёте Glaessgen & Stargel применила её к моделированию ресурса аэрокосмических конструкций ^[37]. До 2015 года концепция оставалась академической.

Волна II (2015–2022): индустриализация. Программа Industry 4.0 (Hannover Messe 2011, обновлённое позиционирование 2015), запуск GE Predix (2015), IBM Watson IoT, Siemens MindSphere (2016). Цифровые двойники стали промышленным трендом, но реализации были фрагментарными — каждое предприятие строило свой стек.

Волна III (с 2022 года): системные двойники и индустриальный метаверс. NVIDIA Omniverse (запущен 2020, индустриальная зрелость 2022–2023), Siemens Xcelerator (2022), Dassault 3DEXPERIENCE Twin, Microsoft Azure Digital Twins, Bentley iTwin Platform. Появление концепции System-of-Systems Twin — сети взаимосвязанных двойников, охватывающих весь жизненный цикл изделия и его эксплуатационную среду.

2.2. Пять уровней зрелости

Современные цифровые модели промышленных объектов классифицируются по уровню связи с физическим прототипом. Стандарт принят DNV (норвежское классификационное общество) в документе DNV-RP-A204:2020 ^[33] и распространился на другие отрасли. Структура пятиуровневой иерархии представлена на рисунке 2; ниже даётся её сводная характеристика:

В индустриальной практике 2025 года большинство развёрнутых решений соответствуют уровням 2–3; пилотные проекты Siemens, Schaeffler, BMW и других лидеров приближаются к уровню 4. Уровень 5 пока остаётся целевым ориентиром на горизонт 2030–2035.

2.3. Технологический стек

Современная инфраструктура цифрового моделирования объединяет несколько связанных слоёв (рисунок 3):

• Базовая физика и математика: уравнения сохранения (Навье–Стокса–Фурье, Максвелла, упругости, реакции), модели турбулентности (RANS, LES, гибридные), модели многофазных течений (VOF, Level-Set, Phase Field), модели горения (eddy-dissipation, flamelet), модели взаимодействия со структурой (FSI).
• Численные методы: методы конечных объёмов и элементов, разрывный Галёркин, спектральные методы, неявные и полунеявные алгоритмы (PISO, SIMPLE, PIMPLE, fractional step), решатели СЛАУ (алгебраический мультигрид AMG, GMRES, BiCGStab).
• Сеточные технологии: структурированные и неструктурированные сетки, методы Делоне и advancing front (продвигающегося фронта), Chimera/Overset (Химера), методы деформации (IDW, RBF, эластичность), адаптивные сетки.
• HPC-инфраструктура: локальные кластеры, экзаскейлеры (для государственных и научных задач), облачный HPC (AWS, Azure, GCP), гибридные архитектуры CPU+GPU+специализированные ускорители.
• Платформы цифровых двойников: Siemens Xcelerator + Teamcenter, Dassault Systèmes 3DEXPERIENCE, ANSYS Twin Builder, GE Predix, PTC ThingWorx, Microsoft Azure Digital Twins, Bentley iTwin, NVIDIA Omniverse как метаплатформа.
• Слой искусственного интеллекта: PINN-фреймворки (NVIDIA PhysicsNeMo, DeepXDE, SciML.jl), нейросетевые модели, AI-построение сеток, generative design (генеративное проектирование), large language models (большие языковые модели) в роли инженерных ассистентов.
• Визуализация и взаимодействие: ParaView, Tecplot, EnSight, NVIDIA Omniverse, AR/VR-интерфейсы для walk-through и тренинга персонала.

3. Физические процессы и методы их моделирования

В этом разделе систематизированы основные физические процессы, моделируемые в составе цифровых двойников, с привязкой к математическим методам и программным пакетам. Сводная карта четырёх ключевых физических доменов с указанием методов и ПО представлена на рисунке 4. В § 4 каждый процесс рассматривается в контексте конкретных индустриальных кейсов.

3.1. Аэрогидродинамика и тепломассоперенос

Уравнения: Навье–Стокса (несжимаемая или сжимаемая жидкость), Навье–Стокса–Фурье (с уравнением энергии), уравнения переноса объёмной доли для многофазных течений (Volume of Fluid).

Численные методы: метод конечных объёмов (FVM); RANS-замыкания k–ε, k–ω, SST k–ω Ментера; гибридные RANS/LES (DES, IDDES, DDES); Wall-Modeled LES (WMLES); схемы LUD, MUSCL, HRIC, CICSAM; алгоритмы PISO, SIMPLE, PIMPLE; алгебраический мультигрид (AMG).

ПАК — программно-аппаратные комплексы:

• ANSYS Fluent / CFX — индустриальный стандарт, многоцелевой;
• Siemens Simcenter STAR-CCM+ — лидер в автомобилестроении и судостроении;
• OpenFOAM — open-source, широко используется в академии и индустрии;
• Cadence Fidelity (бывший Numeca) — аэрокосмическая отрасль;
• CONVERGE CFD — двигатели внутреннего сгорания;
• SU2 — open-source, NASA;
• РФЯЦ-ВНИИЭФ ЛОГОС — отечественный пакет, индустриальное применение в РФ.

HPC-платформы: локальные кластеры от 100 ядер до 1000 узлов; облачный CFD (Rescale, SimScale, AWS HPC7g, Azure HBv4); экзаскейлеры для научных Grand Challenge (Frontier, El Capitan, JUPITER).

3.2. Горение и пожаротушение

Уравнения: уравнения Навье–Стокса с переменной плотностью, переноса смесевых компонент топлива и продуктов сгорания, энергии с источниковыми членами химических реакций. Турбулентно-химическое взаимодействие — модели Eddy-Dissipation, Flamelet, Conditional Moment Closure, PDF transport.

Численные методы: LES (Large Eddy Simulation) для большинства задач безопасности зданий и пожаротушения; RANS — для проектных оценок; DNS — для исследовательских задач горения. Численные схемы — explicit predictor-corrector второго порядка по времени и пространству (FDS), а также неявные схемы для жёстких задач химической кинетики.

ПАК:

• NIST Fire Dynamics Simulator (FDS) — открытый LES-код NIST + VTT (Финляндия), индустриальный стандарт пожарной инженерии с 2000 года ^{[9, 10]};
• ANSYS Fluent / Star-CCM+ / OpenFOAM — универсальные пакеты с моделями горения для двигателей;
• CONVERGE CFD — двигатели внутреннего сгорания, индустриальный лидер;
• Vulcan (NIST/USAF) — специализированный код моделирования пожаров в авиадвигательных гондолах;
• PyroSim, FDS+Evac — пользовательские оболочки для архитектурных приложений.

Применение: проектирование камер сгорания газотурбинных и поршневых двигателей; пожарная безопасность зданий и сооружений (стадионы, торговые центры, тоннели); пожаротушение в авиадвигательных гондолах (стандарт FAA AC20-100), грузовых отсеках, серверных, тоннелях метро; безопасность литий-ионных батарейных систем.

3.3. Жизнеобеспечение и кондиционирование

Уравнения: Навье–Стокса с учётом плавучести (приближение Буссинеска для умеренных перепадов температур), уравнения переноса тепла, влаги, концентрации компонент воздуха. Для динамики систем — обыкновенные дифференциальные уравнения с PID-регулированием.

Численные методы: многоуровневое моделирование. Системный уровень — дискретно-аналитические модели подсистем (1D); 3D CFD-уровень — для расчёта температурных полей и распределения скоростей в помещениях. Связка 1D + 3D через co-simulation.

ПАК:

• EcosimPro / PROOSIS — пакеты моделирования авиационных систем жизнеобеспечения (ECS) ^[11];
• MATLAB/Simulink — общий инструмент системного моделирования;
• ANSYS Twin Builder + Fluent — связка системной и 3D-модели;
• Modelica + Dymola — open-источниковый язык для системного моделирования.

Применение: Environmental Control System (ECS) самолётов и космических аппаратов; HVAC в зданиях, операционных, медицинских палатах; автомобильные системы кондиционирования и термический менеджмент электромобилей; ECLSS (Environmental Control and Life Support System) МКС, Orion, Starship.

3.4. Электромагнитное излучение

Уравнения: уравнения Максвелла (полные или приближённые в зависимости от диапазона частот), волновое уравнение, телеграфные уравнения для линий передачи, физическая оптика для высоких частот.

Численные методы: метод конечных элементов (FEM); метод моментов (MoM); метод конечных разностей во временной области (FDTD); метод физической оптики (PO); ray launching/ray tracing (трассировка/излучение) для распространения радиоволн.

ПАК:

• ANSYS HFSS — индустриальный стандарт высокочастотного EM (3D full-wave FEM);
• ANSYS Maxwell — низкочастотный EM, электрические машины;
• ANSYS SIwave — целостность сигнала PCB;
• Altair Feko — антенны, EMC, биоэлектромагнитика;
• Remcom XFdtd / Wireless InSite — антенны, 5G/MIMO, распространение радиоволн;
• Dassault CST Studio Suite — антенны, EMC, биомедицина;
• NVIDIA Aerial Omniverse Digital Twin (AODT) — платформа для физически достоверных цифровых двойников беспроводной среды (5G/6G).

Применение: проектирование антенн (телекоммуникации, авионика, спутники); электромагнитная совместимость (EMC/EMI) электроники; цифровые двойники беспроводных сетей 5G/6G; радиолокация и RCS-анализ; биомедицинские применения (МРТ, СВЧ-терапия).

3.5. Оптические сенсоры и автономный транспорт

Уравнения: уравнения Максвелла для оптического диапазона, геометрическая оптика и ray tracing, уравнения распространения и рассеяния для лидаров и радаров, модели шумов для камер.

Численные методы: ray tracing для физически достоверной симуляции лидаров и камер; полное FDTD-моделирование для радаров миллиметрового диапазона; статистические модели шумов и погрешностей.

ПАК:

• NVIDIA DRIVE Sim — симуляция камер, лидаров, радаров, валидированных против реальных данных ^[34];
• ANSYS AVxcelerate Sensors — симуляция всех типов сенсоров с интеграцией в Omniverse ^[35];
• Applied Intuition — лидер рынка симуляторов автопилотов ^[36];
• IPG CarMaker, Carla, dSPACE Sim — co-simulation с физическими моделями.

Применение: виртуальная валидация ADAS уровня L2+ и автопилотов; роботы-пылесосы и складские роботы; AR/VR в смартфонах; БПЛА.

4. Индустриальные кейсы: технологические цепочки в действии

В этом разделе представлены кейсы из восьми отраслей. Каждый кейс структурирован по единой схеме «процесс → метод → ПАК → ЦД → результат → эффект».

4.1. Авиация: цифровая сертификация Boeing и Airbus

Кейс 4.1.1. Common Research Model (стандартизованная цифровая модель самолета) и аэродинамика гражданских самолётов

Кейс 4.1.2. NASA X-59 QueSST: цифровой двойник сверхзвукового демонстратора

4.2. Двигателестроение: цифровые двойники газотурбинных двигателей

Кейс 4.2.1. Rolls-Royce IntelligentEngine

Кейс 4.2.2. GE Aviation Analytics-Based Maintenance

4.3. Автомобилестроение

Кейс 4.3.1. Tesla: индивидуальные цифровые двойники каждого автомобиля

Кейс 4.3.2. BMW iFactory + Debrecen Digital Twin

Кейс 4.3.3. Schaeffler: цель 50% мощностей в Omniverse к 2030

4.4. Энергетика

Кейс 4.4.1. EDF: цифровые двойники атомных реакторов

Кейс 4.4.2. Siemens Energy: газовые турбины SGT

Кейс 4.4.3. ECMWF Destination Earth: климатический двойник Земли

4.5. Нефтегазовая отрасль

Кейс 4.5.1. Shell: PINN-суррогаты для химических реакторов

Кейс 4.5.2. Equinor: цифровые двойники морских платформ

4.6. Судостроение

Судостроение — одна из самых зрелых индустрий в применении цифровых двойников после авиации. Это связано с тремя факторами: длинный жизненный цикл судов (25–35 лет), необходимость классификационного одобрения каждой постройки, и прямая зависимость экономики от топливной эффективности. Два ключевых кейса отрасли — оптимизация формы корпуса для серии APL (DNV + Hyundai HHI) и облачный цифровой двойник судна HiDTS — наглядно представлены на рисунке 5.

Кейс 4.6.1. DNV + Hyundai Heavy Industries: оптимизация формы корпуса серии APL

Кейс 4.6.2. HD Hyundai HiDTS — облачный цифровой двойник судна

Кейс 4.6.3. Mitsubishi Shipbuilding + NYK + Tokyo University: автономное судовождение

Регулирующая среда: класс DNV для цифровых двойников

В 2020 году DNV ввёл новые класс-нотации «D-INF» (Digital Infrastructure) и «DDV» (Data-Driven Verification) с квалификатором «DT» (Digital Twin) для классификации цифровых двойников судов ^[25]. Это означает, что цифровой двойник стал формальным предметом классификационного одобрения, как и физический объект. Стандарт DNV-RP-A204:2020 классифицирует двойники по уровням 0–5 (см. § 2.2) и стал отраслевым ориентиром ^[33].

4.7. Здравоохранение

Кейс 4.7.1. HeartFlow FFR_CT: цифровой двойник коронарных артерий

Кейс 4.7.2. Pfizer + Unlearn.AI: цифровые контрольные группы

4.8. Инфраструктура и умный город

Кейс 4.8.1. Singapore Virtual: первый национальный цифровой двойник города

Кейс 4.8.2. Bentley iTwin Platform для инфраструктуры

5. Искусственный интеллект как катализатор отрасли

5.1. Революция physics-informed neural networks (PINN)

Концепция PINN (Physics-Informed Neural Networks) — нейронная сеть, обучаемая на минимизацию остатка дифференциального уравнения в её аргументах. Сформулирована в работах Раисси, Пердикариса, Карниадакиса (Brown University, 2017–2019) ^[15]. Ключевое отличие от классических нейросетей: физика встроена в loss-функцию (функция потерь) в виде остатка PDE (уравнение в частных производных).

Преимущества PINN: mesh-free решение, возможность одновременно решать прямые и обратные задачи, естественная поддержка многопараметрического обучения, способность интерполировать и экстраполировать по неучтённым параметрам.

Ограничения PINN: не всегда сходится для сильно нелинейных задач, чувствителен к выбору архитектуры и весов loss-функции, часто не превосходит классический CFD по точности для канонических задач.

Индустриальные кейсы: Shell — реактор, ускорение в 100 млн раз ^[16]; Kinetic Vision — air-knife в режиме интерактива ^[17]; Boeing, Lockheed — нейросети для аэродинамической оптимизации.

5.2. NVIDIA PhysicsNeMo — индустриальный стандарт

NVIDIA PhysicsNeMo (бывш. Modulus, ранее SimNet) ^[16] — open-source AI-фреймворк для физически информированного моделирования. Включает реализации PINN, FNO (Fourier Neural Operators), DeepONet, интеграцию с CAD и CFD-пакетами, GPU-ускорение через CUDA.

К 2025 году PhysicsNeMo стал де-факто индустриальным стандартом. Аналоги — DeepXDE (Brown University), SciML.jl (Julia Computing).

5.3. Фундаментальные модели в инженерных приложениях

В 2024–2025 годы появились первые фундаментальные модели для физики:

• Microsoft Aurora (2024) — foundation model для прогноза погоды и атмосферы, обученная на 1 ZB данных ^[18]. Превосходит классические NWP-системы по скорости в 5000 раз при сопоставимой точности на 10-дневный горизонт.
• Google GraphCast (2023) — нейросетевая модель погоды ^[19].
• NVIDIA FourCastNet — глобальный климатический прогноз через FNO.

Эти модели — пример новой парадигмы: обучение на огромных архивах симуляций даёт нейросетевые модели, обобщающие на новые сценарии быстрее и иногда точнее классических PDE-решателей.

5.4. Генеративный AI в инженерной CAD-автоматизации

Появление больших языковых моделей в инженерных приложениях:

• Siemens Industrial Copilot (CES 2025) — LLM-ассистент в Teamcenter и NX;
• NVIDIA NeMo Industrial — foundation models для CAD-операций;
• GitHub Copilot для инженеров (Autodesk, Bentley, PTC);
• Spark plant assistant (Cognite) для нефтегаза.

Главная функция — снижение барьера для не-специалистов: сложные CFD-расчёты, оптимизация, поиск по техническим базам знаний становятся доступными через диалоговые интерфейсы.

5.5. AI- построение сеток

Один из самых сложных классических CFD-этапов — построение качественной сетки — стал предметом AI-исследований:

• GeometryPredictor (Cadence) — нейросетевая предобработка геометрии;
• TensorFlow GNN для адаптивных сеток (NASA Langley, 2024);
• MeshAI (Altair) — автоматическое исправление дефектов CAD-моделей.

К 2030 году ожидается, что полностью автоматическое построение сеток для произвольной геометрии без вмешательства инженера будет реализовано — это закроет одну из главных проблем NASA Vision 2030.

6. Распределение по странам, отраслям, провайдерам

6.1. По странам

Сводное географическое распределение представлено на рисунке 6 — слева в виде долей региональных рынков цифровых двойников, справа в виде агрегированной HPC-производительности TOP500.

США — глобальный лидер: 31–38% мирового рынка цифровых двойников ^[3]; 171 системы в TOP500 (агрегатно 6 626 PFLOPS) ^[1]; 3 из 4 экзаскейлеров; ключевые провайдеры — Siemens DI, NVIDIA, GE Vernova, ANSYS, Microsoft, Bentley, PTC. Государственные программы: DoDI 5000.97 Digital Engineering (декабрь 2023) ^[21], NASA Digital Engineering Strategy (2023) ^[37].

Китай — стремительный рост: ≥3 экзаскейлеров (по неофициальным оценкам); государственные программы «Made in China 2025», «New Infrastructure»; кейсы — Shanghai (вторая в мире цифровая модель города), массовое внедрение в провинциях Guangdong и Jiangsu. Прогноз для региона APAC: $4,57 млрд (2025) → $32,57 млрд (2030), CAGR 48,1% — самый быстрый рост в мире ^[3].

Германия — европейский лидер: JUPITER Booster (1,000 EF, EuroHPC/Юлих) ^[2], агрегатно 1 129 PFLOPS (3-е место) ^[1]; корпоративные лидеры — Siemens, BMW, Mercedes-Benz, Bosch, Schaeffler; программа Industrie 4.0 (с 2011 г.).

Япония — флагманские HPC и прецизионная автоматизация: Fugaku (442 PFLOPS), к 2030 — FugakuNEXT (1+ EF, AI-ориентирован); корпоративные лидеры — Toyota, Honda, Mitsubishi Heavy Industries, IHI Aerospace; программа Society 5.0.

Великобритания — ARCHER2, Isambard-AI; Rolls-Royce (мировой пионер двойников авиадвигателей), BAE Systems, Jaguar Land Rover; академические центры — Cambridge, Oxford, Imperial College.

Франция — Adastra (CEA), Jean Zay (IDRIS); Airbus, Dassault Systèmes, Renault, EDF, Thales, Safran; программа Industrie du Futur.

Южная Корея — лидер судостроения ^[32]: HD Hyundai, Samsung Heavy Industries, Daewoo. HiDTS — первый в мире цифровой двойник судна с классификационным одобрением DNV (сентябрь 2024) ^{[25, 28]}.

Норвегия — лидер морской/нефтегазовой индустрии: DNV (классификация и стандартизация), Equinor, Kongsberg Maritime; DNV Simulation Trust Center в Тронхейме ^[25].

Россия — кластер Червоненкис (Yandex), Кристофари (Sberbank), Ломоносов-2 (МГУ); корпоративные применения — Росатом (cyber-physical для АЭС), РФЯЦ-ВНИИЭФ (отечественный пакет ЛОГОС), ОАК (цифровой двойник для МС-21 и SSJ-100), КамАЗ.

6.2. По отраслям

Доли восьми ключевых отраслей в мировом рынке цифровых двойников приведены на рисунке 7 (левая панель), там же на правой панели — сравнительные количественные эффекты внедрения по четырём метрикам ROI (рентабельность инвестиций).

6.3. По провайдерам

Топ-10 провайдеров по доле рынка цифровых двойников:

1. Siemens AG (Германия) — Xcelerator + Teamcenter
2. ANSYS, Inc. (США) — Twin Builder, лидер CAE/CFD/FEA
3. Dassault Systèmes (Франция) — 3DEXPERIENCE
4. GE Vernova (США) — Predix
5. PTC (США) — ThingWorx, Windchill
6. NVIDIA (США) — Omniverse, PhysicsNeMo (взрывной рост 2024–2025)
7. Microsoft (США) — Azure Digital Twins
8. IBM (США) — Maximo Application Suite
9. Bentley Systems (США) — iTwin Platform
10. Autodesk (США) — Fusion 360, generative design

7. Экономика цифровых двойников

7.1. Размер рынка: оценки и расхождения

Поскольку «цифровой двойник» — собирательный термин, оценки рынка существенно расходятся между аналитическими агентствами в зависимости от методики:

Консенсусная оценка (медиана):

• 2025: ~$20–25 млрд;
• 2030: ~$130–155 млрд;
• 2035: ~$200–300 млрд;
• CAGR: ~35–45%.

7.2. Структура затрат на внедрение

Типовой бюджет крупного промышленного предприятия: $5–20 млн на проект внедрения, OPEX ~$1–3 млн/год.

7.3. ROI: эмпирические данные

NIST в октябре 2024 года опубликовал отчёт AMS 100-61 «The Economics of Digital Twins» ^[22] — фундаментальное методологическое исследование. Структура затрат на типовое внедрение и распределение проектов по достигнутому ROI приведены на рисунке 10. Ключевые выводы NIST:

• средний ROI в производственной отрасли — 2,5×–4× за 3–5 лет при правильной реализации;
• 60% проектов окупаются за 18–24 месяца;
• 25% не окупаются за 36 месяцев — главная причина: плохое качество данных;
• 15% дают ROI выше 5× — обычно в энергетике и аэрокосмической отрасли с длительным жизненным циклом активов.

7.4. Тренд: от Capex (капитальных затрат) к SaaS (ПО как услуга)

Классическая модель внедрения требует капитальных затрат $5–50 млн. Современные платформы (Azure Digital Twins, NVIDIA Omniverse Cloud, Bentley iTwin) предлагают SaaS-модель с подпиской.

Доля SaaS-моделей: ~20% (2022) → ~45% (2025), прогноз до 70% (2030) ^{[3, 5]}. Это снижает порог входа для среднего и малого бизнеса.

8. Десятилетний прогноз: 2025 → 2035

8.1. HPC (высокопроизводительные вычисления) и дата-центры

2025–2028: 5–8 экзаскейлеров; ввод Discovery (ORNL), Doudna (NERSC); распространение GPU-only архитектур ^{[1, 8]}.

2028–2032: 15–25 экзаскейлеров; достижение прогноза NASA 30–50 EF; первые гибридные HPC+Quantum системы.

2032–2035: Появление систем класса 100+ EF (10⁻¹ от zettaFLOPS); полностью жидкостное охлаждение в leadership-class.

Совокупная мощность глобальных дата-центров: 600 ТВт·ч (2025) → 1500–2000 ТВт·ч (2035); доля в мировом потреблении электроэнергии: 2% → 4–6%. Жесткие регуляторные требования по carbon footprint в ЕС, Японии, отдельных штатах США.

8.2. Облачные вычисления

8.3. Цифровые двойники

• К 2030 — System-of-Systems Twins становятся стандартом для авиапарков, энергосистем, транспортных сетей.
• К 2032 — Цифровое сертифицирование регуляторами (FAA, EASA, DNV) как primary route.
• К 2035 — Sustainability digital twins — climate, biodiversity, circular economy — индустриальный стандарт. Цифровой двойник становится обязательным артефактом серийного промышленного изделия.

8.4. Искусственный интеллект

• К 2028 — Foundation physics models для классов задач.
• К 2030 — Hybrid AI/PDE solvers — стандарт.
• К 2032 — Real-time AI surrogates в периферийных устройствах повсеместны.
• К 2033 — LLM-based engineering copilots интегрированы в рабочее место инженера.

8.5. Сводная дорожная карта

Графическое представление дорожной карты по четырём категориям (HPC, CFD Vision 2030, рынок цифровых двойников, AI/системные двойники) приведено на рисунке 9. Табличная сводка ключевых вех:

9. Заключение

9.1. Главные выводы

1. Цифровое моделирование превратилось из вспомогательного инструмента в системообразующий метод проектирования в наиболее наукоёмких отраслях. Ключевые драйверы — HPC экзаскейлового класса, индустриальная зрелость цифровых двойников, конвергенция с AI.

2. Цифровые двойники стали индустриальным мейнстримом. Глобальный рынок $20–35 млрд (2025), прогноз до $130–430 млрд (2030–2035) ^{[3, 4, 5, 6, 7]}. Rolls-Royce, GE Aviation, Tesla, BMW, Airbus, EDF, HD Hyundai, Equinor — работают с двойниками промышленного уровня зрелости.

3. Технологические цепочки от уравнений до экономики стали прослеживаемыми. Каждый успешный кейс описывается одной и той же логикой «процесс → метод → ПАК → ЦД → результат → эффект». Это позволяет отделять зрелые применения от модных упоминаний.

4. Искусственный интеллект — катализатор революции. PINN, foundation models, generative design, LLM-копилоты — превратились из академических концепций в индустриальные продукты за 5–7 лет. NVIDIA PhysicsNeMo стал де-факто индустриальным стандартом.

5. Распределение по странам стабильно с динамикой Азии. США — глобальный лидер; Китай — стремительный догоняющий; Германия — европейский лидер; Япония, Великобритания, Франция, Южная Корея — традиционные лидеры в специализированных нишах. Россия — с потенциалом, при отставании по HPC-инфраструктуре.

6. Экономика двойников зрелая. ROI 2,5×–4× за 3–5 лет в типовом промышленном применении. Конкретные эффекты: 15–30% снижение OPEX, 20–50% снижение downtime, 15–35% сокращение time-to-market, 25–70% продление ресурса.

7. Десятилетний прогноз позитивный. К 2035 ожидается достижение ключевых Grand Challenges, формирование систем zettascale-класса (100+ EF), массовое распространение foundation physics models, цифровое сертифицирование как стандарт регуляторами, полная демократизация моделирования через SaaS.

9.2. Открытые вопросы

Несмотря на быстрый прогресс, остаются принципиальные открытые проблемы:

• интероперабельность между десятками платформ цифровых двойников;
• валидация AI-моделей для критических инженерных приложений;
• энергетическая устойчивость дата-центров при их экспоненциальном росте;
• кибербезопасность двойников критической инфраструктуры;
• дефицит специалистов на стыке CFD/AI/PLM/HPC.

9.3. Заключительное слово

Цифровое математическое моделирование переживает в 2025–2026 годах исторический переломный момент. Если последние 60 лет CFD и связанные методы были инженерным инструментом для специалистов, то следующие 10 лет превратят их в повсеместную инфраструктуру — настолько же незаметную и фундаментальную, как сегодняшний интернет.

Цифровой двойник в 2035 году будет таким же обязательным «артефактом» серийного промышленного изделия, каким сегодня является техническая документация. И это, пожалуй, самое существенное отличие от индустрии 2014 года — не количественный рост вычислительной мощности, а качественное изменение того, как мы вообще проектируем и эксплуатируем сложные технические системы.

Продолжение следует. В следующей статье я расскажу, как построен цифровой двойник на примере.

10. Сводная инфографика

В настоящем разделе собрана сводная инфографика, иллюстрирующая основные положения статьи.

Список источников

1. TOP500.org. 66th Edition of the TOP500 list. SC25 Conference, ноябрь 2025. top500.org/…
2. EuroHPC Joint Undertaking. JUPITER Booster: Europe's First Exascale System. ноябрь 2025.
3. Markets and Markets. Digital Twin Market by Deployment, Application, Industry — Global Forecast to 2030. 2025.
4. Grand View Research. Digital Twin Market Size And Share | Industry Report, 2033. 2025.
5. GMI Insights. Digital Twin Market Size & Share, Growth Analysis 2025-2034. ноябрь 2025.
6. FactMR. Digital Twin Market Size and Share Forecast Outlook 2025 to 2035. сентябрь 2025.
7. 360iResearch. Digital Twin Market Forecast 2025–2030. 2025.
8. Market Research Future. Cloud High Performance Computing Market Outlook 2035. ноябрь 2025.
9. McGrattan K., Hostikka S., Floyd J., McDermott R., Vanella M. Fire Dynamics Simulator (FDS) Technical Reference Guide. NIST Special Publication 1018, Sixth Edition, 2023.
10. National Institute of Standards and Technology. Advanced Fire Modeling — FDS and Smokeview. nist.gov/…
11. EcosimPro / Empresarios Agrupados. ECS — Environmental Control System Simulation Toolkit. ecosimpro.com/…
12. Chowdhury S.H., Ali F., Jennions I.K. A review of aircraft environmental control system simulation and diagnostics. Proc. Inst. Mech. Eng. Part G, 237(5), 1186–1206, 2023.
13. ANSYS Inc. HFSS, Maxwell, SIwave, Twin Builder, Perceive EM, AVxcelerate Sensors. ansys.com/…
14. Wei W., Li K., Fan W., Tian Y., et al. Digital Twins of Electromagnetic Propagation Environments for Live 5G Networks. IEEE J. Sel. Areas Commun., 2024.
15. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks. Journal of Computational Physics, 378, 686–707, 2019.
16. NVIDIA Corporation. PhysicsNeMo Documentation and Case Studies (Shell, Kinetic Vision). 2022–2025. developer.nvidia.com/…
17. Eidell M. (Kinetic Vision). Accelerating Product Development with Physics-Informed Neural Networks and NVIDIA PhysicsNeMo. NVIDIA Technical Blog, 2022.
18. Microsoft Research. Aurora: A Foundation Model for Atmospheric Forecasting. Nature, 2024.
19. Lam R. et al. (Google DeepMind). GraphCast: Learning skillful medium-range global weather forecasting. Science, 2023.
20. Grieves M. Digital Twin: Manufacturing Excellence through Virtual Factory Replication. White paper, University of Michigan, 2014.
21. DoD Instruction 5000.97. Digital Engineering. U.S. Department of Defense, December 2023.
22. NIST AMS 100-61. The Economics of Digital Twins: Costs, Benefits, and Economic Decision Making. NIST, October 2024.
23. ISM Inc. Rolls Royce's Use of Digital Twin Technology Case Study. март 2025.
24. Tesla Inc. Annual Report 2024 (упоминание 1,8 млн digital twins за 2023 год).
25. DNV. Ship classification services and class notations D-INF, DDV with DT qualifier. dnv.com/…
26. Marine Log. New DNV GL rules add digital and smart ship notations. ноябрь 2020.
27. Siemens. DNV uses Simcenter STAR-CCM+ for hull optimization at Hyundai Heavy Industries — APL container vessels with 36% energy efficiency improvement. Case Study.
28. DNV / SAFETY4SEA. DNV grants AiP to HD Hyundai for cloud-based HiDTS digital twin ship system. Gastech 2024, Houston, September 2024. safety4sea.com/…
29. Wu B., Zhao M. et al. Research on Application and Standardization of Digital Twin Technology in Ships. Proc. 4th Int. Conf. Computer, AI and Control Engineering, ACM, 2024. (Кейсы Mitsubishi Shipbuilding, NYK, Tokyo University.).
30. Žiha K., Perić M. Using Digital Twin in a Shipbuilding Project. Applied Sciences, MDPI, 12(24), 12721, 2022.
31. Ribeiro G., Lazarová-Molnar S. A Standards-Based Digital Twin of an Experiment with a Scale Model Ship. Ocean Engineering, 2022.
32. Future of Maritime Engineering. Smart Vessel Design Systems and Hydrodynamic Twin Integration. Reports 2025–2026.
33. DNV-RP-A204. Qualification and Assurance of Digital Twins. Recommended Practice, DNV, 2020. (Стандарт уровней зрелости 0–5.).
34. NVIDIA Corporation. Validating NVIDIA DRIVE Sim Radar Models. NVIDIA Technical Blog, 2023.
35. ANSYS Inc. AVxcelerate Sensors 26R1 with NVIDIA Omniverse Digital Twins. April 2026.
36. Applied Intuition / LG Innotek. Strategic Partnership for Autonomous Driving Sensor Simulation. March 2026.
37. Glaessgen E., Stargel D. The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles. AIAA Paper 2012-1818, 2012.
38. Bentley Systems. Bentley Infrastructure Cloud Connect / iTwin Platform announcement. октябрь 2025.
39. Siemens AG. Industrial Copilot and Teamcenter Digital Reality Viewer powered by NVIDIA Omniverse. CES 2025–2026.
40. BMW Group, NVIDIA. BMW Debrecen EV Plant Digital Twin Case Study with NVIDIA Omniverse. 2024–2025.
41. HeartFlow Inc. FFR_CT Clinical Validation. FDA-approved CFD-based diagnostic system. heartflow.com/…
42. ECMWF. Destination Earth: High-resolution digital twin of the Earth system. июль 2025.