很多時候，當我們的城鎮和城市突然遭遇「意料之外」的事件，例如過量降雨造成的洪水、風暴潮或老化資產無法應付增加的壓力時，我們的反應只是為了解決當前的問題。現實是，大多數這類事件並非真正的「意外」。在很多情況下，它們是可以預測的，只是我們沒有做好計劃和準備。

舉個具體的例子 - 下水道淹水在英國是越來越常見的風險。2019 年，英格蘭和威爾斯發生了超過 3,250 起內部下水道淹水事件，以及近 23,500 起私人土地和花園外部淹水事件。客戶對於內部下水道淹水事件感到非常困擾，大多數被淹水的人都不敢長時間離家，以防發生淹水事件。因此，如果我們知道問題已經存在且日益嚴重，我們該如何規劃更好的因應措施？

即時建立風險模型

數位孪生是為任何建筑物或资产带来新的先发制人的管理和操作的好方法，这项技术也非常适合水利基础设施。

數位孪生只是建築或自然環境中資產、流程或系統的資料驅動數位表示。數位孪生可以提供資產目前效能與弱點的演進畫面，並協助辨識投資的優先順序。

重要的是，它們不僅僅是模型或可視化。它們可將實體資產的資料轉換為寶貴的洞察力，有助於營運者做出策略性決策和干預、改善營運，並協助塑造未來計劃和專案。

Digital twin illustration

在複雜的下水道系統中，這種智慧與控制的層級早該實現，提供近時的「現在發生什麼事」情況，並強力將其與「假設」模擬和情境規劃結合，以探索不同的性能特性如何影響元件。這一切都可以在無需實際測試或產生潛在危險狀況的情況下完成，確保我們能共同做好更充分的準備。這些都是我們日漸老化的下水道系統所必須具備的能力。

會學習（和預測）的供水系統

世界各地的自來水公司花費數百萬來因應下水道淹水事件，這些事件不但破壞環境，也對客戶造成負面影響。目前，他們會在事件發生時採取行動，並使用大型、複雜的水力模型來管理其網路。這些模型通常受到計算資源的限制，無法即時運行，因此無法對洪水事件的位置和頻率提供可用的預測。

數位孪生可讓使用者透過機器學習 (ML) 進行資料驅動的預測。我們一直在開發的數位孪生系統使用 ML 來瞭解特定系統的行為並從中學習，從而預測未來洪水或污染的位置。使用整個集水區的感應器，我們的定制演算法會學習每個感應器的行為、感應器之間的關係以及天氣對它們的影響。我們的演算法會針對每個感應器訓練一套最佳化的 ML 模型。最終，這將允許網路運營商採取先發制人的行動，從而降低運營成本並提高效率。

Digital twin video cover image

網路需要共用資料

數位孪生作為一種工具，在建立在開放、共用資料標準的基礎上時才能發揮最大效用，使盡可能廣泛的資訊來源能夠在系統中互聯，並允許其與運營商基礎設施的其他部分進行對話。這也是我們支持 Centre for Digital Built Britain (CDBB) National Digital Twin 計劃，並在開發數位孪生系統時採用其 Gemini Principles 的原因之一。這些原則使整個建築環境的資訊管理方法保持一致，從一開始就建立了一致的定義和原則，使未來的資料共享更加容易。因此，透過以這種方式開發數位孪生，您也可以在組織內推動更好、更具互操作性的資料使用，這是另一項核心優勢。

為更大的需求做好準備

特別是英國的水資源部門，正大力投資於更智慧型的基礎建設。在下一個資產管理計畫期間 (AMP7)，公司業務計畫將受益於合計 510 億英鎊的投資以改善服務，其中 130 億英鎊將用於提供彈性服務和改善環境績效。只有在明確的長期策略下，才會考慮對基礎設施進行大額資本投資，其主要重點在於維護和更智慧地使用資產，強調需求管理而不抑制成長。

數位双胞胎將協助公用事業公司滿足這些需求，尤其是下水道網路的運作。更佳的智慧化是水資源公司確保下水道淹水、污染管理及網路容量符合法規的主要方式，以滿足不斷增加的使用需求。

這不僅是英國的問題。在全球範圍內，基礎設施老化仍是一項主要挑戰，再加上人口成長和氣候變遷。通訊技術的快速進步、感測器與資料儲存成本的降低，以及先進的資料分析技術，都將促使我們從建置基礎設施轉變為透過數位孪生系統來管理容量。