Journal ITB
JETS

Journal of Engineering and Technological Sciences
  1. Home
  2. Archives
  3. Vol 15 (2023) Issue 1
  4. Articles

Audit Energi pada Data Center Kampus untuk Efisiensi Energi Berbasis Digital Twin

Published: | DOI: 10.5614/joki.2023.15.1.6 | Vol 15, Issue 1 (2023)

Authors

Abstract

The research was developed using digital twin techniques to predict thermal loads through real-time data on the HVAC system in the data center. The physical device system was digitalized using IoT (Internet of Things) technology, and through this technology, a digital space was created to represent the prediction model. Instrumentation for data acquisition and real-time monitoring systems was created using IoT techniques, as well as an analysis of the performance of the data center cooling system. The aim of this research was to obtain thermal load predictions for the data center energy system and then analyze them using the heat balance method to determine the ratio of thermal load to the performance (cooling capacity) of the existing data center cooling devices. This was done to determine the potential for energy savings. The average predicted thermal load was 30.66 kW/h on October 25, 2022, and 29.88 kW/h on October 26, 2022. Therefore, the heat balance value against the nominal cooling capacity of the installed cooling devices was 40.95% for PAC 1 and 49.21% for PAC 2.

Keywords

Data center; HVAC; Cooling load; Computer science; Data acquisition; Cooling capacity; Simulation; Environmental science; Engineering; Mechanical engineering; Air conditioning; Operating system

Pendahuluan

Konsumsi energi di sektor ICT (Teknologi Informasi dan Komunikasi) telah meningkat secara eksponensial selama beberapa tahun terakhir, terutama karena kemajuan teknologi seperti komputasi awan (cloud computing) dan pertumbuhan pesat penggunaan layanan internet [1]. Sektor ICT termasuk data center menghasilkan hingga 2% emisi CO2 global, angka yang setara dengan kontribusi sektor penerbangan dan data center diperkirakan memiliki jejak karbon yang tumbuh paling cepat dari seluruh sektor ICT [2]. Manajemen termal dan energi menjadi tantangan utama dalam desain dan pengoperasian data center, dalam hal ini efisiensi penggunaan energi data center yang menjadi kunci penting karena beberapa aspek wacana dampak yang dipengaruhi antara lain (i) nilai ekonomi yang tinggi, (ii) lingkungan, dan (iii) dampak kinerja [3]. Secara global, jaringan transmisi data menggunakan energi listrik 260-340 TWh pada tahun 2021, atau 1,1-1,4% dari penggunaan listrik global [4]. Konsumsi daya diperkirakan akan tumbuh dari 200 TWh pada tahun 2016 menjadi 974 TWh pada tahun 2030 [5]. Beberapa penelitian yang telah dilakukan seperti [6] menjelaskan bahwa untuk meningkatkan efisiensi energi data center adalah dengan menyesuaikan set point pendinginan. Penelitian [7] mengungkap bahwa banyak parameter sistem pendingin di data center terutama bergantung pada kontrol manual dan [8] menjelaskan digital twin membantu menganalisis dan memprediksi sistem energi dalam bentuk refleksi digital yang beroperasi secara paralel dengan sistem fisik.

Digital twin diperkenalkan pertama kali pada tahun 2003 yang dikenal sebagai cermin digital dan pemetaan digital. Sejak saat itu, definisinya terus berkembang karena beberapa ahli telah memberikan definisi yang bervariasi dari teknologi ini [9-12]. Digital twin didefinisikan juga sebagai cara untuk menghubungkan model digital dan mesin simulasi dengan data dunia nyata yang membantu organisasi untuk membuat keputusan yang lebih baik, mengarah ke hasil yang lebih baik [13]. Seperti yang telah dilakukan oleh beberapa industri dengan memanfaatkan perkembangan teknologi digital, metoda operasional data center yang reaktif dapat beralih menjadi pemeliharaan proaktif melalui penerapan pendekatan digital twin. Konsep digital twin ini dikarakterisasi oleh tiga komponen utama: (1) Sistem fisik real, (2) representasi virtual, dan (3) interkoneksi yang bertukar informasi antara realitas fisik dan representasi virtual [14]. Pada tingkat dasar, digital twin dari suatu sistem merupakan replika digital dari yang terakhir yang mencerminkan kembaran [15]. Dalam penelitian lain digital twin telah digunakan secara tidak menentu untuk menggambarkan berbagai koneksi antara komponen fisik dan digital [16]. Infrastruktur komunikasi antara komponen fisik dan digital, yang umumnya tidak diperhitungkan [17]. Digital twin dijabarkan juga sebagai multi-fisika, multi-skala, simulasi probabilistik dari sistem kompleks yang menggunakan model fisik terbaik yang tersedia, sensor pembaruan, dan sebagainya untuk mereplikasi [18]. Dalam rancangan penelitian ini, dikembangkan teknik digital twin monitoring secara real time pada sistem HVAC data center. Ruang lingkup penelitian yang dikembangkan untuk mengembangkan metode audit energi berbasis digital twin pada manajemen termal data center ini adalah pertama kerangka kerja digital twin yang merepresentasikan objek fisik dan objek digital sistem termal dan daya listrik data center. Kedua instrumentasi akuisisi data dan sistem pemantauan real time melalui teknik IoT (Internet of Things) dan ketiga analisis kinerja sistem pendingin data center. Pada kajian manajemen termal data center ini objek penelitian dilakukan di Data center CRCS ITB, kajian investigasi audit energi data center ini bertujuan untuk (i) mengetahui kondisi profil penggunaan energi aktual data center eksisting berikut permasalahan operasionalnya (ii) mengidentifikasi potensi penghematan energi terutama pada sistem HVAC (iii) menganalisis perlakuan energi konservasi low cost atau no cost yang dapat direkomendasikan untuk meningkatkan power utilization effectiveness data center.

Metode

1. Objek Penelitian

Observasi dilakukan dengan cara studi lapangan terhadap objek data center yang berada di kampus Institut Teknologi Bandung yaitu Data Center CRCS ITB. Lokasi geografis penelitian Kampus Ganesa, Jl. Ganesa No. 10 Kota Bandung terletak di antara 107o Bujur Timur dan 6o 55' Lintang Selatan. Skematik distribusi daya data center CRCS seperti pada Gambar 1.

7

Gambar 1. Diagram skematik distribusi daya data center CRCS

2. Desain Instrumentasi Akuisisi Data

Berdasarkan kerangka kerja digital twin, salah satu aspek yang penting adalah adanya konektivitas antara ruang fisik (physical space) dan ruang digital (digital space). Salah satu teknologi yang memungkinkan hal itu terjadi adalah teknologi IoT (Internet of Things). Ruang digital dapat dibuat dengan cara digitalisasi perangkat fisik data center, ruang digital untuk objek fisik direpresentasikan menjadi Human Machine Interface (HMI) yang terkoneksi secara real time. Pada tahap ini, untuk keperluan pembuatan model dikembangkan sistem akuisisi data instrumentasi pengukuran fisis objek infrastruktur elektrik dan termal dari objek data center agar didapat digital database (time series data) dan dashboard monitoring secara real time melalui kerangka kerja IoT seperti pada Gambar 2.

3

Gambar 2. Arsitektur kerangka kerja IoT sistem energi data center

5

Gambar 3. Kerangka kerja digital twin data center

Akuisisi data pengukuran meliputi: daya elektrik total data center, daya elektrik perangkat IT (server), daya elektrik perangkat pendingin PAC (Precision Air Conditioner), temperatur & kelembaban: ambien, return & supply PAC, cold aisle, hot aisle. Data yang dikumpulkan merupakan time series database yang dapat diakses melalui jaringan internet. Pada lapisan persepsi terdapat perangkat sensor dan aktuator yang dapat melakukan transmisi data melalui protokol komunikasi data Modbus RS485 untuk Digital power meter PM2210 dan sensor temperatur dan kelembaban SHT MD2Y 02. Protokol komunikasi Modbus/TCP digunakan untuk digital power meter PM5100, dan protocol SNMP/TCP digunakan untuk komunikasi data PAC Liebert PEX3 dan PEX4.

Pada lapisan jaringan terdapat Modbus gateway HF2211 sebagai converter modbus RS485 ke jaringan TCP/IP melalui transmisi wifi/router yang terkoneksi ke jaringan data lokal. Raspberry Pi digunakan sebagai edge device untuk menjalankan aplikasi-aplikasi akuisisi data berikut visualisasi dashboard HMI (Human Machine Interface), ioBroker dipilih sebagai open platform IoT yang mampu memenuhi kebutuhan konektivitas komunikasi data maupun otomasi. Kerangka kerja digital twin pada penelitian ini seperti pada Gambar 3 dan diagram alir metode pada penelitian ini terlihat pada Gambar 4.

3

Gambar 4. Diagram alir metode penelitian

3. Instalasi Sensor

Perangkat meter yang dipasang meliputi pengukuran parameter elektrik dan termal yaitu; digital power meter berikut sensor arus (current transformer), sensor temperatur dan Rh (Relative humidity) seperti pada Gambar 5. Masing-masing perangkat tersebut dipasang melalui serial protokol modbus RS485. Digital power meter dipasang pada panel distribusi daya server zona 1 dan zona 2 untuk mengukur daya listrik yang digunakan oleh perangkat ICT, penggunaan daya listrik oleh perangkat ICT ini dikonversi menjadi beban termal internal ruang server.

7

Gambar 5. Instalasi digital power meter pada distribusi daya data center

Gambar 6. Instalasi sensor temperatur dan kelembaban ruang data center

Pengukuran kapasitas aktual pendinginan PAC, sensor temperatur/Rh dipasang pada bagian return dan supply PAC. Sementara itu, flow rate udara dapat diukur melalui bacaan sensor kapasitas fan yang terpasang (built in) di dalam PAC menggunakan protokol SNMP/TCP seperti pada Gambar 6. Untuk mengukur beban termal dari lingkungan, sensor temperatur/Rh dipasang dinding luar ruangan dan di dalam ruangan. Selain itu, sensor juga dipasang pada bagian inlet dan outlet rak server untuk memantau kondisi temperatur rak server.

4. Kalibrasi Sensor

Memastikan data pengukuran dari sensor memiliki akurasi yang baik, diperlukan kalibrasi sebelum dipasang ataupun setelah dipasang di lapangan seperti pada Gambar 7. Kalibrasi sensor temperatur/Rh SHT20-MD02 sebelum dipasang menggunakan alat ukur benchmark: sling psychrometer bacharach dan digital thermometer, nilai bacaan sensor (dry bulb temperature dan relative humidity) dimonitor melalui tools modbus poll pada komputer kemudian di-adjust (ketelitian satu angka dibelakang koma) sampai nilainya mendekati bacaan alat ukur benchmark. Semua sensor yang akan dipasang dikalibrasi dengan cara yang sama agar pengukuran menghasilkan nilai selisih yang akurat untuk pengolahan data.

Gambar 7. Kalibrasi sensor temperatur dan Rh (Relative humidity) ; (a) sebelum, (b) sesudah instalasi

Sebelum sensor temperatur dan kelembaban relatif (Rh) dipasang dilakukan identifikasi posisi penempatan sensor dengan cara memindai distribusi termal di dalam ruangan server dengan menggunakan thermal imaging camera seperti pada Gambar 8. Hal ini dilakukan untuk memastikan sensor berada posisi yang tepat sesuai keperluan tujuan parameter pengukuran. Kemudian instalasi sensor dapat dilakukan seperti pada Gambar 9.

Gambar 8. Identifikasi distribusi termal pada ruang server menggunakan thermal imaging camera

Gambar 9. Instalasi sensor temperature atau Rh SHT20 MD02

Dilakukan pula kalibrasi hasil bacaan sensor arus pada digital power meter dengan bantuan alat Power Quality Analyzer "Fluke" 43B seperti pada Gambar 10, untuk memastikan pembacaan data elektrik memiliki akurasi yang baik. Agar hasil bacaan sensor akurat, nilai rasio kumparan primer-sekunder CT pada digital power meter harus diatur pada nilai yang tepat sesuai nominal spesifikasi CT (30/5A). Adjustment value rasio CT dapat dilakukan pada digital power meter seperti pada Gambar 11.

Gambar 10. Kalibrasi pembacaan sensor arus digital power meter dengan Power Quality Analyzer

Gambar 11. Pemasangan digital power meter berikut sensor arus (current transformer) pada unit Precision Air Conditioner

5. Akuisisi Data: Konfigurasi Parameter Pada Aplikasi Database

IoBroker adalah salah satu platform otomasi terbuka untuk penggunaan Internet of Things yang dapat menjadi digunakan sebagai aplikasi kontrol saat ini telah menggunakan bahasa lebih dari 200 teknologi protokol komunikasi, seperti KNX, LCN, Modbus, Bacnet, Wifi, Tuya, Hue ataupun Homematic. Dengan ioBroker dimungkinkan untuk menerapkan teknologi akuisisi data dan mengimplementasikan aksi dan reaksi kontrol pada seluruh perangkat teknologi operational technology (OT). Pada platform ioBroker ini tersedia plug-in aplikasi database antara lain MySQL dan SQL lite, SQL lite dipilih sebagai aplikasi database karena relatif komputasinya lebih ringan untuk dijalankan pada Raspberry Pi.

Pekerjaan akuisisi data diawali dengan konfigurasi pada saat instalasi hardware sensor. Pada jaringan hardware modbus RS485 dilakukan pengaturan register slave ID untuk masing-masing sensor, sementara untuk hardware yang terkoneksi pada jaringan TCP/IP diperlukan konfigurasi IP address untuk setiap hardware. Pada aplikasi ioBroker dilakukan konfigurasi untuk menghubungkan ID sensor pada aplikasi database, parameter-parameter pengukuran yang disediakan oleh sensor/hardware dapat ditambahkan sesuai keperluan akuisisi data yang dibutuhkan seperti pada Gambar 12. Parameter-parameter data modbus disimpan pada 16 bit input register dan holding register. Parameter pengukuran yang diambil dari sensor SHT20 MD02 yaitu; temperatur (oC) dan kelembaban/Rh (%), parameter pengukuran yang diambil dari digital power meter antara lain; active energy, current r, current s, current t, voltage l-l avg, active power total, reactive power total, dan power factor.

Sesuai dengan kebutuhan pengolahan data untuk tujuan analisis ataupun forecasting, proses data logging dapat dibuat menjadi data deret waktu dalam interval tertentu (time series data) untuk semua parameter terukur. Logging data diatur pada interval waktu 1 menit untuk semua parameter data pengukuran oleh sensor.

Gambar 12. Hasil konfigurasi parameter pengukuran untuk akuisisi data

6. Visualisasi Data/Ruang Digital pada Human Machine Interface

Berdasarkan konsep digital twin, melalui data real time dari objek fisik sistem energi utilitas data center dibuatkan ruang digital yang merepresentasikan perilaku energi elektrik dan termal perangkat-perangkat sistem data center. Melalui aplikasi tampilan Human Machine Interface (HMI), ruang digital tersebut dapat direalisasikan.

Selain fungsi database, ioBroker juga dapat melakukan fungsi visualisasi data melalui beberapa plugin yang tersedia antara lain float untuk membuat visualisasi grafik time series, plug-in visualisasi digunakan untuk membuat dashboard HMI (Human Machine Interface) seperti pada Gambar 13. Fungsi HMI terutama sebagai monitoring dari sistem energi data center secara real time, tampilan data pada HMI dapat disesuaikan sesuai kebutuhan sehingga dapat memudahkan pekerjaan pemantauan tanpa perlu mengunjungi sistem fisik.

Tampilan dari HMI ini dibuat secara web-based agar dapat diakses melalui aplikasi browser yang terkoneksi jaringan internet, karena itu dapat diakses melalui perangkat komputer/gadget yang terhubung ke jaringan internet. Melalui HMI ini pula kita dapat melakukan pemantauan untuk memastikan data terkoneksi dan tersimpan pada database.

Gambar 13. Visualisasi ruang digital data center (web-based HMI)

Hasil dan Diskusi

1. Analisis Kinerja Kapasitas Pendinginan Precision Air Conditioner

Sistem pendingin merupakan utilitas pendukung yang penting dalam operasional data center. Terdapat dua unit precision air conditioner pada ruang server data center eksisting yang dikendalikan secara otomatis terjadwal bergantian beroperasi setiap 24 jam, pergantian operasi PAC dijadwalkan pada pukul 08.55. Data operasi harian PAC meliputi beberapa parameter untuk mengukur kinerja pendinginan yaitu cooling capacity (kapasitas pendinginan) dan COP (Coefficient of Performance). Nilai cooling capacity atau panas yang diserap oleh evaporator unit PAC didapat dari perhitungan laju aliran massa udara dikalikan dengan beda temperatur udara return dan supply pada indoor unit PAC. Nilai COP didapat dari rasio cooling capacity (dalam kW) terhadap daya elektrik (dalam kW) yang digunakan PAC. Hasil pengukuran kinerja pendinginan ditunjukkan pada Gambar 14.

6

Gambar 14. Grafik performa pendinginan PAC 1 tanggal 25 Oktober 2022; (a) kapasitas pendinginan dan penggunaan daya listrik (b) COP (coefficient of performance) dan temperatur ambien.

Terjadi sebanyak lima kali lonjakan kapasitas pendinginan terutama pada saat siang hari ketika temperatur ambien sedang naik, lonjakan kapasitas pendinginan diikuti pula kenaikan daya listrik PAC seperti pada Gambar 15. Hal ini terjadi karena ketika beban panas naik meningkatkan temperatur udara return sampai mencapai batas atas set point, kapasitas pendinginan dinaikan dengan cara menyalakan compressor ke-dua sampai temperatur kembali di bawah batas bawah set point.

9

Gambar 15. Grafik performa pendinginan PAC 1 tanggal 26 Oktober 2022; (a) kapasitas pendinginan dan penggunaan daya listrik (b) COP (coefficient of performance) dan temperatur ambien.

2. Analisis Kesetimbangan Panas

Kinerja kesetimbangan panas harian menunjukkan hasil yang berbeda, dengan menghitung selisih antara kapasitas pendinginan PAC dan beban termal ruangan server didapat grafik delta Q seperti pada Gambar 16.

5

Gambar 16. Grafik selisih termal ruangan server kapasitas pendingin; (a) 25-10-2022 (b) 26-10-2022.

Nilai selisih kapasitas pendinginan dengan beban termal aktual menunjukkan bahwa performa kapasitas pendinginan di atas beban total termal ruangan server. Potensi efisiensi energi dapat dilakukan dengan cara meminimalkan kapasitas pendinginan berlebih dari perangkat pendinginan. Nilai rata-rata kapasitas aktual pendinginan harian dari PAC 1 sebesar 65,64 % dari kapasitas nominal. Sementara kinerja kapasitas pendinginan harian PAC 2 sebesar 57,89 % dari kapasitas nominalnya.

3. Analisis Efisiensi Energi Data Center

Berdasarkan data pengukuran energi didapat nilai rasio penggunaan energi infrastruktur pendukung (terutama sistem pendingin) terhadap energi infrastruktur utama IT (server, prosesor, GPU, storage, network switch) yang dinyatakan dalam metrik PUE (Power Utilization Effectiveness). Hasil pengukuran energi total dari perangkat IT menunjukan pola energi harian yang konstan, nilai rerata daya perangkat IT tiap jam untuk 25 Oktober adalah 29, 22 kW dan 29,27 untuk tanggal 26 Oktober. Data pengukuran ini menunjukan kondisi operasi perangkat IT eksisting data center masih dibawah kapasitas daya total IT terpasang (UPS 300 kVA). Profil daya ICT data center harian dapat dilihat pada Gambar 17.

Nilai rerata PUE tanggal 25 Oktober (Operasional PAC 2) adalah 1,37. Sementara itu nilai rerata PUE untuk tanggal 26 Oktober (Operasional PAC 1) didapat nilai yang lebih besar 1,41. Perbedaan nilai rasio ini sangat dipengaruhi oleh efisiensi energi sistem pendingin PAC. Kinerja pendinginan harian PAC 1 memiliki pola yang berbeda dengan PAC 2, lonjakan daya lebih sering terjadi dengan kerapatan yang tinggi menyebabkan konsumsi energi harian PAC 1 lebih banyak dari PAC 2.

11

Gambar 17. Profil daya ICT harian data center

Kesimpulan

Dengan penerapan teknologi digital twin untuk infrastruktur data center, pengukuran parameter energi dapat dilakukan secara real time. Oleh karena itu analisis penggunaan energi dapat dilakukan secara cepat dan efisien, data dapat ditampilkan secara berkesinambungan setiap waktu. Pada analisis beban harian, didapat nilai kesetimbangan beban panas (heat balance) terhadap kapasitas pendinginan nominal perangkat pendingin terpasang yaitu 40, 95 % untuk PAC 1 dan 49,21 % untuk PAC 2, artinya untuk saat ini diketahui kondisi beban termal operasi eksisting masih dibawah kapasitas sistem pendinginan. Satu unit perangkat AC Presisi cukup untuk menangani beban termal eksisting data center, pengoperasian PAC secara bergantian merupakan langkah yang tepat untuk kondisi beban termal eksisting data center.

Research Intelligence

Data from OpenAlex ↗

Metrics

0.00
FWCIfield-weighted
7th
Percentilevs same year + field
Article
Work type
DIAMOND
Open Access

Topics

Digital Transformation in Industry Primary
0.99
Industrial and Manufacturing Engineering › Engineering › Physical Sciences

Related Research

Semantic Profile AI-classified research signals

Core Domains
Data center 0.76
level 2
Computer science 0.49
level 0
Data acquisition 0.46
level 2
Secondary Topics
Cooling capacity 0.41 Simulation 0.41 Environmental science 0.36 Engineering 0.28 Mechanical engineering 0.22

Institution Network

  • Bandung Institute of Technology ID
    Teknik Fisika Institut Teknologi Bandung · Rizal Faris Mustaram · Teguh Solavide Gulo · Teknik Fisika Institut Teknologi Bandung · Edi Leksono · Justin Pradipta

References

  1. E. Oró, V. Depoorter, A. Garcia and J. Salom, “Energy Efficiency and Renewable Energy Integration in Data Centres. Strategies and Modelling Review”, Renewable and Sustainable Energy Reviews, Vol. 42, pp. 429-445, 2015.
  2. B. Whitehead, D. Andrews, A. Shah and G. Maidment “Assessing the Environmental Impact of Data Centres Part 1: Background, Energy Use and Metrics”, Building and Environment, Vol 82, pp 151-159, 2014.
  3. M. Dayarathna, Y. Wen and R. Fan, “Data Center Energy Consumption Modeling: A Survey”, IEEE Communications Surveys & Tutorials, Vol. 18, 2016.
  4. https://www.iea.org/data-and-statistics/charts/global-data-centre-energy-demand-by-data-centre-type-2010-2022 (accessed: 16 March 2023) .
  5. M. Koot, and F. Wijnhoven, “Usage Impact on Data Center Electricity Needs: A System Dynamic Forecasting Model,” Applied Energy, vol 291, 116798, 2021.
  6. B. Hadid, S. Lecoeuche, D. Gille, and C. Labarre, “Energy Efficiency of Data Centers: A Data-Driven Model-Based Approach”, IEEE International Energy Conference (ENERGYCON), pp. 1-6, 2016.
  7. Y. Weiping, Z. Wang, Y. Xue, L. Guo and L. Xu, “A Combined Neural and Genetic Algorithm Model for Data Center Temperature Control”, Science and Technology Program of State Grid, 2017.
  8. R. Snijders, P. Pileggi, J. Broekhuijsen, J. Verriet, M. Wiering and K. Kok, "Machine Learning for Digital Twins to Predict Responsiveness of Cyber-Physical Energy Systems," 8th Workshop on Modeling and Simulation of Cyber-Physical Energy Systems, Sydney, NSW, Australia,pp. 1-6, 2020.
  9. D. Jones, C. Snider, A. Nassehi, J. Yon, and B. Hicks, “Characterizing the Digital Twin: A Systematic Literature Review,” CIRP J. Manuf. Sci. Techno.l, vol. 29, pp 36-52, 2020.
  10. A. Fuller, Z. Fan, C. Day, and C. Barlow, “Digital Twin: Enabling Technologies, Challenges and Open Research,” IEEE Access, vol. 8, pp. 108952-108971, 2020.
  11. A. Rasheed, O. San and T. Kvamsdal, "Digital Twin: Values, Challenges and Enablers from a Modeling Perspective," IEEE Access, vol. 8, pp. 21980-22012, 2020.
  12. R. Stark and T. Damerau, “Digital Twin”. in CIRP Encyclopedia of Production Engineering , Chatti, S., Tolio, T. (eds), Springer, pp. 1–8, 2019.
  13. X. Xie, Q. Lu, A.K. Parlikad, and J. Schooling, “Digital Twin Enabled Asset Anomaly Detection for Building Facility Management,” IFAC PaperOnLine, vol.53(3), pp. 380-385, 2020.
  14. E. Vanderhorn and S. Mahadevan, “Digital Twin: Generalization, Characterization, and Implementation,” Decision Support Systems, Vol. 145, no. 113524, pp. 0167-9236, 2021.
  15. D. Jones, C. Snider, A. Nassehi, J. Yon, and B. Hicks, “Characterizing the Digital Twin: A Systematic Literature Review,” CIRP Journal of Manufacturing Science and Technology, vol. 29, pp. 36-52, 2020.
  16. W. Kritzinger, M. Karner, G. Traar, J. Henjes, and W. Sihn, “Digital Twin in Manufacturing : A Categorical Literature Review And Classification,” IFAC-PapersOnLine, vol. 51, pp. 1016-1022, 2018.
  17. T. Bergs, S. Gierlings, T. Auerbach, A. Klink, D. Schraknepper, and T. Augspurger, “The Concept of Digital Twin and Digital Shadow in Manufacturing,” Procedia CIRP, vol. 101, pp. 81-84, 2021.
  18. M. Grieves and J. Vickers, “Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems,” in Transdisciplinary Perspectives on Complex Systems : Springer, pp. 85–113, 2017.