Simulation : conseil et ingénierie sur mesure

1. Introduction : simulation, modélisation, émulation - de quoi parle-t-on ?

Qu'est-ce qu'une simulation informatique ?

Une simulation informatique est l'exécution d'un modèle mathématique ou logique sur un ordinateur pour reproduire le comportement d'un système physique, biologique, économique ou technique dans le temps. Le système réel n'est pas nécessairement construit - ou ne peut pas l'être dans des conditions de test réalistes. On simule un crash automobile avant de construire le prototype, on simule la dispersion d'un polluant avant d'intervenir sur le terrain, on simule un réseau électrique avant de modifier son architecture.

Qu'est-ce qu'un simulateur ?

Un simulateur est le logiciel (et parfois le dispositif matériel associé) qui exécute cette simulation. Il encapsule un modèle, un moteur de calcul, une interface de contrôle et souvent une couche de visualisation. Un simulateur de vol, par exemple, reproduit la dynamique d'un aéronef avec une précision suffisante pour former des pilotes sans mettre un avion en l'air.

Différence entre simulation, modélisation et émulation

Ces trois termes sont souvent confondus. Voici la distinction opérationnelle :

La différence entre simulation et émulation est fondamentale : l'émulation cherche à reproduire fidèlement l'interface et le comportement observable d'un système (souvent matériel), sans nécessairement modéliser ses mécanismes internes. La simulation, elle, modélise les mécanismes eux-mêmes.

Pourquoi les entreprises utilisent-elles des simulateurs ?

• Réduction des coûts : tester virtuellement coûte une fraction du test physique (prototypes, bancs d'essai, matières premières).
• Réduction des risques : on peut simuler des scénarios dangereux ou destructifs sans danger réel.
• Accélération des cycles : les itérations de conception sont bien plus rapides en numérique qu'en physique.
• Tests impossibles en réel : conditions extrêmes, échelles de temps incompatibles, systèmes non encore construits.
• Formation : simulateurs de conduite, de chirurgie, de pilotage - former sans conséquences.

2. Les 30 grands types de simulations informatiques

3. Les langages de programmation pour développer un simulateur

Choisir un langage pour un simulateur, ce n'est pas une question de préférence - c'est une décision d'architecture. Voici comment raisonner.

C++ : le socle des simulateurs industriels

C++ est le langage de référence dès que la performance, le déterminisme temporel ou la complexité du modèle entrent en jeu. Il offre un contrôle fin de la mémoire, une gestion explicite des ressources et des performances proches du C, tout en permettant une architecture orientée objet robuste. C'est le choix naturel pour la simulation temps réel, les simulateurs embarqués, la robotique, l'automobile et l'aéronautique.

Quand choisir C++ : simulation temps réel, HIL/SIL, simulateurs industriels complexes, moteurs de simulation physique, calcul haute performance avec contrôle mémoire. Frameworks associés : Qt (interfaces et architecture), Boost, Eigen (algèbre linéaire), ROS 2.

C : systèmes embarqués et simulation bas niveau

Le C reste incontournable pour les simulateurs de systèmes embarqués où les ressources sont contraintes et où l'on cible des microcontrôleurs ou des RTOS. Il est aussi utilisé dans les couches basses des grands codes de simulation (solveurs, interfaces matérielles).

Quand choisir C : simulation de firmware, émulation de microcontrôleurs, couches bas niveau de simulateurs HIL.

Python : prototypage, IA et simulation scientifique

Python s'est imposé comme le langage du prototypage rapide et de la simulation numérique. Son écosystème (NumPy, SciPy, SimPy, Mesa) couvre la simulation à événements discrets, Monte Carlo, multi-agents et scientifique. Il est rarement utilisé seul pour des simulateurs temps réel, mais il orchestre souvent des solveurs C++ via des bindings (pybind11, ctypes).

Quand choisir Python : prototypage de modèles, simulation numérique, Monte Carlo, multi-agents, post-traitement de résultats, scripting de simulateurs C++.

MATLAB / Simulink : modélisation et contrôle-commande

MATLAB et Simulink dominent dans les domaines où l'ingénierie des systèmes dynamiques prime : automobile, aéronautique, contrôle-commande. Simulink permet de construire des modèles graphiquement et de générer du code C/C++ embarqué (Embedded Coder). C'est l'environnement de référence pour le développement Model-Based (MBD).

Quand choisir MATLAB/Simulink : systèmes de contrôle, modélisation multi-domaines, génération de code embarqué, SIL/HIL.

Java : simulation distribuée et systèmes complexes

Java est utilisé dans des plateformes de simulation distribuée (HLA/RTI) et des outils comme AnyLogic. Sa portabilité et sa robustesse pour les applications longue durée en font un choix viable pour les simulations de systèmes complexes à grande échelle.

Quand choisir Java : simulation distribuée, simulation d'entreprise, outils de simulation avec interface graphique riche.

C# : visualisation 3D et Unity

C# est le langage natif d'Unity, moteur 3D largement utilisé pour les simulateurs de formation, les simulateurs de conduite et les applications de réalité virtuelle industrielle. Il est aussi présent dans les applications Windows industrielles.

Quand choisir C# : simulateurs avec rendu 3D temps réel, formation, réalité virtuelle, applications industrielles Windows.

Fortran : calcul scientifique haute performance

Fortran est loin d'être mort. Les grands codes de simulation numérique (météo, nucléaire, CFD, physique des particules) reposent encore massivement sur des bases Fortran optimisées depuis des décennies. Fortran 2018 est un langage moderne avec support natif du parallélisme.

Quand choisir Fortran : codes de simulation scientifique hérités, HPC, météorologie, nucléaire, physique computationnelle.

Julia : montée en puissance pour la simulation numérique

Julia combine la productivité de Python et les performances de C++ grâce à la compilation JIT. Il gagne du terrain dans la simulation numérique, la physique computationnelle et la modélisation différentielle (DifferentialEquations.jl).

Quand choisir Julia : simulation numérique intensive, calcul scientifique, prototypage haute performance, remplacement de MATLAB pour le calcul.

Rust : performance et sécurité mémoire

Rust offre des performances comparables à C++ avec des garanties de sécurité mémoire à la compilation, sans garbage collector. Il commence à apparaître dans des simulateurs modernes où la fiabilité est critique et où C++ montre ses limites en termes de sécurité.

Quand choisir Rust : nouveaux simulateurs critiques, systèmes embarqués modernes, remplacement progressif de C++ dans des contextes de sécurité.

CUDA / C++ : simulation accélérée par GPU

CUDA permet d'exécuter des milliers de threads en parallèle sur GPU NVIDIA. Combiné à C++, il est utilisé pour les simulations massivement parallèles : Monte Carlo financier, simulation de particules, rendu physique, apprentissage par renforcement en simulation.

Quand choisir CUDA/C++ : simulation Monte Carlo à grande échelle, simulation de particules, entraînement de modèles IA en simulation, rendu temps réel.

JavaScript / TypeScript : simulation web et visualisation

JavaScript et TypeScript permettent de créer des simulateurs interactifs dans le navigateur, des outils de visualisation de données de simulation et des interfaces de contrôle. Three.js, D3.js et WebGL sont les briques habituelles.

Quand choisir JS/TS : simulateurs pédagogiques web, dashboards de visualisation, interfaces de contrôle de simulateurs, démonstrations interactives.

4. Technologies et frameworks pour le développement de simulateurs

Rendu et visualisation

• OpenGL : API graphique standard pour le rendu 2D/3D, utilisée dans les simulateurs industriels et scientifiques nécessitant un rendu performant sans moteur 3D complet.
• Vulkan : successeur d'OpenGL, plus bas niveau, offrant un contrôle fin du GPU. Utilisé dans les simulateurs haute performance où la latence de rendu est critique.
• DirectX : API Microsoft pour Windows, utilisée dans les simulateurs de formation et les applications industrielles Windows.
• Qt / Qt3D : framework C++ incontournable pour les interfaces de simulateurs industriels. Qt3D permet d'intégrer une visualisation 3D directement dans une application Qt, sans moteur de jeu. Qt est massivement utilisé dans les simulateurs embarqués, automobiles et aéronautiques.

Moteurs 3D et simulation visuelle

• Unity : moteur 3D en C# très utilisé pour les simulateurs de formation, les environnements de réalité virtuelle industrielle et les simulateurs de conduite. Son écosystème d'assets et sa facilité de déploiement multi-plateforme en font un choix courant hors simulation temps réel strict.
• Unreal Engine : moteur C++ avec un rendu photoréaliste. Utilisé pour des simulateurs de conduite autonome (CARLA est basé sur Unreal), des simulateurs militaires et des environnements de formation haute fidélité visuelle.

Simulation robotique

• ROS 2 (Robot Operating System) : middleware standard de facto pour la robotique. Fournit les outils de communication inter-processus, de gestion des capteurs et d'intégration avec les simulateurs. Indispensable pour tout développement robotique sérieux.
• Gazebo : simulateur robotique open source, intégré nativement avec ROS 2. Simule la physique, les capteurs (LiDAR, caméra, IMU) et les actionneurs dans un environnement 3D.
• NVIDIA Isaac Sim : simulateur robotique basé sur NVIDIA Omniverse, avec rendu photoréaliste et simulation physique GPU-accélérée. Particulièrement adapté à l'entraînement de modèles IA (sim-to-real).

Simulation système et contrôle

• MATLAB / Simulink : environnement de référence pour la modélisation de systèmes dynamiques, le contrôle-commande et la génération de code embarqué. Utilisé de l'automobile à l'aéronautique en passant par l'énergie.
• Modelica / OpenModelica : langage de modélisation orienté équations pour les systèmes multi-physiques. OpenModelica est l'implémentation open source de référence. Utilisé pour modéliser des systèmes complexes (véhicules, bâtiments, réseaux énergétiques) de façon déclarative.

Simulation physique et ingénierie

• ANSYS : suite commerciale couvrant la mécanique des structures (Mechanical), la fluidique (Fluent), l'électromagnétisme (HFSS) et le thermique. Standard industriel dans l'aéronautique, l'automobile et l'énergie.
• COMSOL Multiphysics : outil de simulation multi-physiques par éléments finis, couvrant la thermique, l'électromagnétisme, la mécanique des fluides et les couplages entre physiques. Très utilisé en R&D académique et industrielle.
• OpenFOAM : solveur CFD open source, massivement utilisé dans l'industrie et la recherche pour la simulation d'écoulements fluides complexes. Écrit en C++, extensible et gratuit.

Calcul haute performance

• CUDA : plateforme de calcul parallèle sur GPU NVIDIA. Permet d'accélérer massivement les simulations numériques intensives.
• MPI (Message Passing Interface) : standard pour la communication entre processus dans les simulations distribuées sur clusters HPC.
• OpenMP : API pour le parallélisme à mémoire partagée sur CPU multi-cœurs. Souvent combiné à MPI pour des simulations hybrides.

IA dans la simulation

• TensorFlow / PyTorch : frameworks d'apprentissage profond utilisés pour entraîner des modèles de substitution (surrogate models) qui remplacent des simulations coûteuses, ou pour l'apprentissage par renforcement en simulation (robotique, conduite autonome).

5. Simulation 2D, 3D, temps réel et haute performance

Simulation 2D

Moins gourmande en ressources, la simulation 2D est utilisée pour les systèmes plans (circuits électroniques, réseaux, flux logistiques simples) ou comme étape de prototypage avant la 3D. Les outils de simulation de réseaux (NS-3), de trafic (SUMO) ou de circuits (SPICE) opèrent principalement en 2D.

Simulation 3D

La simulation 3D modélise les systèmes dans l'espace tridimensionnel. Elle est indispensable pour la mécanique des structures, la CFD, la robotique, la conduite autonome et les simulateurs de formation. Elle exige des ressources de calcul et de rendu significativement plus importantes.

Exemple : simulation 3D d'un bras robotique dans NVIDIA Isaac Sim pour valider sa trajectoire avant déploiement.

Simulation temps réel

La simulation temps réel impose une contrainte temporelle stricte : le simulateur doit produire ses résultats dans un délai déterministe, synchronisé avec le temps physique. Cela nécessite des RTOS (VxWorks, QNX), des langages déterministes (C, C++) et souvent du matériel dédié (dSPACE, NI).

Exemple : simulateur HIL pour tester un calculateur de direction assistée électrique à 1 kHz.

Simulation haute performance (HPC)

Le HPC (High Performance Computing) mobilise des clusters de calcul (des centaines à des milliers de cœurs) pour des simulations qui dépassent les capacités d'un seul serveur. La simulation météorologique, nucléaire, CFD à grande échelle et la simulation de particules relèvent du HPC.

Exemple : simulation CFD d'un avion complet sur un cluster de 1 000 cœurs avec OpenFOAM et MPI.

Simulation distribuée

La simulation distribuée répartit le calcul sur plusieurs machines communicantes, souvent via des standards comme HLA (High Level Architecture) pour les simulations militaires ou de grands systèmes. Elle permet de combiner des simulateurs hétérogènes dans un environnement cohérent.

6. Le Digital Twin : bien plus qu'un simulateur

Définition précise

Un jumeau numérique (Digital Twin) est une représentation numérique dynamique d'un objet, système ou processus physique, continuellement mise à jour par des données issues de capteurs temps réel, et capable de prédire, d'optimiser et d'informer des décisions sur son homologue physique.

La définition IEEE (standard IEEE 3835-2025) positionne le Digital Twin comme "un ensemble de constructs d'information virtuels qui reproduit la structure, le contexte et le comportement d'un système naturel, conçu ou social", avec une mise à jour dynamique et une capacité prédictive.

Fonctionnement

Un Digital Twin repose sur quatre composants essentiels :

• Le jumeau physique : l'objet réel équipé de capteurs (température, vibration, pression, position…).
• Le flux de données : collecte temps réel via IoT, protocoles industriels (OPC-UA, MQTT) ou APIs.
• Le modèle numérique : simulation physique, modèle de comportement, modèle IA ou combinaison des trois.
• La couche analytique et décisionnelle : algorithmes de détection d'anomalies, de maintenance prédictive, d'optimisation.

Architecture typique d'un Digital Twin

Différence fondamentale avec un simulateur classique

Exemples industriels concrets

• Usine de fabrication : jumeau numérique d'une ligne d'assemblage (Siemens, avec Siemens Xcelerator) permettant de détecter les dérives de qualité en temps réel et d'optimiser les paramètres de production.
• Turbine à gaz : GE Digital utilise des jumeaux numériques de ses turbines pour anticiper les maintenances et optimiser les rendements.
• Réseau électrique : simulation continue d'un réseau de distribution pour détecter les surcharges et planifier les interventions.
• Véhicule connecté : jumeau numérique d'un véhicule en flotte pour le suivi de l'usure des composants et la maintenance prédictive.

Rôle de l'IA dans les Digital Twins

L'IA joue un rôle croissant dans les Digital Twins modernes : les modèles de substitution (surrogate models) remplacent des simulations physiques coûteuses par des réseaux de neurones entraînés sur des données de simulation. Les algorithmes de détection d'anomalies (autoencodeurs, isolation forests) identifient les comportements anormaux. L'apprentissage par renforcement optimise les paramètres opératoires en continu.

7. La simulation dans l'industrie : cas d'usage concrets

Maintenance prédictive

La simulation, couplée aux données capteurs, permet de modéliser la dégradation des équipements et d'anticiper les pannes avant qu'elles surviennent. Un modèle de fatigue simulé, calibré sur les données de vibration d'un roulement, peut prédire sa durée de vie résiduelle avec une précision opérationnelle.

Conception et validation produit

Les simulations FEA, CFD et thermiques permettent de valider un design avant tout prototype physique. Dans l'automobile, un constructeur peut simuler des centaines de variantes de géométrie de carrosserie pour optimiser l'aérodynamique sans soufflerie.

Tests virtuels

• Crash test virtuel : simulation FEA de l'impact d'un véhicule à 56 km/h, réduisant le nombre de crash tests physiques nécessaires pour la certification.
• Test de fatigue : simulation de millions de cycles de charge sur une pièce mécanique pour prédire sa durée de vie.
• Test thermique : simulation de la montée en température d'un système électronique en conditions extrêmes.

Optimisation des processus de fabrication

La simulation industrielle (Siemens Plant Simulation, FlexSim) permet de modéliser une ligne de production entière, d'identifier les goulots d'étranglement et de tester des réorganisations sans arrêter la production.

Formation des opérateurs

Les simulateurs de formation sont utilisés dans des secteurs où l'erreur humaine a des conséquences graves : pilotage aérien, conduite de centrale nucléaire, chirurgie, conduite de véhicules lourds. Ils permettent de former dans des conditions réalistes, y compris des scénarios d'urgence impossibles à reproduire en réel.

Sécurité et gestion des risques

La simulation de scénarios accidentels (incendie, explosion, rupture de canalisation) permet d'évaluer les risques et de dimensionner les dispositifs de sécurité. Dans le nucléaire, les simulateurs de sûreté sont des outils réglementaires.

Réduction des coûts et délais de mise sur le marché

En réduisant le nombre de prototypes physiques et en détectant les défauts de conception tôt, la simulation raccourcit les cycles de développement et diminue les coûts d'ingénierie.

8. Quels profils informatiques développent des simulateurs ?

Ingénieur C++ / Qt

Compétences clés : C++ moderne (C++17/20), Qt5/Qt6, architecture logicielle, temps réel, multi-threading. Domaines : simulation industrielle, automobile, aéronautique, défense, systèmes embarqués.

C'est le profil le plus recherché dans le développement de simulateurs industriels. La maîtrise de Qt (pour les interfaces et l'architecture) combinée à un C++ solide est une combinaison rare et très valorisée.

Ingénieur logiciel simulation

Compétences clés : architecture de simulateurs, intégration de modèles physiques, C++, Python, interfaces de simulation. Domaines : simulation système, simulation industrielle, Digital Twin.

Ingénieur systèmes

Compétences clés : MBSE (Model-Based Systems Engineering), SysML, MATLAB/Simulink, architecture système, interfaces entre sous-systèmes. Domaines : aéronautique, automobile, défense, énergie.

Ingénieur systèmes embarqués

Compétences clés : C, C++, RTOS (FreeRTOS, VxWorks, QNX), SIL/HIL, protocoles embarqués (CAN, LIN, Ethernet embarqué). Domaines : automobile, aéronautique, médical, défense.

Ingénieur calcul scientifique / HPC

Compétences clés : C++, Fortran, MPI, OpenMP, CUDA, optimisation numérique, algèbre linéaire. Domaines : CFD, météo, nucléaire, physique des particules, finance quantitative.

Ingénieur 3D / visualisation

Compétences clés : C++, OpenGL/Vulkan, Unity/Unreal Engine, Qt3D, shaders, rendu temps réel. Domaines : simulateurs de formation, réalité virtuelle industrielle, visualisation scientifique.

Ingénieur robotique

Compétences clés : C++, Python, ROS 2, Gazebo, NVIDIA Isaac Sim, cinématique, planification de trajectoires. Domaines : robotique industrielle, robotique mobile, drones, cobots.

Ingénieur IA appliquée à la simulation

Compétences clés : Python, PyTorch/TensorFlow, apprentissage par renforcement, surrogate models, sim-to-real. Domaines : robotique, conduite autonome, Digital Twin, optimisation de procédés.

Développeur Python scientifique

Compétences clés : Python, NumPy, SciPy, SimPy, Pandas, visualisation (Matplotlib, Plotly), Jupyter. Domaines : simulation numérique, Monte Carlo, simulation à événements discrets, post-traitement.

Software Architect simulation

Compétences clés : architecture logicielle (patterns, SOLID, DDD), C++, intégration de simulateurs hétérogènes, HLA/RTI, performance. Domaines : grands systèmes de simulation, simulation distribuée, plateformes de simulation.

9. Comment choisir les technologies pour développer un simulateur ?

Les erreurs fréquentes dans le choix technologique

• 1. Choisir Python pour un simulateur temps réel. Python est excellent pour le prototypage, mais son GIL et son interprétation le rendent inadapté aux contraintes de déterminisme temporel strict. Le résultat : des performances insuffisantes découvertes tard dans le projet.
• 2. Sous-estimer la complexité de l'intégration matérielle. Un simulateur HIL n'est pas qu'un modèle logiciel - il implique des interfaces matérielles (bus CAN, FPGA, I/O temps réel) qui contraignent fortement le choix des outils et du matériel cible.
• 3. Ignorer la maintenabilité au profit des performances brutes. Un simulateur en C pur ultra-optimisé qui ne peut être maintenu que par son auteur original est un risque projet majeur. L'architecture et la lisibilité du code comptent autant que les performances.
• 4. Adopter un moteur de jeu pour de la simulation industrielle critique. Unity et Unreal Engine sont excellents pour la visualisation et la formation, mais leur cycle de mise à jour, leur modèle de licence et leur déterminisme physique ne sont pas adaptés aux simulations certifiables (aéronautique, nucléaire, médical).

10. Tendance et avenir de la simulation informatique

IA générative et simulation

Les modèles génératifs (LLM, modèles de diffusion) commencent à être utilisés pour générer automatiquement des scénarios de simulation - cas de test pour la conduite autonome, scénarios d'entraînement pour des systèmes de défense, variations de paramètres pour des études de robustesse. Les surrogate models (réseaux de neurones entraînés à imiter un simulateur coûteux) réduisent drastiquement les temps de calcul pour l'optimisation.

Digital Twins de nouvelle génération

Les Digital Twins évoluent vers des architectures plus autonomes, capables de s'auto-calibrer, de détecter leurs propres dérives de modèle et de proposer des actions correctives sans intervention humaine. L'intégration de l'IA générative dans les Digital Twins ouvre la voie à des jumeaux capables de répondre en langage naturel à des questions sur l'état du système physique.

Simulation accélérée par GPU

NVIDIA Omniverse s'impose comme une plateforme de référence pour la simulation physique GPU-accélérée et les Digital Twins industriels. La simulation de fluides, de corps rigides et de déformables en temps réel sur GPU ouvre des possibilités inaccessibles il y a cinq ans.

Simulation cloud et HPC-as-a-service

Les grands fournisseurs cloud (AWS, Azure, GCP) proposent des services HPC à la demande, permettant d'exécuter des simulations massives sans infrastructure propre. AWS SimSpace Weaver, Azure HPC ou les offres de simulation cloud d'ANSYS réduisent la barrière d'accès au calcul haute performance.

Sim-to-real en robotique

L'entraînement de robots dans des simulateurs (Isaac Sim, MuJoCo) avant déploiement physique - le sim-to-real - est devenu une approche standard. Les progrès dans la fidélité physique des simulateurs (rendu photoréaliste, simulation de contact précise) réduisent le "reality gap" qui limitait cette approche.

Réalité virtuelle et augmentée dans la simulation

La VR et l'AR s'intègrent de plus en plus dans les simulateurs de formation et d'ingénierie. Un opérateur peut interagir avec un jumeau numérique en réalité augmentée, superposant les données de simulation sur l'équipement réel.

Edge Computing et simulation embarquée

La miniaturisation des puces de calcul (NVIDIA Jetson, Apple Silicon) permet d'embarquer des simulations directement sur les équipements, sans dépendance au cloud. Un robot peut exécuter une simulation de planification de trajectoire localement, en temps réel.

Intégration IoT + simulation temps réel

La convergence entre IoT industriel et simulation temps réel produit des Digital Twins capables de réagir en millisecondes aux événements physiques - détection d'anomalie, reconfiguration automatique, alerte préventive. Les protocoles OPC-UA et MQTT jouent un rôle central dans cette intégration.

FAQ - Simulation informatique

Faire appel à une ESN spécialisée pour vos projets de simulation

Développer ou faire évoluer un logiciel de simulation est un défi technique qui dépasse souvent les ressources internes des équipes R&D. Identifier des ingénieurs maîtrisant à la fois les exigences de performance (C++, temps réel, HPC), les frameworks spécialisés (Qt, ROS 2, Simulink, CUDA) et les contraintes métier (certification, sûreté, précision numérique) prend du temps - et ces profils sont en tension sur le marché.

Une ESN spécialisée dans le recrutement tech peut vous aider à identifier rapidement les bons profils : ingénieurs C++/Qt pour vos simulateurs industriels, développeurs Python scientifiques pour vos modèles numériques, ingénieurs systèmes embarqués pour vos projets SIL/HIL, ou ingénieurs robotique pour vos applications ROS 2. L'enjeu n'est pas seulement de trouver un développeur - c'est de trouver quelqu'un qui comprend les contraintes spécifiques de votre domaine de simulation.

Sources utiles

• ROS 2 - Documentation officielle
• NVIDIA Isaac Sim - Documentation officielle
• NVIDIA Omniverse - Documentation officielle
• Gazebo - Documentation officielle
• OpenFOAM - Site officiel (OpenFOAM Foundation)
• ANSYS - Portail de documentation
• COMSOL Multiphysics - Documentation officielle
• OpenModelica - Site officiel
• MATLAB / Simulink - Documentation MathWorks
• IEEE - Digital Twin (Technav)
• NIST - Digital Twins: Definitions and State of the Art