A jet engine manufacturer tracks every turbine blade from forging to flight to failure — not on the physical production floor, but in a virtual replica that mirrors the blade's stress history, thermal profile, and remaining useful life in real time. When the blade approaches end-of-service, the digital twin calculates whether remanufacturing, material recovery, or cascading reuse yields the highest value with the lowest environmental cost. The blade never becomes waste. It becomes feedstock.

This is the promise of digital twins in a circular economy. The reality, for most manufacturers, is considerably less elegant.

The Research Landscape

Digital twin technology — the creation of dynamic virtual replicas of physical systems — has matured rapidly in sectors like aerospace, automotive, and energy. Simultaneously, the circular economy (CE) has moved from academic concept to policy mandate across the European Union, parts of East Asia, and an increasing number of corporate sustainability strategies. The convergence of these two fields appears natural: if circular manufacturing requires knowing what materials are in a product, where they came from, how they have been used, and what can be done with them next, then digital twins seem purpose-built for the task.

Yet the integration has been slower and more fragmented than the hype suggests. Most digital twin implementations remain focused on operational efficiency — predictive maintenance, process optimization, quality control — rather than circular material flows. Most circular economy frameworks, meanwhile, lack the data infrastructure that digital twins require.

A 2025 paper in Sustainability (MDPI) addresses this gap directly. The authors propose a structured guidance framework for integrating digital twins into circular economy frameworks, introducing two key constructs: the Sustainable Digital Twin Maturity Pathway (SDT-MP) and the DT Nexus model.

Critical Analysis

The contribution is architecturally ambitious. Rather than describing a single application, the authors propose a pathway — a staged progression through which organizations can develop their digital twin capabilities toward circular economy objectives.

The SDT-MP concept addresses a genuine need. Organizations attempting to deploy digital twins for circularity face a maturity problem: they cannot leap from basic sensor monitoring to full closed-loop resource optimization in a single step. A staged pathway that identifies capability levels, prerequisite technologies, and intermediate milestones could reduce the implementation failure rate — which, in digital twin projects broadly, remains substantial.

The DT Nexus model is the technical complement: it specifies how AI, Internet of Things (IoT) sensors, and edge/cloud computing infrastructure must be integrated to support the pathway's higher maturity stages. This architectural specificity is welcome. Too many digital twin frameworks describe what the system should do without specifying the computational infrastructure required to do it.

Several critical considerations deserve attention, however.

First, the gap between maturity models and industrial adoption is well-documented. Manufacturing firms — particularly small and medium enterprises — often lack the sensor infrastructure, data governance practices, and computational resources that even the lowest maturity stages assume. A pathway is only useful if organizations can reach the trailhead.

Second, closed-loop resource optimization is constrained not only by technology but by market structures, supply chain relationships, and regulatory frameworks. A digital twin may identify the optimal circular pathway for a component, but if no reverse logistics network exists to recover it, or if secondary material markets are insufficiently developed, the optimization remains theoretical.

Third, the integration of AI into the DT Nexus raises questions about model reliability and decision transparency. If an AI-augmented digital twin recommends remanufacturing over recycling for a batch of components, the basis for that recommendation must be auditable — particularly in regulated industries. The framework's treatment of algorithmic accountability in circular decision-making warrants examination.

Open Questions

Closing

The promise of digital twins in circular manufacturing is genuine: if you can model the full lifecycle of every material in a product, you can optimize for circularity in ways that were previously impossible. The SDT-MP and DT Nexus model represent a serious attempt to structure that integration — to move from isolated pilot projects to systematic capability building.

But the distance between a maturity pathway on paper and a closed loop in a factory remains considerable. The framework provides the map. The terrain — fragmented supply chains, legacy infrastructure, regulatory uncertainty, and the stubborn physics of material degradation — will determine whether anyone can follow it.

면책 조항: 이 게시물은 AI 지원을 통해 작성된 연구 동향 개요이다. 원문 논문을 읽는 것을 대체하지 않는다. 해석은 블로그 저자의 것이며 인용된 연구자들의 견해를 반영하지 않을 수 있다.

디지털 트윈이 루프를 완성하다: 순환 제조를 위한 성숙도 경로

한 항공기 엔진 제조업체는 모든 터빈 블레이드를 단조에서 비행, 그리고 수명 종료에 이르기까지 추적한다 — 물리적 생산 현장이 아니라, 블레이드의 응력 이력, 열 프로파일, 잔여 유효 수명을 실시간으로 반영하는 가상 복제본에서. 블레이드가 서비스 종료에 가까워지면, 디지털 트윈은 재제조, 소재 회수, 또는 단계적 재사용 중 어느 것이 가장 낮은 환경 비용으로 최고의 가치를 산출하는지 계산한다. 블레이드는 결코 폐기물이 되지 않는다. 그것은 원료가 된다.

이것이 순환 경제에서 디지털 트윈이 제시하는 약속이다. 대부분의 제조업체에게 현실은 이보다 훨씬 덜 우아하다.

연구 동향

디지털 트윈 기술 — 물리적 시스템의 동적 가상 복제본 생성 — 은 항공우주, 자동차, 에너지 분야에서 빠르게 성숙해왔다. 동시에, 순환 경제(CE)는 유럽연합, 동아시아 일부, 그리고 점점 더 많은 기업 지속가능성 전략에 걸쳐 학술적 개념에서 정책적 의무로 전환되었다. 이 두 분야의 융합은 자연스러워 보인다: 순환 제조가 제품에 어떤 소재가 포함되어 있는지, 그것이 어디서 왔는지, 어떻게 사용되어 왔는지, 그리고 다음에 무엇을 할 수 있는지를 알아야 한다면, 디지털 트윈은 그 목적에 맞게 설계된 것처럼 보인다.

그러나 이 통합은 과장된 기대가 시사하는 것보다 더디고 단편적으로 진행되어 왔다. 대부분의 디지털 트윈 구현은 순환 물질 흐름보다는 운영 효율성 — 예측 유지보수, 공정 최적화, 품질 관리 — 에 집중되어 있다. 한편, 대부분의 순환 경제 프레임워크는 디지털 트윈이 요구하는 데이터 인프라를 갖추지 못하고 있다.

Sustainability (MDPI)에 게재된 2025년 논문은 이 격차를 직접적으로 다룬다. 저자들은 디지털 트윈을 순환 경제 프레임워크에 통합하기 위한 구조화된 지침 프레임워크를 제안하며, 두 가지 핵심 구성 개념을 도입한다: 지속가능 디지털 트윈 성숙도 경로(SDT-MP)와 DT Nexus 모델이다.

비판적 분석

이 연구의 기여는 구조적으로 야심차다. 단일 응용 사례를 기술하는 대신, 저자들은 경로를 제안한다 — 조직이 순환 경제 목표를 향해 디지털 트윈 역량을 발전시켜 나갈 수 있는 단계적 진행 과정이다.

SDT-MP 개념은 실질적인 필요를 해소한다. 순환성을 위한 디지털 트윈을 배포하려는 조직들은 성숙도 문제에 직면한다: 기본적인 센서 모니터링에서 완전한 폐루프 자원 최적화로 단번에 도약할 수 없다. 역량 수준, 필수 기술, 중간 단계 이정표를 식별하는 단계적 경로는 구현 실패율을 낮출 수 있다 — 디지털 트윈 프로젝트 전반에서 이 실패율은 여전히 상당히 높다. DT Nexus 모델은 기술적 보완 요소로서, AI, 사물인터넷(IoT) 센서, 그리고 엣지/클라우드 컴퓨팅 인프라가 경로상의 높은 성숙도 단계를 지원하기 위해 어떻게 통합되어야 하는지를 명시한다. 이러한 아키텍처적 구체성은 환영할 만하다. 디지털 트윈 프레임워크 중 상당수는 시스템이 무엇을 해야 하는지는 설명하면서도, 이를 실행하는 데 필요한 컴퓨팅 인프라는 명시하지 않는 경우가 많다.

그러나 몇 가지 중요한 고려사항이 주목을 요한다.

첫째, 성숙도 모델과 산업 현장 도입 사이의 간극은 이미 잘 알려진 문제이다. 제조 기업들, 특히 중소기업들은 가장 낮은 성숙도 단계조차 전제로 삼는 센서 인프라, 데이터 거버넌스 체계, 그리고 컴퓨팅 자원을 갖추지 못한 경우가 많다. 경로란 조직이 그 출발점에 도달할 수 있을 때에만 의미를 가진다.

둘째, 폐쇄 루프 자원 최적화는 기술뿐만 아니라 시장 구조, 공급망 관계, 규제 프레임워크에 의해서도 제약된다. 디지털 트윈이 특정 부품에 대한 최적의 순환 경로를 식별하더라도, 이를 회수할 역물류 네트워크가 존재하지 않거나 이차 소재 시장이 충분히 발달하지 않았다면, 그 최적화는 이론적 수준에 머물고 만다.

셋째, DT Nexus에 AI를 통합하는 것은 모델 신뢰성과 의사결정 투명성에 관한 문제를 제기한다. AI가 보강된 디지털 트윈이 특정 부품 배치에 대해 재활용보다 재제조를 권고할 경우, 특히 규제 산업에서는 그 권고의 근거가 감사 가능해야 한다. 순환 의사결정에서의 알고리즘 책임성에 대한 프레임워크의 처리 방식은 면밀한 검토가 필요하다.

미해결 질문들

결론

순환 제조에서 디지털 트윈의 잠재력은 실재한다. 제품에 포함된 모든 소재의 전체 수명 주기를 모델링할 수 있다면, 이전에는 불가능했던 방식으로 순환성을 최적화할 수 있다. SDT-MP와 DT Nexus 모델은 그러한 통합을 체계화하려는, 즉 고립된 파일럿 프로젝트에서 체계적인 역량 구축으로 나아가려는 진지한 시도를 대표한다.

그러나 종이 위의 성숙도 경로와 공장 안의 폐쇄 루프 사이의 거리는 여전히 상당하다. 프레임워크는 지도를 제공한다. 지형, 즉 파편화된 공급망, 노후 인프라, 규제의 불확실성, 그리고 소재 열화의 완고한 물리적 현실이 과연 누군가가 그 경로를 따를 수 있는지를 결정할 것이다.