Статья посвящена анализу алгоритмов редукции сложности математических моделей, применяемых для обеспечения работы цифровых двойников в режиме мягкого реального времени. Показано, что традиционные высокоразмерные FEM/CFD-модели, ориентированные на офлайн-расчёты, не удовлетворяют требованиям по латентности и устойчивости при непрерывной обработке потоков телеметрии. На основе обзора современных публикаций систематизированы архитектурные решения построения цифровых двойников, выделены ключевые классы методов MOR и ROM, включая проекционные, POD-подходы и data-driven/гибридные схемы с использованием нейросетевых аппроксиматоров. Приведены иллюстративные примеры из энергетики и ветроэнергетики, демонстрирующие многократное сокращение вычислительных затрат и измеримый эксплуатационный эффект (рост КПД, уменьшение времени пуска, повышение устойчивости режимов). Отдельное внимание уделено ограничениям и рискам: потере точности за пределами области обучающих данных, потенциальной утрате устойчивости и необходимости постоянной валидации ROM. Сформулированы перспективы развития, связанные с гибридными моделями, нейросетевыми редукторами и онлайновой адаптацией параметров цифрового двойника.

The article is devoted to the analysis of algorithms for reducing the complexity of mathematical models used to ensure the operation of digital twins in soft real time. It is shown that traditional high-dimensional FEM/CFD models focused on offline calculations do not meet the requirements for latency and stability during continuous processing of telemetry streams. Based on a review of modern publications, architectural solutions for building digital twins are systematized, and key classes of MOR and ROM methods are identified, including projection, POD approaches, and data-driven/hybrid schemes using neural network approximators. Illustrative examples from the energy and wind power industries are presented, demonstrating a multiple reduction in computing costs and a measurable operational effect (increased efficiency, reduced start-up time, increased stability of modes). Special attention is paid to the limitations and risks: loss of accuracy beyond the training data domain, potential loss of stability, and the need for constant ROM validation. Development prospects related to hybrid models, neural network reducers, and online adaptation of digital twin parameters are formulated.