RapidThermoPhysioTwin benadert comfort vanuit verschillende invalshoeken en streeft ernaar meerdere instrumenten te ontwikkelen en te integreren om comfort te simuleren en te voorspellen, waarbij rekening wordt gehouden met variaties in textielmaterialen, lichaamsvormen, kledinglagen en pasvorm, omgevingsomstandigheden en activiteitsscenario’s. Om dit ambitieuze doel te bereiken, zullen diverse instrumentele en modelleringstechnieken worden gecombineerd. Dit omvat geavanceerde thermofysiologische en comfortmodellen, 3D- en 4D-lichaamsscantechnieken, simulaties met eindige-elementenmodellen (FEM) en deep learning-modellen (DL) voor het voorspellen van kledingcomfort, op basis van materiaal- en sensorgegevens die zijn verzameld tijdens gecontroleerde draagtests.

Rapid ThermoPhysioTwin approaches comfort from different aspects and aims to develop and integrate multiple tools to simulate and predict comfort, while considering variations in textile materials, body geometries, garment layers and fit, environmental conditions, and activity scenarios. To reach this ambitious goal, various instrumental and modelling techniques will be combined. This includes state-of-the-art thermophysiological and comfort models, 3D and 4D body scanning techniques, Finite Element Models (FEM) - simulations and Deep Learning (DL) models for garment comfort prediction, based on material and sensors data collected in controlled wear trials.