CN109872509A - 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 - Google Patents
基于数字孪生驱动的山体地质灾害监测与预警系统及方法 Download PDFInfo
- Publication number
- CN109872509A CN109872509A CN201910260974.6A CN201910260974A CN109872509A CN 109872509 A CN109872509 A CN 109872509A CN 201910260974 A CN201910260974 A CN 201910260974A CN 109872509 A CN109872509 A CN 109872509A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- geological
- disaster
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Alarm Devices (AREA)
Abstract
一种基于数字孪生驱动的山体地质灾害监测与预警系统,包括有设在物理层的数据采集传感器,设在信息层的DT监测模块、DT预测模块、DT预警模块,可视化层的客户端;监测与预警方法的步骤为:步骤1,对地质环境进行调查,获得监测方案,对该地区进行着重监测;步骤2,根据步骤1的监测方案获得实时数据;历史地质灾害数据共同存储到地质灾害数字孪生数据库,在DT预测模块进行分析;步骤3,DT预测模块结合历史地质灾害数据应用BP神经网络分析得出地质灾害预测模型;步骤4,将步骤2获得的监测数据存储在地质灾害孪生数据库,预测结果,将预测结果发送至客户端可视化;具有保障居民,游客等的人身安全,降低经济损失的特点。
Description
技术领域
本发明属于山体地质灾害监测预警技术领域,具体涉及基于数字孪生驱动的山体地质灾害监测与预警系统及方法。具体是通过虚实结合的方法实现实时、在线监测地质环境,智能预测出被监测环境的危险因子,并及时预报。
背景技术
现阶段,数字孪生广泛应用于智能制造业,随着许多著名企业以及国家政策的发展数字孪生随之应用于智慧城市,畜牧场设计等。地质灾害的监测最先开始的是利用遥感技术进行监测的,紧接着随着GPS技术和GIS技术的发展,国际上以开始以3S技术进行地质灾害的监测。利用3S技术对地质灾害的监测方法,不能实时监测出地质环境变化和最新动态。对于地质灾害的预测的方法主要包括传统方法,统计学方法,和人工智能方法等。传统的预测方法并不能准确的预测地质灾害,具有很大客观因素;统计学的预测方法虽然可以去除客观因素,但是需要进行大量的统计学计算,常常会因为计算结果的不准确性影响预测结果的真实性;人工智能方法可快速的通过地质灾害模块进行快速、准确的预测。在地质灾害预警方面,现阶段的预测信息需要长期检测并维修,实时性和精细化程度不够高。
发明内容
为克服上述现有技术的不足,本发明的目的在于提供基于数字孪生驱动的山体地质灾害监测与预警系统及方法,实现在线实时监测地质环境的实际情况,科学快速的预测出被监测环境的危险因子,并及时预报至居民,可在线指导游客、居民、车辆进行快速有效的撤离,具有保障居民,游客等的人身安全,降低经济损失的特点。
为实现上述目的,本发明采用的技术方案是:基于数字孪生驱动的山体地质灾害监测与预警系统,包括有设在物理层1的数据采集传感器,设在信息层2的DT监测模块、DT预测模块、DT预警模块,可视化层3的客户端;
所述的数据采集传感器包括物联网传感器和全自动监测器,具体包括收集地质环境的传感器,检测地质内部岩性变化的传感器,和监测地质外部的气象,人类活动影响的传感器和全自动监测器,上述传感器安装在物理层中用于收集数据,物理层指物理空间所存在的实际对象包括山体,树木,人和安装的传感器,收集的数据传输至信息层,通过建模形成信息层;收集的数据存储至数字孪生数据库,用于在可视化层将物理层可以进行展示;
所述的DT监测模块包括有地质灾害孪生数据库;所述的地质灾害孪生数据库存储有地质灾害历史数据和地质灾害实时数据,地质灾害历史数据,用于记录历史的地质灾害的详细数据为后面的DT预测模块提供数据基础;地质灾害实时数据用于将当前的地质信息进行更正,根据变化随时输入DT预测模块,进行地质实时预测;
所述的DT预测模块将从地质灾害孪生数据库获得的地质实时数据通过BP神经网络进行数据分析处理,分析处理的结果通过DT预警模块进行预警;
所述的DT预警模块用于获取DT预测模块的预测结果,存储有每次地质灾害预测数据,并对DT预测模块进行实时更新,形成新的预测模型;
所述的GIS客户端,用于在线观察指导地质灾害实时情况,通过微信公众号、短信、网络新闻的方式接收地质灾害通知。
基于数字孪生驱动的山体地质灾害监测与预警方法,包括以下步骤:
步骤1,基于3S技术,应用工程地质调查技术对地质环境进行调查,获得监测方案,具体做法是:获取监测地区的全部地貌信息,建立物理模型,并应用3S技术进行实时监测,使用GIS技术进行可视化;根据建立的地貌模型设计监测方案,全方位的监测到所有区域,结合历史地质灾害信息,进行分析得出地质灾害点,对该地区进行着重监测;
步骤2,根据步骤1的监测方案安装收集地质环境的传感器,检测地质内部岩性变化的传感器,和监测地质外部的气象,人类活动影响的传感器和全自动监测器,获得实时的山体岩石的地质岩组,地质构造和岩石的基岩岩性变化数据;山体内部温度变化和化学成分变化的实时数据;3S技术获得的实时数据;历史地质灾害数据共同存储到地质灾害数字孪生数据库,在DT预测模块进行分析;
步骤3,DT预测模块在预测分析之前,结合历史地质灾害数据应用BP神经网络分析得出地质灾害预测模型;
步骤4,将步骤2获得的监测数据存储在地质灾害孪生数据库,预测结果显示即将发生地质灾害,触发DT预警模块,将预测结果发送至灾害地区的游客,居民,车辆及指挥部门的终端可视化。
所述的BP神经网络分析,分析的步骤:
进行预测分析之前,将地质数字孪生系统中的历史数据集,按照训练集:测试集=9:1的比例分配,经过BP神经网络算法进行训练,便可完成输入集合与输出结果之间的非线性映射;应用测试集进行测试,得出训练模块的准确性;
在DT预测模块的运行过程中,根据需要输入地质灾害易发等级,危险因子和实时气象等级,得出灾害预警等级。将此时的预警等级与信息系统中DT预测模块预测的结果进行对比;若二者数据一致,则触发DT预警模块进行预警;若二者数据不一致,此时不会发生地质灾害安全,DT预测模块对历史数据重新进行评估优化训练,如此反复迭代,直至预测结果与实际物理地质灾害结果一致;
与现有技术相比,本发明的有益效果是:
采用数字孪生驱动的山体地质灾害监测根据“3S”技术在物理空间中精准收集实时地质实时信息数据,包括当前地质环境的实际信息,可监测到滑坡、泥石流、崩塌、地面崩塌、地面沉降和气象数据等。将物理空间信息化形成信息空间,并由GIS技术可视化,在信息空间中与历史地质数据实时对比。与传统地质监测相比可提高准确性,方便数据采集。
采用数字孪生驱动的山体地质灾害预测在信息空间中,建立物理实体的虚拟化模块,连接历史数据和实时数据,虚拟化模块可以实时监测物理模块的生命活动并对其进行预测,根据BP神经网络算法的训练,可快速预测出地质灾害的信息,划分出危险区域,进入地质灾害预警状态。
采用数字孪生驱动的山体地质灾害预警在信息空间中,一方面可以实时观测到当前地质灾害危险区域的居民、人群、游客、车辆信息,另一方面将灾害信息通过互联网、基站、车联网等系统进行发送。在信息空间可随时对地质灾害进行防治指挥。
本发明的系统实现实时监测,预测,预警于一体。
本发明基于数字孪生驱动,可以将物理空间和信息空间较好的结合,通过这两个空间的融合,建立了基于数字孪生驱动的地质灾害监测及DT预警模块,采用物联网,数据驱动技术等,并结合BP神经网络算法进行地质灾害动态预测,其次将灾害信息通过互联网、基站预警附近居民客户端。
本发明可以在信息空间随时监测到数字孪生山体的实时情况,经过BP神经网络算法预测出有地质灾害发生时,可以在信息空间直接将预警结果发送至物理实体空间。包括:国家地质监测机构,交通管理部门,和当地的居民,以及旅游景点的游客,和过路车辆等。
附图说明
图1是本发明的系统原理框图。
图2是本发明基于数字孪生的地质灾害监测预测运行机制框图。
图3为本发明方法的流程图。
具体实施方式
下面结合附图及实施例对本发明作进一步详细说明。
参见图1,基于数字孪生驱动的山体地质灾害监测与预警系统,包括有设在物理层1的数据采集传感器,设在信息层2的DT监测模块、DT预测模块、DT预警模块,可视化层3的客户端;
所述的数据采集传感器包括物联网传感器和全自动监测器,具体包括地形地态,地貌类型,地层岩性,风化程度以及当时地形,遥感图像分析;并且每一次灾害发生后,及时检测地质的变化情况,并进行详细的记录,包括位移监测,地应力检测,孔隙水压监测,地下水化学成分变化,声波因素监测,温度监测,监测结果在可视化层进行建模形成与物理空间完全一致的信息空间,并且随着实时数据的更新,信息空间也不断更新,形成新的信息空间,可为DT预测模块提供空间基础;
所述的DT监测模块包括有地质灾害孪生数据库;所述的地质灾害孪生数据库存储有地质灾害历史数据和地质实时数据,地质灾害历史数据包括调查单位、调查时间、居民点名称、位置、所属市、所属县,所属乡镇、经度、纬度、面积、人口、灾害点个数、滑坡个数、崩塌个数、泥石流、地裂缝、其他、死亡人数、直接经济损失、隐患个数、不稳定斜坡数、潜在滑坡数、潜在崩塌数、潜在泥石流数、潜在地面崩塌数、其他、威胁人口、威胁财产、群防群测点个数、专业监测点个数信息,用于为DT预测模块提供数据基础;地质实时数据包括经过3S技术在物理层获取到的传感器和遥感监测数据,包括此可山体的经纬度,地质化学,将地质灾害实时数据传输至历史数据模块,并进行保存,不断积累成为新的历史数据;之后在系统中进行运行分析传输到DT预测模块;产生的数据全部存入地质灾害孪生数据库,进行数据交互,作为后续阶段基础与驱动;
所述的DT预测模块从孪生数据库中获取地质灾害历史数据和地质实时数据,将历史数据分为训练集和测试集进行训练,得到预测模型,将地质实时信息输入至预测模型进行实时预测,得到的预测结果传输至DT预警模块;
所述的DT预警模块将从DT预测模块获得的预测结果,通过GIS客户端进行预警;并且将新的预测信息存入地质灾害孪生数据库,成为新的历史数据,为下一次地质灾害预测提供新的数据驱动,并为DT预测模块提供新的数据,完善DT预测模块,形成新的历史DT预测模型;
所述的GIS客户端,可直接在信息空间观察此刻地质灾害区的实时情况,对灾害进行在线指导;用于通过微信公众号、短信、网络新闻的方式接收地质灾害通知。
由物理层、信息层和可视化层组成。物理层的数据传感器用于获得此地的所有的地貌情况,包括山体,植物,河水。深层次的包括此处山体岩石的地质岩组,地质构造和岩石的基岩岩性,以及人类活动对土地,山体的影响数据;检测山体岩性变化的传感器,地质变化的传感器和温度变化的温度传感器不同类型传感器连接的收集的系统。在DT预警模块中,物理层包括地质灾害环境中的居民、游客,附近车辆信息和当地地质灾害防治部门在DT预警模块中,也分为物理层、信息层、可视化层,物理层包括地质灾害环境中的居民、游客,附近车辆信息和当地地质灾害防治,信息层包括通过物联网传感器可监测的游客,居民,车辆情况。可在可视化层发布预警结果,指挥物理层的游客,居民撤离。数字孪生的信息层是物理层的真实映射,由三部分组成:DT监测模块、DT预测模块以及DT预警模块。DT监测模块包括,数字孪生历史描述模块和数字孪生实时描述模块。数字孪生历史描述模块的主要功能是存储和描述历年来此地发生的地质灾害具体情况。比如:当时地质灾害发生的时间地点(包括具体经纬度),人员伤亡情况,引起地质灾害发生的主要原因,包括当时的地形地态,地貌类型,地层岩性,风化程度以及当时地形,遥感图像分析等。并且每一次灾害发生后,及时检测地质的变化情况,并进行详细的记录,包括位移监测,地应力检测,孔隙水压监测,地下水化学成分变化,声波因素监测,温度监测等。将这些数据构建相应的预测数据库及模块库,并集成历史的监测数据分析,进而对灾害的不同阶段的发展过程及趋势建模分析与预测,最后结合实时的数据对预测模块参数进行修正,使预测结果更为真实。
系统一为地质环境,包括地质构造,岩组类型,地貌,系统二为地址内部,包括山体位移,地表力,化学成分,温度;系统三为地质外部,包括气象,人类活动,侵蚀作用。
数字孪生实时描述模块包括:每隔一段时间,对岩体环境、实际地质情况、气象数据、传感器数据进行实时更新。
DT预测模块包括数字孪生映射模块和地质灾害预测模块,主要进行地质数据存储和分析运行状态,使用人工智能算法进行地质灾害预测。数字孪生映射模块包括:各种传感器和遥感监测图形的运行数据以及数字孪生监测模块的实时数据。
DT预警模块包括:移动通信,互联网,车联网,无线网络。
数字孪生驱动将地质灾害的物理空间和信息空间融合物联网技术和“3S”技术的发展,基于GIS的可视化,可以实现地质灾害智能化监测预报。物理层提供监测数据、地质数据和历史灾害模块相互交互,对山体的信息进行监测为DT预测模块提供数据支持。数据会被分析、整理,作为DT预测模块中决策依据进行分析处理经过BP神经网络算法,对地质灾害进行预测。DT预警模块和DT预测模块经行实时交互,将预测结果及时预警至灾害地区的物理实体。其特征通过基站使预测结果更加快速通知到人,通过车联网技术使来往车辆及时绕道行驶,通过互联网技术使地质部门及时讨论灾害应急措施。
通过基站使预测结果更加快速通知到人,通过车联网技术使来往车辆及时绕道行驶,通过互联网技术使地质部门及时讨论灾害应急措施。通过信息层的DT监测模块,可以实时监测此时的灾区灾害情况、防治情况、人员撤离情况和车辆的避让情况、实时交通情况,以此可以对突发情况进行紧急指挥处理。
在地质灾害的物理系统中,主要包含三个部分,即地质环境系统,预测系统和预警系统。地质环境系统中,主要是对实际的地质环境进行监测,因此包含了多种地质灾害机理的监测技术,这的监测技术首先基于“3S”技术的基础上,首先应用工程地质调查技术对地质环境进行调查,设计出可实行的监测方案,其次在地质环境的各个监测点安装了许多精密的物联网传感器和全自动监测器,应用地质监测技术;地裂缝监测技术;滑坡监测预测技术;泥石流监测技术;土壤监测技术;崩塌监测技术主要进行各类地质灾害的监测,对这些监测数据应用数字存储技术;DT虚实实时交互技术;DT映射技术集成输入到数字孪生系统经行数据交互,接着输入至信息化系统,对山体和地质等环境应用GIS技术经行可视化。
在监测系统中,建立好地质环境监测系统,应用数字驱动技术,将历史的地质灾害数据输入至预测系统,利用人工智能算法,对历史数据应用数据挖掘及数据清洗技术进行分析,训练成可进行预测的训练集。接着应用气象监测技术,动态以及实时监测技术对地质灾害进行快速预测;利用数据融合技术;DT监控、诊断技术将预测结果传输至信息化层。
在预警系统中,将预测的结果应用移动网络技术;有线和无线技术;DT虚实融合与数据协同技术;DT虚实双向映射技术;通过微信公众号、短信、网络新闻的方式通知灾害地区的居民游客进行紧急撤离;通过车联网,物联网技术将灾害信息通知附近车辆绕道行驶,市政局,交通局及时进行调度,采取紧急避险方案,防治发生大规模的灾难。
实施例
参见图2-3,基于数字孪生驱动的山体地质灾害监测与预警方法,包括以下步骤:
步骤1,基于3S技术,应用工程地质调查技术对地质环境进行调查,获得监测方案,具体做法是:应用GPS技术获取地质环境信息,如地貌信息、经纬度、高度;应用遥感技术RS进行地质的监测如反射、辐射或散射的电磁波信息;应用物联网传感器技术获取地质的构造,岩组类型,建筑物信息可建立完整的地貌物理空间模型,使用GIS技术进行可视化;根据建立的地貌模型设计监测方案,确保无死角,全方位的监测到所有区域。结合历史地质灾害信息包括滑坡数据、泥石流数据、崩塌数据、地面塌陷数据、地裂缝数据、地面沉降数据、人口聚集区数据,将这些数据根据地质环境背景(地形地貌、地层岩性、地质构造、地形坡度)进行区域地质灾害危险性评价,计算灾害发生的概率,得出危险性等级,从而划分地质灾害危险性分区;将这些地区为监测侧重点,发生地质灾害概率高,因此需要重点监测;
步骤2,根据步骤1的监测方案安装收集地质环境的传感器,检测地质内部岩性变化的传感器,和监测地质外部的气象,人类活动影响的传感器和全自动监测器,地质环境的各个监测点安装物联网传感器和全自动监测器,获得山体的位移、地质构造信息、温度信息、人类活动影响、气象信息,结合3S技术对监测地进行地质灾害实时监测,将实时监测数据存储在地质灾害孪生数据库,形成新的历史数据;同时将监测数据在DT预测模块进行实时分析,以确保对地质灾害预测的实时性;
步骤3,DT预测模块进行预测分析之前,将地质数字孪生系统中的历史数据集,按照训练集:测试集=9:1的比例分配,经过BP神经网络算法进行训练,便可完成输入集合与输出结果之间的非线性映射;应用测试集进行测试,得出训练模块的准确性;
在DT预测模块的运行过程中,根据需要输入地质灾害易发等级,危险因子和实时气象等级,得出灾害预警等级。将此时的预警等级与信息系统中DT预测模块预测的结果进行对比;若二者数据一致,则触发DT预警模块进行预警;若二者数据不一致,此时不会发生地质灾害安全,DT预测模块对历史数据重新进行评估优化训练,如此反复迭代,直至预测结果与实际物理地质灾害结果一致;
步骤4,将步骤2获得的监测数据存储在地质灾害孪生数据库。根据地质灾害实时情况的变化,如气象的变化和地质灾害实时监测变化根据DT监测模块和DT预测模块之间的交互;如果预测结果显示即将发生地质灾害,触发DT预警模块,将信息空间的预测结果通过数字孪生数据库,应用移动网络技术,通过微信公众号、短信、网络新闻方式通知灾害地区的居民游客进行紧急撤离;应用有线和无线技术,通过网络新闻,广播通知灾区群众。根据可视化层3的指导,应用DT虚实融合与数据协同技术,DT虚实双向映射技术,通过车联网,物联网将灾害信息通知附近车辆绕道行驶,市政局,交通局及时进行调度,采取紧急避险方案,防治发生大规模的灾难;应用DT虚实实时交互技术、DT映射技术,监控人员在信息空间发布预警和指挥信息,直接通过物联网,互联网传达给客户端,灾区人员进行实时防灾;
物理层主要指地质环境-地质外部-地质内部-预警对象客观存在的实体集合,主要为物理环境提供的数据;通过3S技术,物联网,数据驱动技术,将物理层和信息层进行连接。在信息层对两个空间融合的数据进行分析,并结合BP神经网络智能算法进行地质灾害动态预测,将灾害信息传输给客户端;可视化层实时监控地质灾害的状况,并且对灾害区域的防治部署情况进行实时调度。
图1中:A,物理层:对于DT模块来说,物理层主要指“地质环境-地质外部-地质内部”等客观存在的实体集合,它们相互交互形成了完整的地质灾害模块,并向物理空间提供数据,如环境数据、历史灾害数据、灾害地区车辆人员数据。
B,信息层:信息层是物理层完全数字化镜像,主要负责对物理层的虚拟化,并对地质灾害过程进行实时监测、预测与预警等。分为三部分DT监测模块、DT预测模块和DT预警模块。
DT监测模块中由物理层提供监测数据、地质数据和历史灾害模块相互交互,对山体的信息进行监测为预测模块提供数据支持。数据会被分析、整理,作为预测模块中决策依据进行分析处理经过BP神经网络算法,对地质灾害进行预测。DT预警模块和DT预测模块经行实时交互,将预测结果及时预警至灾害地区的物理实体。
C,可视化(GIS):是数据驱动的集合或总称,主要负责将信息层的数据、模块通过GIS展示出来并且可提供地质环境展示,通过分析实际需求,依靠信息层数据、模块、规则、知识的支撑,可视化层进行物理层和信息层的监控。并将预测信号通过DT预警模块发送,让人们进行紧急避难。其中孪生数据库是物理层、信息层和可视化层,所有相关的数据以及三者数据融合后产生的衍生数据的集合,是物理层、信息层运行及交互的驱动。图1为基于数字孪生的地质灾害预测建模框架。
在图2中DT监测模块中,是对传统监测模块的智能化,同时反映了物理空间和虚拟空间的交互过程,并且和DT预测模块的相互交互。在DT监测模块中,实时数据和历史数据相互交互,实时数据包括收集到物理层的传感器数据和遥感监测数据,这些数据实时传输到数字孪生数据库,并进行保存,不断累积成为新的历史数据。之后在系统中进行运行分析传输到DT预测模块;在第一阶段DT监测模块中,产生的数据全部存入地质灾害孪生数据库,进行数据交互,作为后续阶段基础与驱动。
在DT预测模块中,主要是DT监测模块和DT预测模块之间的交互。进行预测分析之前,地质灾害信息系统获取到地质灾害物理系统的数据,将地质数字孪生系统中的历史数据集,按照训练集:测试集为9:1进行分配,经过BP神经网络算法进行训练,便可完成输入集合与输出结果之间的非线性映射;得出训练模块应用测试集测试模块的准确性。物理地质灾害实际运行数据与信息系统中DT预测模块预测的结果进行对比;若二者数据不一致,则DT预测模块对历史数据重新进行评估优化训练,如此反复迭代,直至预测结果与实际物理地质灾害结果一致;在DT预测模块的运行过程中,根据需要输入地质灾害危险因子,如:气象和地质监测的实时情况,快速准确地评价该地区地质灾害的发生概率,并可快速获取地质灾害发生的主要影响因子。通过DT预测模块揭示地质数据内部联系,对未来做出精准的预测;DT监测模块和DT预测模块的数据交互是相互交互驱动,将预测的结果再次传输到信息系统(GIS系统)中,进行可视化;在地质灾害预测模块中,产生的数据全部存入地质灾害孪生数据库,为地质灾害预警模块的数据驱动。
当地质灾害系统预测出即将发生一次地质灾害,这时信息系统将通过与物理空间的交互,将预测结果发送至灾害地附近的居民,游客等。信息空间中的实时预测结果,通过数字孪生数据库,可以第一时间发送至相关部门,如国家地质监测中心、交通管理部门和当前的居民管理机构,游客中心。管理中心可以应用喇叭、手机短信、微信公众平台快速发送至附近居民及游客进行紧急撤离。国家地质监测局将预测结果通过互联网,电话等下达命令,让消防部门进入一级作战状态。交通管理局将预测信息发送至车联网中心通知附近车辆避开灾害地区。
Claims (3)
1.基于数字孪生驱动的山体地质灾害监测与预警系统,其特征在于,包括有设在物理层1的数据采集传感器,设在信息层2的DT监测模块、DT预测模块、DT预警模块,可视化层3的客户端;
所述的数据采集传感器包括物联网传感器和全自动监测器,具体包括收集地质环境的传感器,检测地质内部岩性变化的传感器,和监测地质外部的气象,人类活动影响的传感器和全自动监测器,上述传感器安装在物理层中用于收集数据,物理层指物理空间所存在的实际对象包括山体,树木,人和安装的传感器,收集的数据传输至信息层,通过建模形成信息层;收集的数据存储至数字孪生数据库,用于在可视化层将物理层可以进行展示;
所述的DT监测模块包括有地质灾害孪生数据库;所述的地质灾害孪生数据库存储有地质灾害历史数据和地质灾害实时数据,地质灾害历史数据,用于记录历史的地质灾害的详细数据为后面的DT预测模块
提供数据基础;地质灾害实时数据用于将当前的地质信息进行更正,根据变化随时输入DT预测模块,进行地质实时预测;
所述的DT预测模块将从地质灾害孪生数据库获得的地质实时数据通过BP神经网络进行数据分析处理,分析处理的结果通过DT预警模块进行预警;
所述的DT预警模块用于获取DT预测模块的预测结果,存储有每次地质灾害预测数据,并对DT预测模块进行实时更新,形成新的预测模型;
所述的GIS客户端,用于在线观察指导地质灾害实时情况,通过微信公众号、短信、网络新闻的方式接收地质灾害通知。
2.基于数字孪生驱动的山体地质灾害监测与预警的方法,包括以下步骤:
步骤1,基于3S技术,应用工程地质调查技术对地质环境进行调查,获得监测方案,具体做法是:获取监测地区的全部地貌信息,建立物理模型,并应用3S技术进行实时监测,使用GIS技术进行可视化;根据建立的地貌模型设计监测方案,全方位的监测到所有区域,结合历史地质灾害信息,进行分析得出地质灾害点,对该地区进行着重监测;
步骤2,根据步骤1的监测方案安装收集地质环境的传感器,检测地质内部岩性变化的传感器,和监测地质外部的气象,人类活动影响的传感器和全自动监测器,获得实时的山体岩石的地质岩组,地质构造和岩石的基岩岩性变化数据;山体内部温度变化和化学成分变化的实时数据;3S技术获得的实时数据;历史地质灾害数据共同存储到地质灾害数字孪生数据库,在DT预测模块进行分析;
步骤3,DT预测模块在预测分析之前,结合历史地质灾害数据应用BP神经网络分析得出地质灾害预测模型;
步骤4,将步骤2获得的监测数据存储在地质灾害孪生数据库,预测结果显示即将发生地质灾害,触发DT预警模块,将预测结果发送至灾害地区的游客,居民,车辆及指挥部门的终端可视化。
3.根据权利要求2所述的基于数字孪生驱动的山体地质灾害监测与预警的方法,其特征在于,所述的BP神经网络分析,分析的步骤:
进行预测分析之前,将地质数字孪生系统中的历史数据集,按照训练集:测试集=9:1的比例分配,经过BP神经网络算法进行训练,便可完成输入集合与输出结果之间的非线性映射;应用测试集进行测试,得出训练模块的准确性;
在DT预测模块的运行过程中,根据需要输入地质灾害易发等级,危险因子和实时气象等级,得出灾害预警等级;
将此时的预警等级与信息系统中DT预测模块预测的结果进行对比;若二者数据一致,则触发DT预警模块进行预警;若二者数据不一致,此时不会发生地质灾害安全,DT预测模块对历史数据重新进行评估优化训练,如此反复迭代,直至预测结果与实际物理地质灾害结果一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260974.6A CN109872509A (zh) | 2019-04-02 | 2019-04-02 | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260974.6A CN109872509A (zh) | 2019-04-02 | 2019-04-02 | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872509A true CN109872509A (zh) | 2019-06-11 |
Family
ID=66921881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260974.6A Pending CN109872509A (zh) | 2019-04-02 | 2019-04-02 | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872509A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264672A (zh) * | 2019-06-25 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 一种地质灾害的预警系统 |
CN110348103A (zh) * | 2019-07-04 | 2019-10-18 | 北京航空航天大学 | 一种基于数字孪生的车辆抗毁伤评估方法 |
CN110503338A (zh) * | 2019-08-26 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种泛在电力物联网监测方法 |
CN110689705A (zh) * | 2019-11-19 | 2020-01-14 | 山西省煤炭地质115勘查院 | 矿山地质环境管理综合应用系统 |
CN110930651A (zh) * | 2019-11-29 | 2020-03-27 | 成都理工大学 | 一种基于灾害预警的公路车辆管控方法、系统及可读存储介质 |
CN110929378A (zh) * | 2019-10-25 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN111340012A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种地质灾害解译方法、装置、终端设备 |
CN111442998A (zh) * | 2020-05-06 | 2020-07-24 | 吉林大学 | 一种基于数字孪生的茎秆弯折动态过程多参数测试平台 |
CN111445670A (zh) * | 2020-03-16 | 2020-07-24 | 深圳市城市公共安全技术研究院有限公司 | 地质灾害预警系统及方法 |
CN111768597A (zh) * | 2020-06-22 | 2020-10-13 | 核工业西南勘察设计研究院有限公司 | 一种泥石流预警防护方法 |
CN112084675A (zh) * | 2020-09-17 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112102299A (zh) * | 2020-09-18 | 2020-12-18 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的城市绿化监测方法、装置、设备和介质 |
CN112149920A (zh) * | 2020-10-17 | 2020-12-29 | 河北省地质环境监测院 | 一种区域地质灾害趋势预测方法 |
CN112289107A (zh) * | 2020-09-27 | 2021-01-29 | 武汉恩逸互联科技有限公司 | 一种工业互联网双向仿真映射实训系统 |
CN112382047A (zh) * | 2020-11-16 | 2021-02-19 | 成都中科大旗软件股份有限公司 | 地质灾害监测预警系统 |
CN112633532A (zh) * | 2020-12-29 | 2021-04-09 | 上海工程技术大学 | 一种基于数字孪生技术的列车车轮维修管理系统 |
CN113295851A (zh) * | 2021-05-25 | 2021-08-24 | 山东省地质矿产勘查开发局第六地质大队(山东省第六地质矿产勘查院) | 一种矿山地质环境预警装置及其预警方法 |
CN113393037A (zh) * | 2021-06-16 | 2021-09-14 | 潍坊科技学院 | 一种区域地质灾害趋势预测方法及系统 |
CN113487138A (zh) * | 2021-06-09 | 2021-10-08 | 中国民航大学 | 一种基于数字孪生的机场应急演练方法和系统 |
CN113658325A (zh) * | 2021-08-05 | 2021-11-16 | 郑州轻工业大学 | 数字孪生环境下的生产线不确定对象智能识别与预警方法 |
CN114399888A (zh) * | 2022-01-04 | 2022-04-26 | 四川爱联科技股份有限公司 | 一种山体灾害预警系统 |
CN114413924A (zh) * | 2022-01-27 | 2022-04-29 | 重庆长安汽车股份有限公司 | 基于车联网的车辆避险方法、系统及可读存储介质 |
CN115060329A (zh) * | 2022-08-16 | 2022-09-16 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种基于数字孪生算法的岩溶塌陷信息化预测系统 |
CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测系统及方法 |
CN115130356A (zh) * | 2022-09-01 | 2022-09-30 | 北京云庐科技有限公司 | 一种基于数字孪生技术的崩塌监测系统与方法 |
CN115204500A (zh) * | 2022-07-21 | 2022-10-18 | 同济大学 | 面向虫害监测的多检测机器人数字孪生管理系统及方法 |
CN115221704A (zh) * | 2022-07-18 | 2022-10-21 | 应急管理部国家自然灾害防治研究院 | 一种基于数字孪生仿真平台的地质灾害推演方法及系统 |
CN115326006A (zh) * | 2022-10-14 | 2022-11-11 | 北京江云智能科技有限公司 | 基于北斗卫星定位和ai的灾害变形监测系统及方法 |
CN115422766A (zh) * | 2022-09-26 | 2022-12-02 | 北京云庐科技有限公司 | 一种基于数字孪生技术的泥石流监测方法及系统 |
CN115659703A (zh) * | 2022-12-15 | 2023-01-31 | 广东广宇科技发展有限公司 | 一种基于城市特征数据的数字孪生气象预警模拟方法 |
CN116704708A (zh) * | 2023-08-08 | 2023-09-05 | 山东省减灾中心 | 一种基于大数据的智能自然灾害预警系统及方法 |
CN116976837A (zh) * | 2023-09-25 | 2023-10-31 | 中国铁塔股份有限公司吉林省分公司 | 应用于数据共享的地灾态势分析方法及系统 |
CN117765689A (zh) * | 2024-02-22 | 2024-03-26 | 山东光合云谷大数据有限公司 | 一种地质灾害监测预警系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130321407A1 (en) * | 2012-06-02 | 2013-12-05 | Schlumberger Technology Corporation | Spatial data services |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及系统 |
CN107025771A (zh) * | 2016-02-02 | 2017-08-08 | 广西南宁德通网络有限公司 | 一种山体灾害智能监控预警系统 |
CN108170714A (zh) * | 2017-12-01 | 2018-06-15 | 武汉华信联创技术工程有限公司 | 一种台风灾害监测与评估的三维模拟系统 |
CN108510112A (zh) * | 2018-03-19 | 2018-09-07 | 东北大学 | 一种现场监测与数值模拟相结合的矿山灾害预测预警方法 |
-
2019
- 2019-04-02 CN CN201910260974.6A patent/CN109872509A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130321407A1 (en) * | 2012-06-02 | 2013-12-05 | Schlumberger Technology Corporation | Spatial data services |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN107025771A (zh) * | 2016-02-02 | 2017-08-08 | 广西南宁德通网络有限公司 | 一种山体灾害智能监控预警系统 |
CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及系统 |
CN108170714A (zh) * | 2017-12-01 | 2018-06-15 | 武汉华信联创技术工程有限公司 | 一种台风灾害监测与评估的三维模拟系统 |
CN108510112A (zh) * | 2018-03-19 | 2018-09-07 | 东北大学 | 一种现场监测与数值模拟相结合的矿山灾害预测预警方法 |
Non-Patent Citations (1)
Title |
---|
黄世秀: "基于GIS的边坡地质环境监测与稳定性研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264672A (zh) * | 2019-06-25 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 一种地质灾害的预警系统 |
CN110348103A (zh) * | 2019-07-04 | 2019-10-18 | 北京航空航天大学 | 一种基于数字孪生的车辆抗毁伤评估方法 |
CN110503338A (zh) * | 2019-08-26 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种泛在电力物联网监测方法 |
CN110503338B (zh) * | 2019-08-26 | 2022-07-15 | 江苏方天电力技术有限公司 | 一种泛在电力物联网监测方法 |
CN110929378A (zh) * | 2019-10-25 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN110929378B (zh) * | 2019-10-25 | 2024-03-19 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN110689705A (zh) * | 2019-11-19 | 2020-01-14 | 山西省煤炭地质115勘查院 | 矿山地质环境管理综合应用系统 |
CN110689705B (zh) * | 2019-11-19 | 2023-11-28 | 山西省煤炭地质一一五勘查院有限公司 | 矿山地质环境管理综合应用系统 |
CN110930651A (zh) * | 2019-11-29 | 2020-03-27 | 成都理工大学 | 一种基于灾害预警的公路车辆管控方法、系统及可读存储介质 |
CN111445670A (zh) * | 2020-03-16 | 2020-07-24 | 深圳市城市公共安全技术研究院有限公司 | 地质灾害预警系统及方法 |
CN111442998B (zh) * | 2020-05-06 | 2024-06-04 | 吉林大学 | 一种基于数字孪生的茎秆弯折动态过程多参数测试平台 |
CN111442998A (zh) * | 2020-05-06 | 2020-07-24 | 吉林大学 | 一种基于数字孪生的茎秆弯折动态过程多参数测试平台 |
CN111340012A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种地质灾害解译方法、装置、终端设备 |
CN111768597A (zh) * | 2020-06-22 | 2020-10-13 | 核工业西南勘察设计研究院有限公司 | 一种泥石流预警防护方法 |
CN112084675A (zh) * | 2020-09-17 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112084675B (zh) * | 2020-09-17 | 2024-05-07 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112102299A (zh) * | 2020-09-18 | 2020-12-18 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的城市绿化监测方法、装置、设备和介质 |
CN112289107A (zh) * | 2020-09-27 | 2021-01-29 | 武汉恩逸互联科技有限公司 | 一种工业互联网双向仿真映射实训系统 |
CN112149920A (zh) * | 2020-10-17 | 2020-12-29 | 河北省地质环境监测院 | 一种区域地质灾害趋势预测方法 |
CN112382047B (zh) * | 2020-11-16 | 2022-08-16 | 成都中科大旗软件股份有限公司 | 地质灾害监测预警系统 |
CN112382047A (zh) * | 2020-11-16 | 2021-02-19 | 成都中科大旗软件股份有限公司 | 地质灾害监测预警系统 |
CN112633532B (zh) * | 2020-12-29 | 2023-06-02 | 上海工程技术大学 | 一种基于数字孪生技术的列车车轮维修管理系统 |
CN112633532A (zh) * | 2020-12-29 | 2021-04-09 | 上海工程技术大学 | 一种基于数字孪生技术的列车车轮维修管理系统 |
CN113295851A (zh) * | 2021-05-25 | 2021-08-24 | 山东省地质矿产勘查开发局第六地质大队(山东省第六地质矿产勘查院) | 一种矿山地质环境预警装置及其预警方法 |
CN113487138A (zh) * | 2021-06-09 | 2021-10-08 | 中国民航大学 | 一种基于数字孪生的机场应急演练方法和系统 |
CN113393037A (zh) * | 2021-06-16 | 2021-09-14 | 潍坊科技学院 | 一种区域地质灾害趋势预测方法及系统 |
CN113658325B (zh) * | 2021-08-05 | 2022-11-11 | 郑州轻工业大学 | 数字孪生环境下的生产线不确定对象智能识别与预警方法 |
CN113658325A (zh) * | 2021-08-05 | 2021-11-16 | 郑州轻工业大学 | 数字孪生环境下的生产线不确定对象智能识别与预警方法 |
CN114399888A (zh) * | 2022-01-04 | 2022-04-26 | 四川爱联科技股份有限公司 | 一种山体灾害预警系统 |
CN114413924A (zh) * | 2022-01-27 | 2022-04-29 | 重庆长安汽车股份有限公司 | 基于车联网的车辆避险方法、系统及可读存储介质 |
CN115221704A (zh) * | 2022-07-18 | 2022-10-21 | 应急管理部国家自然灾害防治研究院 | 一种基于数字孪生仿真平台的地质灾害推演方法及系统 |
CN115204500A (zh) * | 2022-07-21 | 2022-10-18 | 同济大学 | 面向虫害监测的多检测机器人数字孪生管理系统及方法 |
CN115204500B (zh) * | 2022-07-21 | 2023-08-22 | 同济大学 | 面向虫害监测的多检测机器人数字孪生管理系统及方法 |
CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测系统及方法 |
CN115060329A (zh) * | 2022-08-16 | 2022-09-16 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种基于数字孪生算法的岩溶塌陷信息化预测系统 |
CN115130356A (zh) * | 2022-09-01 | 2022-09-30 | 北京云庐科技有限公司 | 一种基于数字孪生技术的崩塌监测系统与方法 |
CN115422766A (zh) * | 2022-09-26 | 2022-12-02 | 北京云庐科技有限公司 | 一种基于数字孪生技术的泥石流监测方法及系统 |
CN115326006B (zh) * | 2022-10-14 | 2022-12-27 | 北京江云智能科技有限公司 | 基于北斗卫星定位和ai的灾害变形监测系统及方法 |
CN115326006A (zh) * | 2022-10-14 | 2022-11-11 | 北京江云智能科技有限公司 | 基于北斗卫星定位和ai的灾害变形监测系统及方法 |
CN115659703A (zh) * | 2022-12-15 | 2023-01-31 | 广东广宇科技发展有限公司 | 一种基于城市特征数据的数字孪生气象预警模拟方法 |
CN116704708A (zh) * | 2023-08-08 | 2023-09-05 | 山东省减灾中心 | 一种基于大数据的智能自然灾害预警系统及方法 |
CN116976837A (zh) * | 2023-09-25 | 2023-10-31 | 中国铁塔股份有限公司吉林省分公司 | 应用于数据共享的地灾态势分析方法及系统 |
CN116976837B (zh) * | 2023-09-25 | 2024-01-30 | 中国铁塔股份有限公司吉林省分公司 | 应用于数据共享的地灾态势分析方法及系统 |
CN117765689A (zh) * | 2024-02-22 | 2024-03-26 | 山东光合云谷大数据有限公司 | 一种地质灾害监测预警系统 |
CN117765689B (zh) * | 2024-02-22 | 2024-05-10 | 山东光合云谷大数据有限公司 | 一种地质灾害监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872509A (zh) | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 | |
Le Cozannet et al. | Space-based earth observations for disaster risk management | |
Li et al. | A household-level approach to staging wildfire evacuation warnings using trigger modeling | |
CN110059910A (zh) | 安全生产应急救援指挥中心综合管理平台 | |
CN110858334A (zh) | 道路安全评估方法、装置及道路安全预警系统 | |
Wang et al. | A novel agent-based model for tsunami evacuation simulation and risk assessment | |
Kalabokidis et al. | Decision support system for forest fire protection in the Euro-Mediterranean region | |
KR101437417B1 (ko) | 화산재해 대응 시스템 | |
CN109615118A (zh) | 基于大数据地质灾害防治信息化服务集成控制系统及方法 | |
Zhang et al. | Monitoring and warning for digital twin-driven mountain geological disaster | |
Marrero et al. | Virtual tools for volcanic crisis management, and evacuation decision support: applications to El Chichón volcano (Chiapas, México) | |
Barsotti et al. | Operational response and hazards assessment during the 2014–2015 volcanic crisis at Bárðarbunga volcano and associated eruption at Holuhraun, Iceland | |
Péroche et al. | An accessibility graph-based model to optimize tsunami evacuation sites and routes in Martinique, France | |
Pollino et al. | An open source GIS system for earthquake early warning and post-event emergency management | |
Huyck et al. | Remote sensing for disaster response: A rapid, image-based perspective | |
de Moraes | Proposing a metric to evaluate early warning system applicable to hydrometeorological disasters in Brazil | |
Lozano et al. | Data collection tools for post-disaster damage assessment of building and lifeline infrastructure systems | |
JP2002092264A (ja) | 自治体等の防災システム | |
Sandron et al. | A citizen science approach for supporting rapid earthquake impact assessments | |
Tiganescu et al. | Current status and perspectives on seismic monitoring of structures and rapid seismic loss estimation in Romania | |
Italian Civil Protection Department et al. | The Dewetra platform: a multi-perspective architecture for risk management during emergencies | |
Xie et al. | Case studies for data-oriented emergency management/planning in complex urban systems | |
Li | Modeling wildfire evacuation as a coupled human-environmental system using triggers | |
Chen | A Decision Support System for Warning and Evacuation against Multi Sediment Hazards | |
Glasscoe et al. | Applications of E-DECIDER decision support tools for disaster response and recovery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |