CN113283095A - 一种进化式数字孪生流域构建方法 - Google Patents
一种进化式数字孪生流域构建方法 Download PDFInfo
- Publication number
- CN113283095A CN113283095A CN202110603782.8A CN202110603782A CN113283095A CN 113283095 A CN113283095 A CN 113283095A CN 202110603782 A CN202110603782 A CN 202110603782A CN 113283095 A CN113283095 A CN 113283095A
- Authority
- CN
- China
- Prior art keywords
- data
- watershed
- model
- digital twin
- optimization
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Abstract
本发明公开了一种进化式数字孪生流域构建方法，包括如下步骤，S1、基于流域的相关参数以及气象数据、水文数据、土壤数据、地形数据和水利工程数据，构建初始数字孪生流域；S2、对初始数字孪生流域中的模型进行优化及验证，并在满足迭代优化条件时，进行数字孪生体集成，获取最终的数字孪生流域。优点是：将孪生技术运用在流域构建上，实现智能管理、感知分析、仿真模拟、自动优化、实时更新以及合理预测的目标，同时达到数字化与智能化相结合的要求。能够为后续开展高精度的水文预报、防洪调度以及模拟预测提供技术支持。
Description
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种进化式数字孪生流域构建方法。
背景技术
三维GIS技术能够有效地描述和模拟三维现实世界，进行三维空间分析计算，并融合虚拟现实等技术进一步提升地理信息的表达能力，因此得到了广泛应用，然而现在大多数工程对于数据在获取和处理方面的实时性都有一定的要求，而三维GIS技术在对于大量数据的存储和实时处理方面存在着局限性。此外，大数据时代要求能够处理实时数据和历史数据，从而进行高效的三维空间分析，挖掘海量信息的隐藏价值，同时较好地预测未来情况，实现真正的自动化。数字孪生技术具有实时监测、智能判断和精准预测的特点，因此在多个领域得到推广。然而目前这一技术侧重于数字孪生体的构建，而往往缺乏针对参数优化以及模型收敛性判断的研究，同时，孪生系统中的仿真模型具有较低的自学习、自优化能力，缺乏可计算性及信息交互能力，这就使得难以进一步探究数字孪生体的适用性以及模拟的准确性。因此，需要探索发明一种新的数字孪生流域构建方法，基于可视化三维模型进行感知分析、仿真模拟、迭代优化、进化发展与信息交互，通过虚拟场景实现可视化管理与精准模拟，以此解决现有的技术难题。
发明内容
本发明的目的在于提供一种进化式数字孪生流域构建方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种进化式数字孪生流域构建方法，包括如下步骤，
S1、基于流域的相关参数以及气象数据、水文数据、土壤数据、地形数据和水利工程数据，构建初始数字孪生流域；
S2、对初始数字孪生流域中的模型进行优化及验证，并在满足迭代优化条件时，进行数字孪生体集成，获取最终的数字孪生流域。
优选的，流域的相关参数包括流域的结构参数、几何参数、状态参数和边界条件。
优选的，流域的气象数据包括流域的实时降水数据、气温数据、风速数据、湿度数据和蒸发数据。
优选的，初始数字孪生流域的构建过程为，
S11、基于流域的气象数据、水文数据、土壤数据、地形数据和水利工程数据建立三维的物理模型，同时定义流域的几何属性、功能属性以及各数据要素间的相互关系；
S12、将物理模型中流域的气象数据、水文数据、土壤数据、地形数据和水利工程数据映射到逻辑模型中，通过图形化、形式化的方式描述逻辑模型的组成要素、组织结构和运行机制；并且通过逻辑模型将流域各数据要素的属性关联性质反馈到物理模型中，实现物理模型的优化；
S13、建立以水文水动力学模型为核心的仿真模型，基于流域的气象数据、水文数据、土壤数据、地形数据、水利工程数据以及流域的相关参数，建立流域的水文水动力模型，计算流域的洪峰流量、洪量及水位；并以物理模型和逻辑模型为基础，实现流域在孪生对象、孪生结构和孪生过程的可视化，从而将流域实体转化为三维孪生体。
优选的，步骤S2具体包括如下内容，
S21、基于流域的相关参数，采用多目标优化算法对仿真模型进行迭代优化；
S22、基于流域实体，利用相关性分析及误差计算方法对物理模型和仿真模型进行一致性与可靠性验证，当满足仿真模型目标函数的迭代优化条件时，进入步骤S23；否则，返回步骤S11继续迭代优化，不断改进参数，直到满足迭代优化条件，达到收敛，再进入步骤S23；
S23、采用多源数据融合方法、深度学习算法、迭代优化技术以及智能决策方法，实现流域实体与虚拟孪生体中数据的镜像及交换，完成数据模型的构建；
S24、将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，形成最终的数字孪生流域。
优选的，所述多目标优化算法为基于二进制编码的遗传算法；步骤S21中迭代优化的具体过程为，
S211、设置仿真模型的参数优化方案，目标函数为，
aj≤cj≤bj；(j＝1,2,…,p)
其中，c＝{cj},cj为p个待优化变量，(xi,yi)为m对仿真模型输入、输出的观测数据，g(c,xi)为yi的近似表达式，q为任意常数；
S212、变量取值范围的二进制编码；
S213、参数初始化；随机生成n个体作为初始群体P(0)；设置进化代数计数器t；设置最大进化代数T；
S214、个体评价；计算群体P(t)中各个个体的适应度,第i个个体的适应度的计算公式为，
其中，目标函数值f(i)越小,表示该个体的适应度F(i)越高；
S215、选择运算；按与个体的适应度F(i)成正比的概率选择2n个个体,这样共选择两组数目各为n的个体；
S216、自适应杂交运算；将步骤S215得到的两组父代个体,按自适应杂交概率PC随机两配对、杂交生成两组子代个体；
S217、自适应变异运算；将步骤S216得到的两组子代个体随机选取一组,按自适应变异概率Pm,将该组个体进行变异；群体P(t)经过选择、杂交、变异运算之后得到下一代群体P(t+1)；
S218、进化迭代；由步骤S217得到的子代个体作为新的父代个体，算法返回步骤S214,进入下一次进化过程,重新评价、选择、杂交、变异，如此循环两次；
S219、加速搜索运算；把第一次、第二次进化迭代所产生的所有优秀个体的变化范围作为变量的新取值范围，并返回步骤S212；直到最优个体的目标函数值小于预定阈值或者算法运行达到预定循环次数，结束整个算法的运行,并把当前群体中最优个体指定为迭代优化的结果。
优选的，步骤S22具体为，基于流域实体，采用绝对误差、相对误差、均方根误差和收敛性指标验证仿真模型的优化结果及收敛性；验证过程为，
其中，MAE为绝对误差；Pi表示优化后的仿真模型计算结果，Si表示实测值，MAE的值越接近0,优化效果越好；
其中，BIAS为相对误差；xi表示优化后的仿真模型计算结果，yi表示实测值，最优值为RMSE的值为0；
其中，RMSE为均方根误差；Ti表示优化后的仿真模型计算结果，Oi表示观测值，RMSE的值越小，优化效果越好；
其中，γ为收敛性指标；n为获得的非劣解的个数，di为获得的第i个非劣解与已知真实非劣前沿或近似真实非劣前沿最短的欧式距离，γ的值越小表示优化后仿真模型的收敛性越好。
优选的，步骤S23具体为，通过多源数据融合方法和深度学习算法将获取的流域实体的实时及历史的气象数据、水文数据、土壤数据、地形数据和水利工程数据存储在云数据库中，并实现多源数据融合；通过迭代优化技术以及智能决策方法实现流域实体与数字孪生体的实时交互及数据更新，从而构建数据模型。
优选的，步骤S24具体为，将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，通过数据驱动与实时交互实现最终的数字孪生流域的构建。
本发明的有益效果是：1、将孪生技术运用在流域构建上，实现智能管理、感知分析、仿真模拟、自动优化、实时更新以及合理预测的目标，同时达到数字化与智能化相结合的要求。2、能够为后续开展高精度的水文预报、防洪调度以及模拟预测提供技术支持。
附图说明
图1是本发明实施例中数字孪生流域构建的流程示意图；
图2是本发明实施例中数字孪生流域构建的原理示意图；
图3是本发明实施例中仿真模型优化验证的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1和图2所示，本实施例中，提供了一种进化式数字孪生流域构建方法，包括如下步骤，
S1、基于流域的相关参数以及气象数据、水文数据、土壤数据、地形数据和水利工程数据，构建初始数字孪生流域；
S2、对初始数字孪生流域中的模型进行优化及验证，并在满足迭代优化条件时，进行数字孪生体集成，获取最终的数字孪生流域。
数字孪生流域是一个实际流域的数字化表达，以便能够在数字孪生体上实时显示实际流域的状态，从而预测流域实体可能发生的情况。数字孪生流域构建方法能够使虚拟结合，从而实现动态、实时评估系统的当前及未来的功能和性能。
数字孪生流域包括物理模型、逻辑模型、仿真模型和数据模型，由物理模型、逻辑模型和仿真模型相互耦合及烟花而成，并通过数字孪生实现虚拟空间与物理空间智能流域的映射重构、数据镜像、同步反馈与信息交互。数据模型包括感知层、网络层、数据层、表示层，其中，感知层用于获取流域参数，包括流域在三维动态优化中的结构参数、几何参数、状态参数及边界条件；网络层能够进行网络传输，为感知层和数据层提供通信接口；数据层用于流域内数据的整合处理、迭代计算、数据孪生和存储管理；表示层能够提供信息交互服务，从而进行智能识别、精确定位和实时监控。所述数字孪生包括对象孪生、过程孪生和性能孪生。
参考上述内容，本发明提供的数字孪生流域的构建方法主要包括两个大步骤，分别为初始数字孪生流域的构建和最终的数字孪生流域的生成，下面分别针对这两个大步骤进行详细的解释描述。
一、初始数字孪生流域构建
数字孪生流域就是将物理实体映射成虚拟孪生体。在构建初始数字孪生流域之前，应该在现实流域中布设传感器收集流域的相关参数以及气象数据、水文数据、土壤数据、地形数据和水利工程数据等数据。传感器具体包括监测气象的传感器(雨量传感器、温度传感器、风速传感器、湿度传感器、蒸发传感器等)，监测水文要素的传感器(水位传感器、流量传感器、土壤墒情传感器等)，监测地理要素的传感器等。通过传感器收集数据信息，一并存储在数字孪生数据库中，实现数据库的动态实时更新。同时由地面观测站和卫星遥感获取流域历史气象数据，由流域水文站获取流域历史水文数据。
然后构建物理层和数据层的双向数据传输通道，将获取的信息传输至模型层，使数字孪生模型实时追踪流域实体状态，强化其感知、分析及决策能力。接收到传感器传输的流域数据信息后，物理模型、仿真模型和逻辑模型会进行耦合分析，并将结果及命令传输至传感器，实现传感器与孪生体的双向连通。
其中，流域的相关参数包括流域的结构参数、几何参数、状态参数和边界条件。流域的气象数据包括流域的实时降水数据、气温数据、风速数据、湿度数据和蒸发数据。
初始数字孪生流域的构建过程为，
S11、建立物理模型：基于流域的气象数据、水文数据、土壤数据、地形数据和水利工程数据建立三维的物理模型，同时定义流域的几何属性、功能属性以及各数据要素间的相互关系；
S12、建立逻辑模型：将物理模型中流域的气象数据、水文数据、土壤数据、地形数据和水利工程数据映射到逻辑模型中，通过图形化、形式化的方式(图形等直观的形式)描述逻辑模型的组成要素、组织结构和运行机制；并且通过逻辑模型将流域各数据要素的属性关联性质反馈到物理模型中，实现物理模型的优化；
S13、建立仿真模型：建立以水文水动力学模型为核心的仿真模型，为了更好的反应流域内水文过程，则基于流域的气象数据、水文数据、土壤数据、地形数据、水利工程数据以及流域的相关参数，建立流域的水文水动力模型，计算流域的洪峰流量、洪量及水位；并以物理模型和逻辑模型为基础，实现流域在孪生对象、孪生结构和孪生过程的可视化，从而将流域实体转化为三维孪生体。
二、最终数字孪生流域的生成
为了使孪生流域能够高效模拟物理实体，则需要对其结构参数、几何参数、状态参数、水文水动力模型参数等进行不断优化。具体体现在仿真模型的优化验证，即步骤S2的内容。如图3所示，步骤S2具体包括如下内容，
S21、仿真模型优化：基于流域的相关参数，采用多目标优化算法对仿真模型进行迭代优化；
S22、仿真模型验证：基于流域实体，利用相关性分析及误差计算方法对物理模型和仿真模型进行一致性与可靠性验证，当满足仿真模型目标函数的迭代优化条件时，进入步骤S23；否则，返回步骤S11继续迭代优化，不断改进参数，直到满足迭代优化条件，达到收敛，再进入步骤S23；
S23、构建数据模型：采用多源数据融合方法、深度学习算法、迭代优化技术以及智能决策方法，实现流域实体与虚拟孪生体中数据的镜像及交换，完成数据模型的构建；
S24、数字孪生集成：将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，形成最终的数字孪生流域。
所述多目标优化算法为基于二进制编码的遗传算法；步骤S21中迭代优化的具体过程为，
S211、设置仿真模型的参数优化方案，目标函数为，
aj≤cj≤bj；(j＝1,2,…,p)
其中，c＝{cj},cj为p个待优化变量，(xi,yi)为m对仿真模型输入、输出的观测数据，g(c,xi)为yi的近似表达式，q为任意常数；
S212、变量取值范围的二进制编码；
S213、参数初始化；随机生成n个体作为初始群体P(0)；设置进化代数计数器t；设置最大进化代数T；
S214、个体评价；计算群体P(t)中各个个体的适应度,第i个个体的适应度的计算公式为，
其中，目标函数值f(i)越小,表示该个体的适应度F(i)越高；
S215、选择运算；按与个体的适应度F(i)成正比的概率选择2n个个体,这样共选择两组数目各为n的个体；
S216、自适应杂交运算；将步骤S215得到的两组父代个体,按自适应杂交概率PC随机两配对、杂交生成两组子代个体；
S217、自适应变异运算；将步骤S216得到的两组子代个体随机选取一组,按自适应变异概率Pm,将该组个体进行变异；群体P(t)经过选择、杂交、变异运算之后得到下一代群体P(t+1)；
S218、进化迭代；由步骤S217得到的子代个体作为新的父代个体，算法返回步骤S214,进入下一次进化过程,重新评价、选择、杂交、变异，如此循环两次；
S219、加速搜索运算；把第一次、第二次进化迭代所产生的所有优秀个体的变化范围作为变量的新取值范围，并返回步骤S212；如此加速循环，优秀个体的变化区间将逐步调整和收缩，与最优点的距离将越来越近，直到最优个体的目标函数值小于预定阈值或者算法运行达到预定循环(加速)次数，结束整个算法的运行,并把当前群体中最优个体(即适应度最高或函数值最小的个体)指定为迭代优化的结果。
本实施例中，步骤S22具体为，基于流域实体，采用绝对误差、相对误差、均方根误差和收敛性指标验证仿真模型的优化结果及收敛性；验证过程为，
其中，MAE为绝对误差；Pi表示优化后的仿真模型计算结果，Si表示实测值，MAE的值越接近0,优化效果越好；
其中，BIAS为相对误差；xi表示优化后的仿真模型计算结果，yi表示实测值，最优值为RMSE的值为0；
其中，RMSE为均方根误差；Ti表示优化后的仿真模型计算结果，Oi表示观测值，RMSE的值越小，优化效果越好；
其中，γ为收敛性指标；n为获得的非劣解的个数，di为获得的第i个非劣解与已知真实非劣前沿或近似真实非劣前沿最短的欧式距离，γ的值越小表示优化后仿真模型的收敛性越好。
本实施例中，步骤S23具体为，通过多源数据融合方法和深度学习算法将获取的流域实体的实时及历史的气象数据、水文数据、土壤数据、地形数据和水利工程数据存储在云数据库中，并实现多源数据融合；通过迭代优化技术以及智能决策方法实现流域实体与数字孪生体的实时交互及数据更新，从而构建数据模型。
本实施例中，步骤S24具体为，将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，使得各个模块之间能够彼此协调工作，系统与外界展开合理交互，从而达到整体优化的目的，通过数据驱动与实时交互实现最终的数字孪生流域的构建。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种进化式数字孪生流域构建方法，将孪生技术运用在流域构建上，实现智能管理、感知分析、仿真模拟、自动优化、实时更新以及合理预测的目标，同时达到数字化与智能化相结合的要求。能够为后续开展高精度的水文预报、防洪调度以及模拟预测提供技术支持。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种进化式数字孪生流域构建方法，其特征在于：包括如下步骤，
S1、基于流域的相关参数以及气象数据、水文数据、土壤数据、地形数据和水利工程数据，构建初始数字孪生流域；
S2、对初始数字孪生流域中的模型进行优化及验证，并在满足迭代优化条件时，进行数字孪生体集成，获取最终的数字孪生流域。
2.根据权利要求1所述的进化式数字孪生流域构建方法，其特征在于：流域的相关参数包括流域的结构参数、几何参数、状态参数和边界条件。
3.根据权利要求1所述的进化式数字孪生流域构建方法，其特征在于：流域的气象数据包括流域的实时降水数据、气温数据、风速数据、湿度数据和蒸发数据。
4.根据权利要求1所述的进化式数字孪生流域构建方法，其特征在于：初始数字孪生流域的构建过程为，
S11、基于流域的气象数据、水文数据、土壤数据、地形数据和水利工程数据建立三维的物理模型，同时定义流域的几何属性、功能属性以及各数据要素间的相互关系；
S12、将物理模型中流域的气象数据、水文数据、土壤数据、地形数据和水利工程数据映射到逻辑模型中，通过图形化、形式化的方式描述逻辑模型的组成要素、组织结构和运行机制；并且通过逻辑模型将流域各数据要素的属性关联性质反馈到物理模型中，实现物理模型的优化；
S13、建立以水文水动力学模型为核心的仿真模型，基于流域的气象数据、水文数据、土壤数据、地形数据、水利工程数据以及流域的相关参数，建立流域的水文水动力模型，计算流域的洪峰流量、洪量及水位；并以物理模型和逻辑模型为基础，实现流域在孪生对象、孪生结构和孪生过程的可视化，从而将流域实体转化为三维孪生体。
5.根据权利要求4所述的进化式数字孪生流域构建方法，其特征在于：步骤S2具体包括如下内容，
S21、基于流域的相关参数，采用多目标优化算法对仿真模型进行迭代优化；
S22、基于流域实体，利用相关性分析及误差计算方法对物理模型和仿真模型进行一致性与可靠性验证，当满足仿真模型目标函数的迭代优化条件时，进入步骤S23；否则，返回步骤S11继续迭代优化，不断改进参数，直到满足迭代优化条件，达到收敛，再进入步骤S23；
S23、采用多源数据融合方法、深度学习算法、迭代优化技术以及智能决策方法，实现流域实体与虚拟孪生体中数据的镜像及交换，完成数据模型的构建；
S24、将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，形成最终的数字孪生流域。
6.根据权利要求5所述的进化式数字孪生流域构建方法，其特征在于：所述多目标优化算法为基于二进制编码的遗传算法；步骤S21中迭代优化的具体过程为，
S211、设置仿真模型的参数优化方案，目标函数为，
aj≤cj≤bj；(j＝1,2,…,p)
其中，c＝{cj},cj为p个待优化变量，(xi,yi)为m对仿真模型输入、输出的观测数据，g(c,xi)为yi的近似表达式，q为任意常数；
S212、变量取值范围的二进制编码；
S213、参数初始化；随机生成n个体作为初始群体P(0)；设置进化代数计数器t；设置最大进化代数T；
S214、个体评价；计算群体P(t)中各个个体的适应度,第i个个体的适应度的计算公式为，
其中，目标函数值f(i)越小,表示该个体的适应度F(i)越高；
S215、选择运算；按与个体的适应度F(i)成正比的概率选择2n个个体,这样共选择两组数目各为n的个体；
S216、自适应杂交运算；将步骤S215得到的两组父代个体,按自适应杂交概率PC随机两配对、杂交生成两组子代个体；
S217、自适应变异运算；将步骤S216得到的两组子代个体随机选取一组,按自适应变异概率Pm,将该组个体进行变异；群体P(t)经过选择、杂交、变异运算之后得到下一代群体P(t+1)；
S218、进化迭代；由步骤S217得到的子代个体作为新的父代个体，算法返回步骤S214,进入下一次进化过程,重新评价、选择、杂交、变异，如此循环两次；
S219、加速搜索运算；把第一次、第二次进化迭代所产生的所有优秀个体的变化范围作为变量的新取值范围，并返回步骤S212；直到最优个体的目标函数值小于预定阈值或者算法运行达到预定循环次数，结束整个算法的运行,并把当前群体中最优个体指定为迭代优化的结果。
7.根据权利要求5所述的进化式数字孪生流域构建方法，其特征在于：步骤S22具体为，基于流域实体，采用绝对误差、相对误差、均方根误差和收敛性指标验证仿真模型的优化结果及收敛性；验证过程为，
其中，MAE为绝对误差；Pi表示优化后的仿真模型计算结果，Si表示实测值，MAE的值越接近0,优化效果越好；
其中，BIAS为相对误差；xi表示优化后的仿真模型计算结果，yi表示实测值，最优值为RMSE的值为0；
其中，RMSE为均方根误差；Ti表示优化后的仿真模型计算结果，Oi表示观测值，RMSE的值越小，优化效果越好；
其中，γ为收敛性指标；n为获得的非劣解的个数，di为获得的第i个非劣解与已知真实非劣前沿或近似真实非劣前沿最短的欧式距离，γ的值越小表示优化后仿真模型的收敛性越好。
8.根据权利要求5所述的进化式数字孪生流域构建方法，其特征在于：步骤S23具体为，通过多源数据融合方法和深度学习算法将获取的流域实体的实时及历史的气象数据、水文数据、土壤数据、地形数据和水利工程数据存储在云数据库中，并实现多源数据融合；通过迭代优化技术以及智能决策方法实现流域实体与数字孪生体的实时交互及数据更新，从而构建数据模型。
9.根据权利要求5所述的进化式数字孪生流域构建方法，其特征在于：步骤S24具体为，将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，通过数据驱动与实时交互实现最终的数字孪生流域的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110603782.8A CN113283095A (zh) | 2021-05-31 | 2021-05-31 | 一种进化式数字孪生流域构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110603782.8A CN113283095A (zh) | 2021-05-31 | 2021-05-31 | 一种进化式数字孪生流域构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113283095A true CN113283095A (zh) | 2021-08-20 |
Family
ID=77282743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110603782.8A Pending CN113283095A (zh) | 2021-05-31 | 2021-05-31 | 一种进化式数字孪生流域构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283095A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114961754A (zh) * | 2022-05-31 | 2022-08-30 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN115469291A (zh) * | 2022-11-01 | 2022-12-13 | 湖南赛能环测科技有限公司 | 一种基于数字孪生技术对气象雷达预测的方法及系统 |
| CN115688510A (zh) * | 2022-10-09 | 2023-02-03 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
| CN115688491B (zh) * | 2022-12-30 | 2023-03-10 | 长江水利委员会长江科学院 | 一种基于区块链的水利数字孪生仿真模拟方法 |
| CN115797491A (zh) * | 2022-12-06 | 2023-03-14 | 中国水利水电科学研究院 | 一种数字孪生流域二元水循环流场的生成与渲染方法 |
| CN115859838A (zh) * | 2022-12-07 | 2023-03-28 | 湖北省协诚交通环保有限公司 | 生态环境监测传感器数字孪生体部署方法及系统 |
| CN115983162A (zh) * | 2023-03-20 | 2023-04-18 | 水利部珠江水利委员会水文局 | 一种基于数字孪生的流域建模方法 |
| CN116151155A (zh) * | 2023-04-19 | 2023-05-23 | 南昌工程学院 | 基于数字孪生的城市合流制溢流系统流量监测方法及系统 |
| CN116227248A (zh) * | 2023-05-10 | 2023-06-06 | 长江三峡集团实业发展(北京)有限公司 | 重力储能系统的数字孪生体构建方法、装置及电子设备 |
| CN116720415A (zh) * | 2023-08-09 | 2023-09-08 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生的目标红外特性建模方法 |
| CN117852116A (zh) * | 2024-03-07 | 2024-04-09 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
| CN117893179A (zh) * | 2024-03-18 | 2024-04-16 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
| CN114961754B (zh) * | 2022-05-31 | 2024-05-14 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
-
2021
- 2021-05-31 CN CN202110603782.8A patent/CN113283095A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114961754B (zh) * | 2022-05-31 | 2024-05-14 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN114961754A (zh) * | 2022-05-31 | 2022-08-30 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN115688510A (zh) * | 2022-10-09 | 2023-02-03 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
| CN115688510B (zh) * | 2022-10-09 | 2023-04-14 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
| CN115469291A (zh) * | 2022-11-01 | 2022-12-13 | 湖南赛能环测科技有限公司 | 一种基于数字孪生技术对气象雷达预测的方法及系统 |
| CN115797491A (zh) * | 2022-12-06 | 2023-03-14 | 中国水利水电科学研究院 | 一种数字孪生流域二元水循环流场的生成与渲染方法 |
| CN115859838A (zh) * | 2022-12-07 | 2023-03-28 | 湖北省协诚交通环保有限公司 | 生态环境监测传感器数字孪生体部署方法及系统 |
| CN115688491B (zh) * | 2022-12-30 | 2023-03-10 | 长江水利委员会长江科学院 | 一种基于区块链的水利数字孪生仿真模拟方法 |
| CN115983162A (zh) * | 2023-03-20 | 2023-04-18 | 水利部珠江水利委员会水文局 | 一种基于数字孪生的流域建模方法 |
| CN116151155A (zh) * | 2023-04-19 | 2023-05-23 | 南昌工程学院 | 基于数字孪生的城市合流制溢流系统流量监测方法及系统 |
| CN116151155B (zh) * | 2023-04-19 | 2023-08-04 | 南昌工程学院 | 基于数字孪生的城市合流制溢流系统流量监测方法及系统 |
| CN116227248A (zh) * | 2023-05-10 | 2023-06-06 | 长江三峡集团实业发展(北京)有限公司 | 重力储能系统的数字孪生体构建方法、装置及电子设备 |
| CN116720415A (zh) * | 2023-08-09 | 2023-09-08 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生的目标红外特性建模方法 |
| CN116720415B (zh) * | 2023-08-09 | 2023-12-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生的目标红外特性建模方法 |
| CN117852116A (zh) * | 2024-03-07 | 2024-04-09 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
| CN117893179A (zh) * | 2024-03-18 | 2024-04-16 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283095A (zh) | 一种进化式数字孪生流域构建方法 | |
| CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| CN110887790B (zh) | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 | |
| CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
| CN108563867A (zh) | 一种基于OpenFOAM实现WRF和CFD耦合模拟风场的方法 | |
| CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
| CN113837352B (zh) | 基于长短期记忆神经网络的降雨-径流时空关系模拟方法 | |
| CN107274030A (zh) | 基于水文变量年际和月变化特性的径流预报方法和系统 | |
| CN112733413A (zh) | 一种化学危害信息融合演示系统 | |
| CN116151152B (zh) | 一种基于无网格计算的水动力数值模拟计算方法 | |
| Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
| CN114495500A (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
| CN110276477A (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
| CN116432828A (zh) | 一种缺资料流域径流量智能预测方法 | |
| CN114509556B (zh) | 一种预测场地重金属污染物浓度的方法 | |
| WO2021063461A1 (en) | Method for planning a layout of a renewable energy site | |
| CN116562448A (zh) | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 | |
| CN116050460A (zh) | 基于注意力神经网络的气温数据空间插值方法 | |
| CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
| CN115587664A (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
| CN115829163A (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| CN114187759A (zh) | 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置 | |
| CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
| Duong et al. | A comparative study of SWAT, RFNN and RFNN-GA for predicting river runoff | |
| CN113887843B (zh) | 一种风电场输出功率的群体预测方法和系统 |
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 |