CN114997541A - 一种基于数字孪生技术的城市内涝预测方法及预警平台 - Google Patents

一种基于数字孪生技术的城市内涝预测方法及预警平台 Download PDF

Info

Publication number
CN114997541A
CN114997541A CN202210924847.3A CN202210924847A CN114997541A CN 114997541 A CN114997541 A CN 114997541A CN 202210924847 A CN202210924847 A CN 202210924847A CN 114997541 A CN114997541 A CN 114997541A
Authority
CN
China
Prior art keywords
data
simulation
model
urban
rainfall
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.)
Granted
Application number
CN202210924847.3A
Other languages
English (en)
Other versions
CN114997541B (zh
Inventor
何乐敏
闵皆昇
周璐
吴健明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Yuansuan Technology Co ltd
Original Assignee
Zhejiang Yuansuan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Yuansuan Technology Co ltd filed Critical Zhejiang Yuansuan Technology Co ltd
Priority to CN202210924847.3A priority Critical patent/CN114997541B/zh
Publication of CN114997541A publication Critical patent/CN114997541A/zh
Application granted granted Critical
Publication of CN114997541B publication Critical patent/CN114997541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Fluid Mechanics (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数字孪生技术的城市内涝预测方法及预警平台，属于城市内涝预测技术领域。现有仿真预测模型普适性较差，预测准确度不高，不利于推广使用。本发明的一种基于数字孪生技术的城市内涝预测方法，通过构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型，对未来一段时间内的城市内涝场景模拟预测。同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数，并将两个评价函数结合，得到目标函数，利用极小化算法求解目标函数，完成城市模型参数的自动率定，方案详尽、科学、合理，切实可行，能够有效提高仿真模拟计算的准确性，提升预测准确度。

Description

一种基于数字孪生技术的城市内涝预测方法及预警平台
技术领域
本发明涉及一种基于数字孪生技术的城市内涝预测方法及预警平台，属于城市内涝预测技术领域。
背景技术
中国专利（CN109871621B）公开了一种城市暴雨内涝汇水区分析方法，其包括采用SMS地表水模拟系统对任一选取的选定区域进行网格剖分得到计算区域；获取待研究区域的DEM数据，并将糙率和DEM数据赋给计算区域，计算每个网格的高程；向计算区域加入降雨数据，并采用前损后损法计算每个网格的降雨产汇流；根据每个网格的降雨产汇流，采用地表二维水力学模型计算每个网格的水深和水流速度；根据具有水深数据的网格的水流速度和与水流速度经过的网格边的边长，计算具有水深数据的网格的边流量；选取水深大于设定阈值的网格作为分析网格，并根据分析网格及与分析网格邻接的网格的水深、每条网格边的边流量大小和方向，判断分析网格是否为汇水区。
同时，中国专利（CN109190263A）公开了一种基于降雨径流及水动力模型预测全流域降水流量的方法，包括：读取全流域数据，通过分布式降雨径流模型计算各个子集水区的出流量，模拟降雨径流的空间分布；将各个子集水区的出流量收纳入河川水动力模型，通过计算河川水动力模型得到河川断面水位和流量。降雨入渗量通过含有降雨入渗率、初始入渗率、长期入渗率的公式进行计算。
上述内涝预测方案以及现有的内涝方案，其仿真数值模型的准确率都是依赖于模型参数的准确度，但上述方案都没有公开如何对模式参数进行确定以及校准，影响了模型预测的准确性，并且随着地形地貌、周边建筑以及管路的改变，其模型参数也会变化，因此固定参数的仿真模型普适性较差，预测准确度不高，不利于推广使用。
进一步，现有的内涝预测方案需要处理的数据量巨大，涉及的模型仿真较多，对计算资源具有极高的要求，计算过程中占用的内存较大，并且其仿真计算一直处于运行阶段，导致计算资源浪费，不利于节能减排。
发明内容
针对现有技术的缺陷，本发明的目的一在于提供一种通过构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测；同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数，并将两个评价函数结合，得到目标函数，利用极小化算法求解目标函数，完成城市模型参数的自动率定，进而实现观测结果与仿真结果相吻合的数字孪生，方案详尽、科学、合理，切实可行，能够有效提高仿真模拟计算准确性，提升预测准确度的基于数字孪生技术的城市内涝预测方法。
本发明的目的二在于提供一种利用数据同化模型，考虑仿真虚拟场和观测场之间的偏差，求得最佳的参数取值，实现模型参数的自动率定，从而使得模型参数可以随地形地貌、周边建筑以及管路的改变而改变，使得本发明的仿真模型具有极强普适性，利于推广使用的基于数字孪生技术的城市内涝预测方法。
本发明的目的三在于提供一种根据降雨预报数据、当前水深监测数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算，避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况，节约计算及储存资源，提高仿真效率，从而能够有效节能减排的基于数字孪生技术的城市内涝预测方法。
本发明的目的四在于提供一种设置节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块，对未来一段时间内的城市内涝场景模拟预测，方案简单、实用，便于生产制造的基于数字孪生技术的城市内涝预测方法及预警平台。
为实现上述目的之一，本发明的第一种技术方案为：
一种基于数字孪生技术的城市内涝预测方法，
包括以下步骤：
第一步：基于城市地表拓扑结构，构建不规则三角形网格单元模型；
所述不规则三角形网格单元模型，用于将城市地表拓扑结构分成若干节点，并在节点上构造数据矩阵；
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数；
第二步：根据第一步中的数据矩阵，以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件，构建水动力仿真数值模型，获得城市未来时间段内的虚拟场；
第三步：将第二步中的虚拟场与观测场进行对比，得到偏差值；
第四步，根据第三步中的偏差值，构建数据同化模型，用于对城市模型参数进行自动率定；
数据同化模型的构建，包括以下步骤：
步骤41，根据文献或先验值，得到城市模型初始参数，并将城市模型初始参数设置为初估背景值；
利用监测仪器测量得到的监测数据；
步骤42，根据步骤41中的初估背景值，构造预报误差协方差矩阵；
根据监测数据，构造观测协方差矩阵：
步骤43，取待求背景值与初估背景值的偏差，用步骤42中的预报误差协方差矩阵的逆进行加权，形成背景约束评价函数；
取虚拟场和观测场偏差，用观测误差协方差矩阵的逆进行加权，形成观测评价函数；
步骤44，将步骤43中的背景约束评价函数和观测评价函数进行结合，形成目标函数；
步骤45，对步骤44中的目标函数，进行极小化求解，得到待求背景值的求解值；
步骤46，根据步骤45中的求解值，得到城市模型优化参数，实现城市模型参数的自动率定；
第五步，将第四步中的城市模型优化参数，代入到水动力仿真数值模型中，得到水动力仿真数值优化模型；
第六步，将预报数据或监测数据输入到第五步中的水动力仿真数值优化模型中，进行未来一段时间内的城市内涝场景模拟预测。
本发明经过不断探索以及试验，构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测。同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数，并将两个评价函数结合，得到目标函数，利用极小化算法求解目标函数，完成城市模型参数的自动率定，进而实现观测结果与仿真结果相吻合的数字孪生，方案详尽、科学、合理，切实可行，能够有效提高仿真模拟计算的准确性，提升预测准确度。
进一步，本发明利用数据同化模型，考虑仿真虚拟场和观测场之间的偏差，求得最佳的参数取值，实现模型参数的自动率定，从而使得模型参数可以随地形地貌、周边建筑以及管路的改变而改变，使得本发明的仿真模型具有极强的普适性，利于推广使用。
作为优选技术措施：
所述第一步中，降雨量通过气象预报获得；
根据降雨量，构建节点位置上的降雨量矩阵
Figure 316204DEST_PATH_IMAGE001
，
其中，
Figure 171028DEST_PATH_IMAGE002
为节点编号，
Figure 747503DEST_PATH_IMAGE003
为
Figure 54348DEST_PATH_IMAGE004
到
Figure 806404DEST_PATH_IMAGE005
时间段内的累计降雨量值，
Figure 363287DEST_PATH_IMAGE006
。
作为优选技术措施：
所述第二步中，水动力仿真数值模型的构建方法如下：
步骤21，获取地下管网数据；
步骤22，根据步骤21中的地下管网数据以及数据矩阵，构建一维水动力仿真数值单元，用于模拟计算城市排水过程，并得到一维水动力仿真结果；
步骤23，构建二维水动力仿真数值单元，用于模拟计算城市地表径流的过程，并将步骤22中的一维水动力仿真结果输入至二维水动力仿真数值单元中；
步骤24，根据步骤23中的二维水动力仿真数值单元，得到随时间变化的虚拟水深 场
Figure 708949DEST_PATH_IMAGE007
和虚拟流速场
Figure 704587DEST_PATH_IMAGE008
。
作为优选技术措施：
二维水动力仿真数值单元的计算公式如下：
连续方程：
Figure 452094DEST_PATH_IMAGE009
动量方程：
Figure 645790DEST_PATH_IMAGE010
其中，h为水深；Z为表面高程；t为时间；u和v分别为笛卡尔坐标系下沿x、y方向的平均速度值；ɡ为重力加速度；F x 和F y 为方程组的源项，包括底部摩擦、表面风应力、科氏力、大气压力；v e 为紊动粘性扩散系数。
作为优选技术措施：
所述第三步中，观测场为通过监测仪器测量返回的监测数据，其至少包括水深数据、流速数据和干地参数；
所述水深数据为通过河流中以及易涝点设立的水位计返回的监测值；
所述流速数据为通过河流中以及易涝点设立的流量计返回的监测值；
当节点处于河湖范围内，则干地参数 D(n)=0；
当节点不处于河湖范围内，则干地参数D(n)=1。
作为优选技术措施：
所述第四步中，预报误差协方差矩阵的计算公式如下：
Figure 337803DEST_PATH_IMAGE011
其中，
Figure 543656DEST_PATH_IMAGE012
为初估背景值；
Figure 145670DEST_PATH_IMAGE013
为待求背景值，其表示下渗系数或/和摩擦系数；
所述观测协方差矩阵的计算公式如下：
Figure 44356DEST_PATH_IMAGE014
Figure 223664DEST_PATH_IMAGE015
为易涝点或河湖位置的水位数据的协方差矩阵；
Figure 702050DEST_PATH_IMAGE016
为水流流速的协方差矩阵；
目标函数的计算公式如下：
Figure 280275DEST_PATH_IMAGE017
其中，
Figure 694070DEST_PATH_IMAGE018
表示实际观测值，其为通过监测仪器监测得到的实际水深场
Figure 360674DEST_PATH_IMAGE019
；
Figure 377172DEST_PATH_IMAGE020
表示虚拟观测值，其为通过水动力仿真数值模型仿真得到的虚拟水深场
Figure 812832DEST_PATH_IMAGE021
；
所述极小化求解的过程如下：
S41，通过敏感性分析的方法确定参数取值区间的上下限，得到参数率定的可行域：
Figure 787742DEST_PATH_IMAGE022
其中，
Figure 676063DEST_PATH_IMAGE023
为第
Figure 493322DEST_PATH_IMAGE024
个参数的上下限值，
Figure 783489DEST_PATH_IMAGE025
；
S42，根据S41中的可行域，采用下降算法找到目标函数的最小化值，其计算公式如下：
Figure 663720DEST_PATH_IMAGE026
S43，S42中的
Figure 304917DEST_PATH_IMAGE027
的极小值满足
Figure 397638DEST_PATH_IMAGE028
即：
Figure 73470DEST_PATH_IMAGE029
其中， L为y的切线性算子，其计算公式如下：
Figure 859023DEST_PATH_IMAGE030
w 为中间变量，其通过扰动方法进行求解，其计算公式如下：
Figure 721937DEST_PATH_IMAGE031
其中， C由预报误差协方差矩阵获得，其计算公式如下：
Figure 146578DEST_PATH_IMAGE032
；
式中，B为预报误差协方差矩阵。
作为优选技术措施：
所述第六步中，水动力仿真数值优化模型通过计算仿真触发逻辑变量，判断是否需要启动城市内涝场景模拟预测；
仿真触发逻辑变量的计算方法如下：
遍历每个节点上的降雨预报数据，得到降雨量矩阵，降雨量矩阵的计算公式如下：
Figure 145758DEST_PATH_IMAGE033
；
其中，
Figure 367792DEST_PATH_IMAGE034
为时间，
Figure 718002DEST_PATH_IMAGE035
为
Figure 683684DEST_PATH_IMAGE036
到
Figure 802949DEST_PATH_IMAGE037
时间段内的累计降雨量值；
根据降雨量矩阵，计算得到降雨逻辑变量，其计算公式如下：
Figure 930305DEST_PATH_IMAGE038
，
Figure 33391DEST_PATH_IMAGE039
；
在节点上新建一初始水深场
Figure 675200DEST_PATH_IMAGE040
，同步监测易涝点或河流或湖泊的水深监测 数据；同时，新建一初始流速场
Figure 914551DEST_PATH_IMAGE041
，同步监测流速监测数据；
根据降雨逻辑变量
Figure 212809DEST_PATH_IMAGE042
以及初始水深场
Figure 803190DEST_PATH_IMAGE043
，
计算仿真触发逻辑变量，其计算公式如下：
Figure 376254DEST_PATH_IMAGE044
；
当
Figure 204533DEST_PATH_IMAGE045
时，则不触发仿真模拟计算，
Figure 342865DEST_PATH_IMAGE046
；
当
Figure 889384DEST_PATH_IMAGE047
时，则触发仿真模拟计算。
作为优选技术措施：
还包括第七步，某时间间隔后，将预报数据或监测数据进行更新，重复进行第一步以及第六步，更新内涝场景预测结果；
时间间隔根据预报数据、监测数据的更新间隔以及水动力仿真数值模型模拟计算的时间长度决定。
为实现上述目的之一，本发明的第二种技术方案为：
一种基于数字孪生技术的城市内涝预测方法，包括以下步骤：
第一步，获取降雨预报数据、监测水深数据；并根据降雨预报数据、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算；
如果需要触发仿真模拟计算，则执行第二步；
如果不需要触发仿真模拟计算，则重新执行第一步；
第二步：基于城市地表拓扑结构，构建不规则三角形网格单元模型；
所述不规则三角形网格单元模型，用于将城市地表拓扑结构分成若干节点，并在节点上构造数据矩阵；
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数；
第三步：根据第二步中的数据矩阵，以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件，构建水动力仿真数值模型，获得城市未来时间段内的虚拟场；
第四步：将第三步中的虚拟场与观测场进行对比，得到偏差值；
第五步，根据第四步中的偏差值，构建数据同化模型，用于对城市模型参数进行自动率定；
第六步，将第五步中的城市模型优化参数，代入到水动力仿真数值模型中，得到水动力仿真数值优化模型；
第七步，将预报数据或监测数据输入到第六步中的水动力仿真数值优化模型中，进行城市内涝场景模拟预测。
本发明经过不断探索以及试验，根据降雨预报数据、当前水深监测数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算，避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况，节约计算及储存资源，提高仿真效率。
同时本发明构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测。
进一步，本发明的数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数，并将两个评价函数结合，得到目标函数，利用极小化算法求解目标函数，完成城市模型参数的自动率定，进而实现观测结果与仿真结果相吻合的数字孪生，方案详尽、科学、合理，切实可行，能够有效提高仿真模拟计算的准确性，提升预测准确度。
更进一步，本发明的模型参数可以随地形地貌、周边建筑以及管路的改变而改变，使得本发明的仿真模型具有极强的普适性，利于推广使用。
为实现上述目的之一，本发明的第三种技术方案为：
一种城市内涝预测预警平台，应用上述的一种基于数字孪生技术的城市内涝预测方法；
其包括节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块；
所述节点数据库模块，用于构建不规则三角形网格单元，并从降雨预报数据接口获得预测数据，从监测数据接口获得监测数据，将数据映射至每个节点中；
所述触发因子模块，用于遍历每个节点上的降雨预报、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真计算；
所述仿真模拟计算模块，用于获取不规则三角形网格单元的节点数据以及触发因子模块中新生成的初始场数据，并计算城市地表内涝过程，获得未来随时间变化的虚拟水深场和虚拟流速场；
所述数据同化模块，用于对摩擦系数与下渗系数进行自动率定；
所述数据输出及可视化模块，用于数据的可视化展示；
经过触发因子模块的判定，当需要触发仿真模拟计算时，将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块，并启动计算；
当不需要触发仿真模拟计算时，将当前的初始场数据传入数据输出及可视化模块，进行显示。
本发明经过不断探索以及试验，设置节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块，对未来一段时间内的城市内涝场景模拟预测。
进一步，本发明的触发因子模块能够根据降雨预报数据、当前水深监测数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算，避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况，节约计算及储存资源，提高仿真效率。
更进一步，本发明的数据同化模块，能够对摩擦系数与下渗系数进行自动率定，并且参数可以随地形地貌、周边建筑以及管路的改变而改变，使得本发明的仿真模型具有极强的普适性，进而实现观测结果与仿真结果相吻合的数字孪生，方案详尽、科学、合理，切实可行，能够有效提高仿真模拟计算的准确性，提升预测准确度，利于推广使用。
与现有技术相比，本发明具有以下有益效果：
本发明经过不断探索以及试验，构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测。同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数，并将两个评价函数结合，得到目标函数，利用极小化算法求解目标函数，完成城市模型参数的自动率定，进而实现观测结果与仿真结果相吻合的数字孪生，方案详尽、科学、合理，切实可行，能够有效提高仿真模拟计算的准确性，提升预测准确度。
进一步，本发明利用数据同化模型，考虑仿真虚拟场和观测场之间的偏差，求得最佳的参数取值，实现模型参数的自动率定，从而使得模型参数可以随地形地貌、周边建筑以及管路的改变而改变，使得本发明的仿真模型具有极强的普适性，利于推广使用。
更进一步，本发明根据降雨预报数据、当前水深监测数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算，避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况，节约计算及储存资源，提高仿真效率，从而能够有效节能减排。
再进一步，本发明设置节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块，对未来一段时间内的城市内涝场景模拟预测，方案简单、实用，便于生产制造。
附图说明
图1是本发明城市内涝预测方法的一种流程示意图；
图2是本发明不规则三角形网格单元的一种结构示意图；
图3是本发明城市内涝预测预警平台的一种数据处理流程示意图。
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，以下结合附图及实施例，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例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明基于数字孪生技术的城市内涝预测方法的第一种具体实施例：
一种基于数字孪生技术的城市内涝预测方法
包括以下步骤：
第一步：基于城市地表拓扑结构，构建不规则三角形网格单元模型；
所述不规则三角形网格单元模型，用于将城市地表拓扑结构分成若干节点，并在节点上构造数据矩阵；
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数；
第二步：根据第一步中的数据矩阵，以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件，构建水动力仿真数值模型，获得城市未来时间段内的虚拟场；
第三步：将第二步中的虚拟场与观测场进行对比，得到偏差值；
第四步，根据第三步中的偏差值，构建数据同化模型，用于对城市模型参数进行自动率定；
数据同化模型的构建，包括以下步骤：
步骤41，根据文献或先验值，得到城市模型初始参数，并将城市模型初始参数设置为初估背景值；
利用监测仪器测量得到的监测数据；
步骤42，根据步骤41中的初估背景值，构造预报误差协方差矩阵；
根据监测数据，构造观测协方差矩阵：
步骤43，取待求背景值与初估背景值的偏差，用步骤42中的预报误差协方差矩阵的逆进行加权，形成背景约束评价函数；
取虚拟场和观测场偏差，用观测误差协方差矩阵的逆进行加权，形成观测评价函数；
步骤44，将步骤43中的背景约束评价函数和观测评价函数进行结合，形成目标函数；
步骤45，对步骤44中的目标函数，进行极小化求解，得到待求背景值的求解值；
步骤46，根据步骤45中的求解值，得到城市模型优化参数，实现城市模型参数的自动率定；
第五步，将第四步中的城市模型优化参数，代入到水动力仿真数值模型中，得到水动力仿真数值优化模型；
第六步，将预报数据或监测数据输入到第五步中的水动力仿真数值优化模型中，进行未来一段时间内的城市内涝场景模拟预测。
本发明基于数字孪生技术的城市内涝预测方法的第二种具体实施例：
一种基于数字孪生技术的城市内涝预测方法，包括以下步骤：
第一步，获取降雨预报数据、监测水深数据；并根据降雨预报数据、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算；
如果需要触发仿真模拟计算，则执行第二步；
如果不需要触发仿真模拟计算，则重新执行第一步；
第二步：基于城市地表拓扑结构，构建不规则三角形网格单元模型；
所述不规则三角形网格单元模型，用于将城市地表拓扑结构分成若干节点，并在节点上构造数据矩阵；
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数；
第三步：根据第二步中的数据矩阵，以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件，构建水动力仿真数值模型，获得城市未来时间段内的虚拟场；
第四步：将第三步中的虚拟场与观测场进行对比，得到偏差值；
第五步，根据第四步中的偏差值，构建数据同化模型，用于对城市模型参数进行自动率定；
第六步，将第五步中的城市模型优化参数，代入到水动力仿真数值模型中，得到水动力仿真数值优化模型；
第七步，将预报数据或监测数据输入到第六步中的水动力仿真数值优化模型中，进行城市内涝场景模拟预测。
如图1所示，本发明基于数字孪生技术的城市内涝预测方法的第三种具体实施例：
一种基于数字孪生技术的城市内涝预测方法，包括以下步骤：
S1：基于城市地表拓扑结构构建的不规则三角形网格单元，在每个单元节点上构造数据矩阵。
S2：遍历每个节点上的降雨预报数据，计算仿真触发逻辑变量，判断是否需要启动仿真计算。
S3：考虑当前水深流速场条件、河流的上下游边界条件、降雨预报数据、地形数据、地下管网数据、城市下垫面摩擦系数、下渗系数等，构建一维、二维水动力仿真数值模型，获得城市未来时间段内的虚拟场。
S4：将城市模型中不确定的参数作为背景值，将监测仪器测量得到的值作为观测场。考虑背景值在范围内的变化及仿真虚拟场和观测场之间的偏差，构建数据同化算法的代价函数，建立参数优化的数学模型。
S5：根据数据同化算法优化算法得到的最优城市模型参数，以及实时降雨预报数据、河流上下游边界预测数据、初始场数据等，使用仿真数值模型进行未来一段时间内的城市内涝场景模拟计算。
S6：某时间间隔后，预报数据或监测数据更新，则重复S2-S4更新内涝场景预测结果。
本发明构建不规则三角形网格单元的一种具体实施例：
在每个单元节点上的构造的数据矩阵包括该节点所在位置的地理信息数据，具体为：随时间变化的降雨量、高程、水深、干地参数、下渗系数、摩擦系数等数据。
其中，降雨量数据通过请求气象预报接口接入数据，构建节点位置上的降雨量矩 阵
Figure 266139DEST_PATH_IMAGE048
；
其中，
Figure 480083DEST_PATH_IMAGE049
为节点编号，
Figure 385722DEST_PATH_IMAGE050
为
Figure 419537DEST_PATH_IMAGE051
到
Figure 68824DEST_PATH_IMAGE052
时间段内的累计降雨量值，
Figure 871695DEST_PATH_IMAGE053
。水深数据为河流中以及易涝点设立的水位计返回的监测 值，记为H(n) 监测 。
流速数据为河流中以及易涝点设立的流量计返回的监测值，记为
Figure 210885DEST_PATH_IMAGE054
。监 测数据作为仿真模拟计算的初始条件，也作为观测场数据。干地参数的确定则根据该节点 是否处于河湖区域来确定，若该节点处于河湖范围内，正常情况下不为干地，则
Figure 731996DEST_PATH_IMAGE055
；若该节点不处于河湖范围内，正常情况是干地，则
Figure 653816DEST_PATH_IMAGE056
。下渗系数 与摩擦系数则根据政府相关部门提供的土地利用数据，根据相关文献或者先验值，设置该 节点处的下渗系数及摩擦系数。下渗系数与摩擦系数均为仿真模型中的不确定参数。
本发明仿真触发逻辑变量判定的一种具体实施例：
根据仿真触发逻辑变量，判断是否需要启动仿真计算，其具体步骤为：
S21：遍历每个节点上的降雨预报数据，降雨量矩阵为
Figure 576772DEST_PATH_IMAGE057
， 计算得到降雨逻辑变量
Figure 824214DEST_PATH_IMAGE058
。
S22：在节点上新建一个初始水深场
Figure 832621DEST_PATH_IMAGE059
，同步监测水深数据；初始流速场
Figure 823711DEST_PATH_IMAGE060
，同步监测流速数据。
S23：计算仿真触发逻辑变量
Figure 601174DEST_PATH_IMAGE061
，若
Figure 40025DEST_PATH_IMAGE062
，则不触发仿真模拟计算
Figure 270149DEST_PATH_IMAGE063
；若
Figure 330509DEST_PATH_IMAGE064
，则进行步骤S3。
本发明构建水动力仿真数值模型的一种具体实施例：
考虑初始水深流速场条件、河流的上下游边界条件、降雨预报数据、地形数据、地下管网数据、城市下垫面摩擦系数、下渗系数等，基于步骤S1构建的不规则三角形网格单元和单元节点上的数据，以及S2中新生成的初始场数据，构建地下管网的一维水动力仿真数值模型，模拟计算城市排水过程，构建地表二维水动力仿真数值模型，模拟计算城市地表径流的过程，获得未来随时间变化的虚拟水深场H 虚拟和虚拟流速场V 虚拟。
本发明城市模型参数自动率定的一种具体实施例：
将城市模型中不确定的参数作为背景值，将监测仪器测量得到的值作为观测场。考虑背景值在范围内的变化及仿真虚拟场和观测场之间的偏差，构建数据同化算法的目标函数，建立参数优化的数学模型。
根据文献或先验值确定的城市模型参数，如下渗系数和摩擦系数可能存在与实际不相符的情况，使用该参数进行仿真模拟计算得到的虚拟场与观测场存在较大差异，因此使用数据同化的方法进行不确定参数的自动率定。具体步骤为：
步骤41：将据文献或先验值确定的城市模型参数，比如下渗系数和摩擦系数，设置 为初估背景值
Figure 696900DEST_PATH_IMAGE065
，设置预报误差协方差矩阵
Figure 551723DEST_PATH_IMAGE066
：
Figure 534723DEST_PATH_IMAGE067
城市中监测仪器返回数据包括：易涝点、河湖等位置的水位数据，记作
Figure 602036DEST_PATH_IMAGE068
，通 过液位计、智能井盖等获得，其协方差矩阵为
Figure 88512DEST_PATH_IMAGE069
；水流流速，记作
Figure 111307DEST_PATH_IMAGE070
，由流量计获得， 其协方差矩阵为
Figure 50444DEST_PATH_IMAGE071
。由监测数据构成观测协方差矩阵R：
Figure 187027DEST_PATH_IMAGE072
步骤42：取待求背景值x与初估背景值x b 的偏差，用预报误差协方差矩阵的逆进行 加权，形成背景约束评价函数。取水深虚拟场和水深观测场偏差，用观测误差协方差矩阵的 逆进行加权，形成观测评价函数。二者结合形成目标函数
Figure 793589DEST_PATH_IMAGE073
：
Figure 990215DEST_PATH_IMAGE074
其中，
设置实际观测值
Figure 682228DEST_PATH_IMAGE075
为城市监测得到的实际水深场
Figure 622502DEST_PATH_IMAGE076
；
虚拟观测值
Figure 221586DEST_PATH_IMAGE077
为城市水动力仿真得到的虚拟水深场
Figure 854693DEST_PATH_IMAGE078
；
Figure 768422DEST_PATH_IMAGE079
为城市模型中的不确定参数，比如下渗系数、摩擦系数等。参数均为有界区间内 的变量，可以通过敏感性分析的方法确定参数取值区间的上下限，从而得到参数率定的可 行域：
Figure 512387DEST_PATH_IMAGE080
式中
Figure 359121DEST_PATH_IMAGE081
为第 j个参数的上下限值，
Figure 631970DEST_PATH_IMAGE082
。
步骤43：为了使观测场和仿真得到的虚拟场得到最优拟合，需要找到目标函数 J的最小化，采用下降算法完成极小化过程。首先定义变量w：
Figure 32996DEST_PATH_IMAGE083
其中，C由预报误差协方差矩阵B获得：
Figure 49493DEST_PATH_IMAGE084
根据 w的定义，目标函数改写为：
Figure 482224DEST_PATH_IMAGE085
J的极小值满足
Figure 925975DEST_PATH_IMAGE086
即：
Figure 79876DEST_PATH_IMAGE087
其中 L为 y的切线性算子，
Figure 900064DEST_PATH_IMAGE088
。上式是一个非线性方程，使用扰动方法来 求解w，从而得到最优的城市参数组合x。
本发明城市内涝场景模拟计算的一种具体实施例：
根据数据同化算法优化算法得到的最优城市模型参数组合x，以及实时降雨预报数据、河流上下游边界预测数据、初始场数据等，使用仿真数值模型进行未来一段时间内的城市内涝场景模拟计算，得到虚拟水深场H 虚拟 和虚拟流速场V 虚拟 ，此时的虚拟场与观测场相吻合。
某时间间隔后，预报数据或监测数据更新，则重复S2-S4更新内涝场景预测结果。具体的时间间隔∆T根据预报数据、监测数据的更新间隔以及水动力仿真模拟计算的时间长度决定。
如图3所示，应用本发明基于数字孪生技术的城市内涝预测方法搭建的城市内涝预测预警平台的一种具体实施例：
一种市内涝预测预警平台，其包括节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块；
所述节点数据库模块，用于构建不规则三角形网格单元，并从降雨预报数据接口获得预测数据，从监测数据接口获得监测数据，将数据映射至每个节点中；
所述触发因子模块，用于遍历每个节点上的降雨预报、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真计算；
所述仿真模拟计算模块，用于获取不规则三角形网格单元的节点数据以及触发因子模块中新生成的初始场数据，并计算城市地表内涝过程，获得未来随时间变化的虚拟水深场和虚拟流速场；
所述数据同化模块，用于对摩擦系数与下渗系数进行自动率定；
所述数据输出及可视化模块，用于数据的可视化展示；
经过触发因子模块的判定，当需要触发仿真模拟计算时，将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块，并启动计算；
当不需要触发仿真模拟计算时，将当前的初始场数据传入数据输出及可视化模块，进行显示。
本发明节点数据库模块的一种具体实施例：
本模块基于城市地表拓扑结构构建的不规则三角形网格单元，并从降雨预报数据接口获得预测数据，从监测数据接口获得监测数据，将数据映射至每个单元节点。
将城市中的建筑物设置考虑为不可淹没区域，将其他区域考虑为可淹没区域，建立不规则三角形网格，如图2所示为不规则三角形网格单元的局部示意图。此时，每个网格节点仅包含坐标信息，随后需要在每个节点上构建包含以下数据的矩阵：
1.降雨量：通过访问当地气象局的气象预报接口，实时获取未来24小时逐小时的 降雨量预报数据，构建节点位置上的降雨量矩阵
Figure 190231DEST_PATH_IMAGE089
，其中，n为节点 编号，
Figure 70462DEST_PATH_IMAGE090
为
Figure 446080DEST_PATH_IMAGE091
到
Figure 804380DEST_PATH_IMAGE092
时间段内的累计降雨量值，
Figure 477282DEST_PATH_IMAGE093
。
2.高程：通过读取包含地理高程信息数据的栅格文件，将对应坐标的高程映射至节点中。
3.水深：将河流、湖泊、易涝点等位置设置的水位计的返回的监测水深写入节点数据矩阵中，记为H(n) 监测 ，作为城市内涝仿真的初始条件，也作为数据同化时的观测场数据。
4.干地参数：根据该节点是否处于河湖区域来确定干地参数D的取值，若该节点处于河湖范围内，正常情况下不为干地，则 D(n)=0；若该节点不处于河湖范围内，正常情况是干地，则 D(n)=1。
5.下渗系数：本平台的仿真模拟使用了SCS-CN模型进行降雨径流计算，使用
Figure 262836DEST_PATH_IMAGE094
值表征土地的下渗性质。根据政府相关部门提供的土地利用数据，以及相关文献，设置该节 点处的初估下渗系数
Figure 860170DEST_PATH_IMAGE095
。下渗系数为仿真模型中的不确定参数，需要使用数据同化进行 进一步率定。
6.摩擦系数：本平台的仿真模拟使用了曼宁模型进行摩擦阻力的计算，同样根据 政府相关部门提供的土地利用数据，以及相关文献，设置该节点处的初估摩擦系数
Figure 287741DEST_PATH_IMAGE096
。摩 擦系数为仿真模型中的不确定参数，需要使用数据同化进行进一步率定。
本发明触发因子模块的一种具体实施例：
触发因子模块遍历每个节点上的降雨预报、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真计算，如果需要触发仿真模拟计算，则平台将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块，并启动计算；如果不需要触发仿真模拟计算，则将当前的初始场数据传入数据输出及可视化模块。
触发因子模块的计算流程如下：
1.遍历每个节点上的降雨预报数据，降雨量矩阵为
Figure 552500DEST_PATH_IMAGE097
，计 算得到降雨逻辑变量
Figure 915479DEST_PATH_IMAGE098
。
2.在节点上新建一个初始水深场
Figure 265689DEST_PATH_IMAGE099
，同步监测易涝点、河流、湖泊的水深监 测数据；初始流速场
Figure 962862DEST_PATH_IMAGE100
，同步流速监测数据。
3. 计算仿真触发逻辑变量
Figure 347707DEST_PATH_IMAGE101
，若
Figure 6222DEST_PATH_IMAGE102
，则不触发仿真模拟计算，
Figure 843728DEST_PATH_IMAGE103
，将当前的初始场数据传 入数据输出及可视化模块。若
Figure 613101DEST_PATH_IMAGE104
，则平台将不规则三角形网格单元及单元节点数据传 入仿真模拟计算模块，并启动计算。
本发明仿真模拟计算模块的一种具体实施例：
如果需要触发仿真模拟计算，则平台将节点数据库模块中的不规则三角形网格单元及单元节点数据传入本模块，并将触发因子模块中新生成的初始场数据传入本模块中，计算城市地表内涝过程，获得未来随时间变化的虚拟水深场和虚拟流速场。
1. 基于节点数据，构建地下管网的一维水动力仿真数值模型。并将节点中的降雨数据传入模型中，模拟计算城市排水，得到井口排水流量Q随时间的变化，并将数据储存至csv文件中，传入二维水动力模型进行计算。
2. 构建地表二维水动力仿真数值模型，触发因子模块中新生成的初始场作为初始条件，模拟计算城市地表径流的过程，获得未来24小时随时间变化的虚拟水深场 H 虚拟 和虚拟流速场V 虚拟 。
本发明数据同化模块的一种具体实施例：
由于模型中的摩擦系数
Figure 727818DEST_PATH_IMAGE105
与下渗系数
Figure 291655DEST_PATH_IMAGE106
为初估值，并非符合实际情况，因 此，需要使用数据同化进行进一步率定。平台将包含虚拟水深场H 虚拟 和虚拟流速场V 虚拟 信息 的节点数据传入数据同化模块中。考虑摩擦系数与下渗系数在范围内的变化及仿真虚拟场 和观测场之间的偏差，构建数据同化算法的目标函数，建立参数优化的数学模型。
1.将据文献或先验值确定的摩擦系数
Figure 613527DEST_PATH_IMAGE107
与下渗系数
Figure 655432DEST_PATH_IMAGE108
，具体数值如表1所 示：
Figure 749290DEST_PATH_IMAGE109
设置为初估背景值
Figure 484028DEST_PATH_IMAGE110
与
Figure 30547DEST_PATH_IMAGE111
，设置预报误差协方差矩阵
Figure 141723DEST_PATH_IMAGE112
：
Figure 355666DEST_PATH_IMAGE113
城市中监测仪器返回数据包括：易涝点、河湖等位置的水深数据，记作
Figure 261305DEST_PATH_IMAGE114
，通 过液位计、智能井盖等获得，其协方差矩阵为
Figure 557770DEST_PATH_IMAGE115
；水流流速，记作
Figure 941478DEST_PATH_IMAGE116
，由流量计获得， 其协方差矩阵为
Figure 9928DEST_PATH_IMAGE117
。由监测数据构成观测协方差矩阵
Figure 86469DEST_PATH_IMAGE118
：
Figure 607580DEST_PATH_IMAGE119
2.取待求背景值
Figure 794979DEST_PATH_IMAGE120
与初估背景值
Figure 717935DEST_PATH_IMAGE121
的偏差，用预报 误差协方差矩阵的逆进行加权，形成背景约束评价函数。取水深虚拟场和水深观测场偏差， 用观测误差协方差矩阵的逆进行加权，形成观测评价函数。二者结合形成目标函数
Figure 699798DEST_PATH_IMAGE122
：
Figure 728713DEST_PATH_IMAGE123
其中，设置实际观测值
Figure 719803DEST_PATH_IMAGE124
为城市监测得到的实际水深场
Figure 497266DEST_PATH_IMAGE125
；
虚拟观测值
Figure 915609DEST_PATH_IMAGE126
为城市水动力仿真得到的虚拟水深场
Figure 145733DEST_PATH_IMAGE127
；
Figure 471672DEST_PATH_IMAGE128
为城市模型中下渗系数、摩擦系数。系数均为有界区间内的变量，可以通过敏 感性分析的方法确定参数取值区间的上下限，从而得到参数率定的可行域：
Figure 244587DEST_PATH_IMAGE129
3.为了使观测场和仿真得到的虚拟场得到最优拟合，需要找到目标函数
Figure 830902DEST_PATH_IMAGE130
的最小 化，采用下降算法完成极小化过程。首先定义变量
Figure 813901DEST_PATH_IMAGE131
：
Figure 412373DEST_PATH_IMAGE132
其中，
Figure 898849DEST_PATH_IMAGE133
由预报误差协方差矩阵
Figure 190153DEST_PATH_IMAGE134
获得：
Figure 394869DEST_PATH_IMAGE135
根据
Figure 672398DEST_PATH_IMAGE131
的定义，目标函数改写为：
Figure 541609DEST_PATH_IMAGE136
Figure 269394DEST_PATH_IMAGE130
的极小值满足
Figure 695827DEST_PATH_IMAGE137
即：
Figure 777047DEST_PATH_IMAGE138
其中L为y的切线性算子，
Figure 238115DEST_PATH_IMAGE139
。上式是一个非线性方程，使用扰动法来求解w， 从而得到最优的城市参数组合
Figure 605643DEST_PATH_IMAGE140
。
4. 平台将上述得到的最优城市模型参数组合
Figure 784951DEST_PATH_IMAGE140
传入仿真模拟计算模块， 模拟计算得到虚拟水深场H 虚拟 和虚拟流速场V 虚拟 ，此时的虚拟场与观测场相吻合。将虚拟场 数据传入数据输出及可视化模块。
本发明数据输出及可视化模块的一种具体实施例：
如果不需要触发仿真模拟计算，平台将触发因子模块的初始场数据传入本模块；如果需要触发仿真模拟计算，平台将与观测场相吻合的虚拟场数据传入本模块。随后将这些数据在平台的前端进行可视化展示。
经测试，降雨预报数据更新频率为1小时；监测数据更新频率为5分钟，内涝仿真模拟计算时长为15分钟，数据同化时长为10分钟，因此，将平台整体刷新频率设置为2小时，每2小时更新预报数据及监测数据，重复上述步骤更新内涝场景预测结果。
应用本发明方法的一种设备实施例：
一种计算机设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种基于数字孪生技术的城市内涝预测方法。
应用本发明方法的一种计算机介质实施例：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种基于数字孪生技术的城市内涝预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于数字孪生技术的城市内涝预测方法，其特征在于，
包括以下步骤：
第一步：基于城市地表拓扑结构，构建不规则三角形网格单元模型；
所述不规则三角形网格单元模型，用于将城市地表拓扑结构分成若干节点，并在节点上构造数据矩阵；
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数；
第二步：根据第一步中的数据矩阵，以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件，构建水动力仿真数值模型，获得城市未来时间段内的虚拟场；
第三步：将第二步中的虚拟场与观测场进行对比，得到偏差值；
第四步，根据第三步中的偏差值，构建数据同化模型，用于对城市模型参数进行自动率定；
数据同化模型的构建，包括以下步骤：
步骤41，根据文献或先验值，得到城市模型初始参数，并将城市模型初始参数设置为初估背景值；
利用监测仪器测量得到的监测数据；
步骤42，根据步骤41中的初估背景值，构造预报误差协方差矩阵；
根据监测数据，构造观测协方差矩阵：
步骤43，取待求背景值与初估背景值的偏差，用步骤42中的预报误差协方差矩阵的逆进行加权，形成背景约束评价函数；
取虚拟场和观测场偏差，用观测误差协方差矩阵的逆进行加权，形成观测评价函数；
步骤44，将步骤43中的背景约束评价函数和观测评价函数进行结合，形成目标函数；
步骤45，对步骤44中的目标函数，进行极小化求解，得到待求背景值的求解值；
步骤46，根据步骤45中的求解值，得到城市模型优化参数，实现城市模型参数的自动率定；
第五步，将第四步中的城市模型优化参数，代入到水动力仿真数值模型中，得到水动力仿真数值优化模型；
第六步，将预报数据或监测数据输入到第五步中的水动力仿真数值优化模型中，进行未来一段时间内的城市内涝场景模拟预测。
2.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
所述第一步中，降雨量通过气象预报获得；
根据降雨量，构建节点位置上的降雨量矩阵
Figure 499833DEST_PATH_IMAGE001
，
其中，
Figure 59121DEST_PATH_IMAGE002
为节点编号，
Figure 210617DEST_PATH_IMAGE003
为
Figure 146343DEST_PATH_IMAGE004
到
Figure 181908DEST_PATH_IMAGE005
时间段内的累计降雨量值，
Figure 161365DEST_PATH_IMAGE006
。
3.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
所述第二步中，水动力仿真数值模型的构建方法如下：
步骤21，获取地下管网数据；
步骤22，根据步骤21中的地下管网数据以及数据矩阵，构建一维水动力仿真数值单元，用于模拟计算城市排水过程，并得到一维水动力仿真结果；
步骤23，构建二维水动力仿真数值单元，用于模拟计算城市地表径流的过程，并将步骤22中的一维水动力仿真结果输入至二维水动力仿真数值单元中；
步骤24，根据步骤23中的二维水动力仿真数值单元，得到随时间变化的虚拟水深场
Figure 19731DEST_PATH_IMAGE007
和虚拟流速场
Figure 493569DEST_PATH_IMAGE008
。
4.如权利要求3所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
二维水动力仿真数值单元的计算公式如下：
连续方程：
Figure 635837DEST_PATH_IMAGE009
动量方程：
Figure 536928DEST_PATH_IMAGE010
其中，h为水深；Z为表面高程；t为时间；u和v分别为笛卡尔坐标系下沿x、y方向的平均速度值；ɡ为重力加速度；F x 和F y 为方程组的源项，包括底部摩擦、表面风应力、科氏力、大气压力；v e 为紊动粘性扩散系数。
5.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
所述第三步中，观测场为通过监测仪器测量返回的监测数据，其至少包括水深数据、流速数据和干地参数；
所述水深数据为通过河流中以及易涝点设立的水位计返回的监测值；
所述流速数据为通过河流中以及易涝点设立的流量计返回的监测值；
当节点处于河湖范围内，则干地参数 D(n)=0；
当节点不处于河湖范围内，则干地参数D(n)=1。
6.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
所述第四步中，预报误差协方差矩阵的计算公式如下：
Figure 131857DEST_PATH_IMAGE011
其中，
Figure 672036DEST_PATH_IMAGE012
为初估背景值；
Figure 153964DEST_PATH_IMAGE013
为待求背景值，其表示下渗系数或/和摩擦系数；
所述观测协方差矩阵的计算公式如下：
Figure 740803DEST_PATH_IMAGE014
Figure 308182DEST_PATH_IMAGE015
为易涝点或河湖位置的水位数据的协方差矩阵；
Figure 389401DEST_PATH_IMAGE016
为水流流速的协方差矩阵；
目标函数的计算公式如下：
Figure 240683DEST_PATH_IMAGE017
其中，
Figure 480646DEST_PATH_IMAGE018
表示实际观测值，其为通过监测仪器监测得到的实际水深场
Figure 519010DEST_PATH_IMAGE019
；
Figure 138341DEST_PATH_IMAGE020
表示虚拟观测值，其为通过水动力仿真数值模型仿真得到的虚拟水深场
Figure 844129DEST_PATH_IMAGE021
；
所述极小化求解的过程如下：
S41，通过敏感性分析的方法确定参数取值区间的上下限，得到参数率定的可行域：
Figure 257924DEST_PATH_IMAGE022
其中，
Figure 783583DEST_PATH_IMAGE023
为第
Figure 941026DEST_PATH_IMAGE024
个参数的上下限值，
Figure 235741DEST_PATH_IMAGE025
；
S42，根据S41中的可行域，采用下降算法找到目标函数的最小化值，其计算公式如下：
Figure 348666DEST_PATH_IMAGE026
S43，S42中的
Figure 112354DEST_PATH_IMAGE027
的极小值满足
Figure 870225DEST_PATH_IMAGE028
即：
Figure 550605DEST_PATH_IMAGE029
其中， L为y的切线性算子，其计算公式如下：
Figure 571782DEST_PATH_IMAGE030
w 为中间变量，其通过扰动方法进行求解，其计算公式如下：
Figure 350995DEST_PATH_IMAGE031
其中， C由预报误差协方差矩阵获得，其计算公式如下：
Figure 365087DEST_PATH_IMAGE032
；
式中，B为预报误差协方差矩阵。
7.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
所述第六步中，水动力仿真数值优化模型通过计算仿真触发逻辑变量，判断是否需要启动城市内涝场景模拟预测；
仿真触发逻辑变量的计算方法如下：
遍历每个节点上的降雨预报数据，得到降雨量矩阵，降雨量矩阵的计算公式如下：
Figure 650706DEST_PATH_IMAGE033
；
其中，
Figure 108364DEST_PATH_IMAGE034
为时间，
Figure 627070DEST_PATH_IMAGE035
为
Figure 195585DEST_PATH_IMAGE036
到
Figure 863939DEST_PATH_IMAGE037
时间段内的累计降雨量值；
根据降雨量矩阵，计算得到降雨逻辑变量，其计算公式如下：
Figure 961340DEST_PATH_IMAGE038
，
Figure 967342DEST_PATH_IMAGE039
；
在节点上新建一初始水深场
Figure 339548DEST_PATH_IMAGE040
，同步监测易涝点或河流或湖泊的水深监测数据；同时，新建一初始流速场
Figure 599760DEST_PATH_IMAGE041
，同步监测流速监测数据；
根据降雨逻辑变量
Figure 382908DEST_PATH_IMAGE042
以及初始水深场
Figure 647446DEST_PATH_IMAGE043
，
计算仿真触发逻辑变量，其计算公式如下：
Figure 292185DEST_PATH_IMAGE044
；
当
Figure 921750DEST_PATH_IMAGE045
时，则不触发仿真模拟计算，
Figure 626532DEST_PATH_IMAGE046
；
当
Figure 561121DEST_PATH_IMAGE047
时，则触发仿真模拟计算。
8.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法，其特征在于，
还包括第七步，某时间间隔后，将预报数据或监测数据进行更新，重复进行第一步以及第六步，更新内涝场景预测结果；
时间间隔根据预报数据、监测数据的更新间隔以及水动力仿真数值模型模拟计算的时间长度决定。
9.一种基于数字孪生技术的城市内涝预测方法，其特征在于，
包括以下步骤：
第一步，获取降雨预报数据、监测水深数据；并根据降雨预报数据、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真模拟计算；
如果需要触发仿真模拟计算，则执行第二步；
如果不需要触发仿真模拟计算，则重新执行第一步；
第二步：基于城市地表拓扑结构，构建不规则三角形网格单元模型；
所述不规则三角形网格单元模型，用于将城市地表拓扑结构分成若干节点，并在节点上构造数据矩阵；
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数；
第三步：根据第二步中的数据矩阵，以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件，构建水动力仿真数值模型，获得城市未来时间段内的虚拟场；
第四步：将第三步中的虚拟场与观测场进行对比，得到偏差值；
第五步，根据第四步中的偏差值，构建数据同化模型，用于对城市模型参数进行自动率定；
第六步，将第五步中的城市模型优化参数，代入到水动力仿真数值模型中，得到水动力仿真数值优化模型；
第七步，将预报数据或监测数据输入到第六步中的水动力仿真数值优化模型中，进行城市内涝场景模拟预测。
10.一种市内涝预测预警平台，其特征在于，
应用如权利要求1-9任一所述的一种基于数字孪生技术的城市内涝预测方法；
其包括节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块；
所述节点数据库模块，用于构建不规则三角形网格单元，并从降雨预报数据接口获得预测数据，从监测数据接口获得监测数据，将数据映射至每个节点中；
所述触发因子模块，用于遍历每个节点上的降雨预报、监测水深数据，计算仿真触发逻辑变量，判断是否需要启动仿真计算；
所述仿真模拟计算模块，用于获取不规则三角形网格单元的节点数据以及触发因子模块中新生成的初始场数据，并计算城市地表内涝过程，获得未来随时间变化的虚拟水深场和虚拟流速场；
所述数据同化模块，用于对摩擦系数与下渗系数进行自动率定；
所述数据输出及可视化模块，用于数据的可视化展示；
经过触发因子模块的判定，当需要触发仿真模拟计算时，将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块，并启动计算；
当不需要触发仿真模拟计算时，将当前的初始场数据传入数据输出及可视化模块，进行显示。
CN202210924847.3A 2022-08-03 2022-08-03 一种基于数字孪生技术的城市内涝预测方法及预警平台 Active CN114997541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210924847.3A CN114997541B (zh) 2022-08-03 2022-08-03 一种基于数字孪生技术的城市内涝预测方法及预警平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210924847.3A CN114997541B (zh) 2022-08-03 2022-08-03 一种基于数字孪生技术的城市内涝预测方法及预警平台

Publications (2)

Publication Number Publication Date
CN114997541A true CN114997541A (zh) 2022-09-02
CN114997541B CN114997541B (zh) 2022-11-08

Family

ID=83022409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210924847.3A Active CN114997541B (zh) 2022-08-03 2022-08-03 一种基于数字孪生技术的城市内涝预测方法及预警平台

Country Status (1)

Country Link
CN (1) CN114997541B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169763A (zh) * 2022-09-08 2022-10-11 广东广宇科技发展有限公司 一种内涝预测方法、数字孪生系统、电子设备及存储介质
CN115587542A (zh) * 2022-11-02 2023-01-10 四川奥凸水处理系统工程有限公司 基于强化学习的地下水反演仿真方法、系统、设备及介质
CN116187106A (zh) * 2023-04-27 2023-05-30 广东广宇科技发展有限公司 一种基于数字孪生的城市地下排污冲击模型构建方法
CN116484688A (zh) * 2023-04-26 2023-07-25 中国水利水电科学研究院 一种城市内涝数值实验方法
CN116486027A (zh) * 2023-04-25 2023-07-25 中国水利水电科学研究院 城市洪涝数字孪生推演方法
CN116776636A (zh) * 2023-07-13 2023-09-19 汇杰设计集团股份有限公司 一种基于数字孪生的水旱灾害应急仿真方法和系统
CN116882851A (zh) * 2023-09-08 2023-10-13 浙江远算科技有限公司 基于多尺度耦合仿真的水库群防洪系统评估方法与设备
CN116911215A (zh) * 2023-09-08 2023-10-20 浙江远算科技有限公司 一种基于水库调洪耦合水动力的溃坝洪水仿真方法及系统
CN117113211A (zh) * 2023-01-16 2023-11-24 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007063849A (ja) * 2005-08-31 2007-03-15 Toshiba Corp 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム
CN110298076A (zh) * 2019-05-27 2019-10-01 广州奥格智能科技有限公司 一种基于gis和swmm的城市内涝智能建模及分析方法
CN110633865A (zh) * 2019-09-22 2019-12-31 航天海鹰安全技术工程有限公司 一种基于排涝模型的城市积水预测与安全预警系统
CN111369059A (zh) * 2020-03-05 2020-07-03 山东大学 基于内涝快速模拟耦合模型的城市内涝预测方法及系统
CN111651885A (zh) * 2020-06-03 2020-09-11 南昌工程学院 一种智慧型海绵城市洪涝预报方法
CN111898303A (zh) * 2020-08-05 2020-11-06 苏州大圜科技有限公司 基于气象预报及水动力模拟的流域水位及内涝预报方法
CN113704956A (zh) * 2021-06-15 2021-11-26 深圳市综合交通设计研究院有限公司 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
CN114240119A (zh) * 2021-12-10 2022-03-25 浙江水利水电学院 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法
CN114254561A (zh) * 2021-12-17 2022-03-29 奥格科技股份有限公司 一种内涝预测方法、系统及存储介质
CN114357716A (zh) * 2021-12-06 2022-04-15 河海大学 一种基于数字孪生技术的流域水文模型参数动态估计方法
CN114372685A (zh) * 2021-12-28 2022-04-19 长江生态环保集团有限公司 一种基于swmm模型的城市暴雨内涝风险评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007063849A (ja) * 2005-08-31 2007-03-15 Toshiba Corp 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム
CN110298076A (zh) * 2019-05-27 2019-10-01 广州奥格智能科技有限公司 一种基于gis和swmm的城市内涝智能建模及分析方法
CN110633865A (zh) * 2019-09-22 2019-12-31 航天海鹰安全技术工程有限公司 一种基于排涝模型的城市积水预测与安全预警系统
CN111369059A (zh) * 2020-03-05 2020-07-03 山东大学 基于内涝快速模拟耦合模型的城市内涝预测方法及系统
CN111651885A (zh) * 2020-06-03 2020-09-11 南昌工程学院 一种智慧型海绵城市洪涝预报方法
CN111898303A (zh) * 2020-08-05 2020-11-06 苏州大圜科技有限公司 基于气象预报及水动力模拟的流域水位及内涝预报方法
CN113704956A (zh) * 2021-06-15 2021-11-26 深圳市综合交通设计研究院有限公司 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
CN114357716A (zh) * 2021-12-06 2022-04-15 河海大学 一种基于数字孪生技术的流域水文模型参数动态估计方法
CN114240119A (zh) * 2021-12-10 2022-03-25 浙江水利水电学院 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法
CN114254561A (zh) * 2021-12-17 2022-03-29 奥格科技股份有限公司 一种内涝预测方法、系统及存储介质
CN114372685A (zh) * 2021-12-28 2022-04-19 长江生态环保集团有限公司 一种基于swmm模型的城市暴雨内涝风险评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
APOORV GUPTA 等: ""Urban Waterlogging Detection and Severity Prediction Using Artificial Neural Networks"", 《2017 IEEE 19TH INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS》 *
张照杰等: "基于DEM和土地利用类型数据的城市内涝模拟分析研究", 《测绘与空间地理信息》 *
徐美等: "利用洪涝模型进行城市内涝风险快速识别与预警", 《武汉大学学报(信息科学版)》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169763A (zh) * 2022-09-08 2022-10-11 广东广宇科技发展有限公司 一种内涝预测方法、数字孪生系统、电子设备及存储介质
CN115587542A (zh) * 2022-11-02 2023-01-10 四川奥凸水处理系统工程有限公司 基于强化学习的地下水反演仿真方法、系统、设备及介质
CN117113211B (zh) * 2023-01-16 2024-03-12 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法
CN117113211A (zh) * 2023-01-16 2023-11-24 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法
CN116486027A (zh) * 2023-04-25 2023-07-25 中国水利水电科学研究院 城市洪涝数字孪生推演方法
CN116484688B (zh) * 2023-04-26 2023-10-13 中国水利水电科学研究院 一种城市内涝数值实验方法
CN116484688A (zh) * 2023-04-26 2023-07-25 中国水利水电科学研究院 一种城市内涝数值实验方法
CN116187106B (zh) * 2023-04-27 2023-09-26 广东广宇科技发展有限公司 一种基于数字孪生的城市地下排污冲击模型构建方法
CN116187106A (zh) * 2023-04-27 2023-05-30 广东广宇科技发展有限公司 一种基于数字孪生的城市地下排污冲击模型构建方法
CN116776636A (zh) * 2023-07-13 2023-09-19 汇杰设计集团股份有限公司 一种基于数字孪生的水旱灾害应急仿真方法和系统
CN116776636B (zh) * 2023-07-13 2023-12-22 汇杰设计集团股份有限公司 一种基于数字孪生的水旱灾害应急仿真方法和系统
CN116882851A (zh) * 2023-09-08 2023-10-13 浙江远算科技有限公司 基于多尺度耦合仿真的水库群防洪系统评估方法与设备
CN116911215A (zh) * 2023-09-08 2023-10-20 浙江远算科技有限公司 一种基于水库调洪耦合水动力的溃坝洪水仿真方法及系统
CN116882851B (zh) * 2023-09-08 2023-11-28 浙江远算科技有限公司 基于多尺度耦合仿真的水库群防洪系统评估方法与设备
CN116911215B (zh) * 2023-09-08 2023-12-08 浙江远算科技有限公司 一种基于水库调洪耦合水动力的溃坝洪水仿真方法及系统

Also Published As

Publication number Publication date
CN114997541B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN114997541B (zh) 一种基于数字孪生技术的城市内涝预测方法及预警平台
CN102289570B (zh) 基于降雨-径流-洪水演进计算的洪水预报方法
CN104298841B (zh) 一种基于历史数据的洪水预报方法和系统
Yang et al. Application of a distributed hydrological model and weather radar observations for flood management in the upper Tone River of Japan
Wu et al. Simulation of soil loss processes based on rainfall runoff and the time factor of governance in the Jialing River Watershed, China
CN108446502B (zh) 一种利用完整二维浅水方程组获得流域单位线的方法
CN111795681A (zh) 一种山洪灾害预警方法、装置、服务器及存储介质
CN109559098B (zh) 一种海绵城市试点区低影响开发设施模拟方法
CN113742910A (zh) 基于中小流域洪水预报的水库来水量预警预报方法及系统
CN110955996B (zh) 一种淹没过程模拟方法及系统
CN108009753A (zh) 城市内涝预测方法、装置、终端及计算机可读存储介质
Li et al. Implementation and testing of routing algorithms in the distributed Hydrologiska Byråns Vattenbalansavdelning model for mountainous catchments
CN114139258A (zh) 城市内涝建模评估方法、系统及计算机可读存储介质
CN116401327A (zh) 无资料地区中小流域设计暴雨洪水计算辅助系统
Yang et al. Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect
Han et al. A GPU-accelerated hydrodynamic model for urban rainstorm inundation simulation: a case study in China
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
Abdelmounim et al. Implementation of distributed hydrological modeling in a semi-arid mediterranean catchment Azzaba, Morocco
Wang et al. A modified Xin'anjiang model and its application for considering the regulatory and storage effects of small-scale water storage structures
Haddad Extreme Rainfall-Runo Events Modeling Using HEC-HMS Model for Oued El Hachem Watershed, Northern Algeria
CN112288194A (zh) 基于mike模型构建的城市下垫面产汇流形成过程分析方法
Aherwar et al. Comparison of rainfall runoff simulation by SCS-CN and NAM model in Shipra river basin of Madhya Pradesh, India
CN115062559B (zh) 可嵌套水文模型的岩溶含水系统蓄水库的定量表征方法
Milišić et al. Estimation of channel and flood plain roughness using HEC-RAS model: A case study of the Veseočica River, Bosnia and Herzegovina
Jiang et al. A dynamic bidirectional coupled hydrologic-hydrodynamic model for flood prediction

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
GR01 Patent grant
GR01 Patent grant