CN115063963A - 一种基于数字孪生技术的滑坡监测系统及方法 - Google Patents

一种基于数字孪生技术的滑坡监测系统及方法 Download PDF

Info

Publication number
CN115063963A
CN115063963A CN202210885360.9A CN202210885360A CN115063963A CN 115063963 A CN115063963 A CN 115063963A CN 202210885360 A CN202210885360 A CN 202210885360A CN 115063963 A CN115063963 A CN 115063963A
Authority
CN
China
Prior art keywords
landslide
time
module
real
monitoring
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
CN202210885360.9A
Other languages
English (en)
Other versions
CN115063963B (zh
Inventor
朱樟柳
韩忠
喻光明
王长欣
田淑明
常小鹏
李兵
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.)
Beijing Yunlu Technology Co Ltd
Original Assignee
Beijing Yunlu 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 Beijing Yunlu Technology Co Ltd filed Critical Beijing Yunlu Technology Co Ltd
Priority to CN202210885360.9A priority Critical patent/CN115063963B/zh
Publication of CN115063963A publication Critical patent/CN115063963A/zh
Application granted granted Critical
Publication of CN115063963B publication Critical patent/CN115063963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Geology (AREA)
  • Computer Hardware Design (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Graphics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

一种基于数字孪生技术的滑坡监测系统及方法，属于监测技术领域。通过对河流沿岸滑坡体及场地环境信息采集、监测滑坡体，土层及环境实时状况、建立滑坡体三维几何模型、完成滑坡体计算网格剖分模型及涌浪模型、对滑坡数字孪生体进行实时仿真计算等，通过对滑坡数字孪生体的实时状态进行分析计算或超前预测滑坡位移，实现对滑坡的安全监测与预警。通过引入数字孪生技术，克服传统滑坡监测系统不足，最大限度的为数据实时强效使用赋能，极大增加了滑坡监测系统的效能，实现了监测系统智能化与实用化。

Description

一种基于数字孪生技术的滑坡监测系统及方法
技术领域
本发明属于滑坡监测技术领域，特别涉及一种基于数字孪生技术的滑坡监测系统及方法。
背景技术
滑坡是我国主要发生的地质灾害。河岸滑坡是滑坡灾害的主要类型之一，这类滑坡在特殊的水位及体积当量的情况下，会产生诸如浪涌等次生灾害，对沿途的河岸对象及过往船只造成威胁，威胁流域安全。针对河岸滑坡的监测具有重要意义，针对滑坡的有效监测及超前预警是行业内追求的目标。
目前，滑坡监测预警系统较多，针对滑坡的监测方案偏重点也不同，但监测的数据大致相同；数据类型主要有滑坡位移数据、降雨量数据、地下水位数据等。市面上各类滑坡监测系统产品都是针对特定场景下的滑坡监测，搭建起数据采集层、数据传输层、数据分析层三个层面组合构建整套滑坡监测系统。
中国发明专利CN201210506368.6公开了一种面向铁路防灾的山体滑坡监测系统，其包括：山体滑坡检测系统、监控主机系统和山体滑坡感测系统；其中山体滑坡感测系统感测山体滑坡变化信息，并传输至山体滑坡检测系统；山体滑坡检测系统接收山体滑坡变化信息后，处理并转换为感测信号，传输至监控主机系统；监控主机系统储存并处理山体滑坡变化信息。这项发明提供的山体滑坡监测系统可以实现对山体滑坡变化信息的无人实时监测，并且可以做到不间断监测；在路基变化超过安全范围前报警，有效预防列车出轨等事故的发生。
中国发明专利CN201510031650.7公开了一种滑坡监测系统及其监测方法，滑坡监测系统采用位移监测法监测滑坡位移，同时配置有用于监测直线大位移的常规直线位移传感器和用于监测直线微位移的微测直线位移传感器，在保证获得高效监测反应的同时，确保监测的高精度，通过控制装置控制该两个位移传感器的工作状态，可调整系统采用不同的监测模式，以适应不同的监测环境，确保以最合适的方式进行监测，保证监测高效、迅速、准确。其相应的监测方法，利用环境装置实时监测周围环形状况，对不同的环境及时作出反映，以供控制装置参考分析，进行针对性的操作控制，保证监测模式适时、适宜。
通过调研发现，当前的滑坡监测系统主要面向特定的场景下的监测，在追求科学合理的仪器布置的基础上，力求数据采集的自动化、集成化、精确化，在一定程度上取得了不错的效果。然而问题在于，过分注重硬件层面精进而忽略采集的数据层面的增效会使滑坡监测系统的效用大打折扣。长期来看，当数据采集趋于完善，采集的数据实时地强效使用才是滑坡监测系统智能化、实用化的体现，更是滑坡监测系统的价值最大化实现途径；但现有滑坡监测系统未能做好这一点。
需要指出，数字孪生技术当前已经成为工业发展的热点，在工业制造领域发展迅猛。数字孪生是以数字化方式创建物理的虚拟实体，借助历史数据、实时数据以及算法模型，模拟、验证、预测、互动于物理实体全寿命周期过程。该技术具有互操作性质、可拓展性、实时性、保真性、闭环性等特征，目前在工业领域应用广泛。其发展有五个阶段，分别是三维几何模型、三维仿真模型、增强体仿真模型、动态孪生体、自主孪生体模型，其中前三个属于传统仿真模型的范畴、后两个阶段涵盖了人工智能技术。数字孪生技术把物理世界中的对象，以数据的形式映射到数字空间当中，它不是通过采集动态数据对物理对象简单克隆，而是一套独立于物理对象的数字系统。其基本作用是，对真实实体进行持续监测，发现异常第一时间做出反应，同时对可能出现的各类情况进行超前预测和试错。
近年滑坡监测实时数据采集传感技术不断发展，滑坡监测云端数值仿真技术不断成熟，各类物理力学模型研究不断丰富，算法模型进化融合，并行计算、边云协同技术取得突破，数字孪生技术和理念在滑坡监测领域的应用已经没有大障碍，其应用可以达到数字孪生第三个阶段（增强体仿真模型），甚至第四个阶段（动态孪生体），然而目前行业内几乎没有使用地质灾害数字孪生体技术及理念对灾害体监测，基于数字孪生体的滑坡监测系统市面上还没有。
发明内容
本发明的目的在于提供一种基于数字孪生技术的滑坡监测系统及方法，将数字孪生技术与理念引入到滑坡监测中，以解决传统滑坡监测数据采集使用效能不足而未能做到智能化与实用化的技术问题。
本发明提供一种基于数字孪生技术的滑坡监测系统，主要包括：滑坡体及场地环境信息采集模块，滑坡体及土层监测模块，三维几何模型模块，网格剖分模型模块，以及滑坡数字孪生体实时仿真计算模块；其中，
所述滑坡体及场地环境信息采集模块，用于采集河流沿岸滑坡体及场地环境信息，包括滑坡体的物理尺寸数据、边界数据，滑坡体各层土壤特性，以及矢量化地形图；
所述滑坡体及土层监测模块，采用在滑坡现场布置的监测仪器，监测滑坡体、土层及环境实时状况；
所述三维几何模型模块，用于利用所述滑坡体及场地环境信息采集模块获得的滑坡体及场地环境信息，建立滑坡体三维几何模型；
所述网格剖分模型模块，对所述滑坡三维几何模型进行有限元网格剖分，完成滑坡体计算网格剖分模型；对所述矢量化地形图划分栅格，完成涌浪模型；
所述滑坡数字孪生体实时仿真计算模块，用于利用数值计算方法或人工智能方法对滑坡数字孪生体的实时状态进行分析计算或超前预测滑坡位移，实现对滑坡的安全监测与预警。
进一步地，所述滑坡数字孪生体实时仿真计算模块包括实时感知模块、所述超前预测模块、和涌浪预警模块；其中，
所述实时感知模块用于基于极限平衡原理，采用数值计算实时获取滑坡体安全系数；
所述超前预测模块，用于基于BP神经网络算法超前预测滑坡位移；
所述涌浪预警模块，用于基于水动力模型计算特定时刻下的涌浪状态，进行涌浪预警。
当所述实时感知模块中的感知滑坡安全系数或者所述超前预测模块中滑坡位移预测超过规定阈值时，所述涌浪预警模块启动，并计算该时刻下的涌浪状态，发出预警信息。
进一步地，还包括唤醒时间确定模块，用于确定所述滑坡数字孪生体实时仿真计算模块的唤醒时间；当满足所述唤醒时间要求时，所述滑坡数字孪生体实时仿真计算模块开启计算。
所述唤醒时间为：
Figure 303290DEST_PATH_IMAGE001
其中， Tcare为唤醒时间；λ为经验系数；a为土体在初始的入渗速度；b为经验指数；hjmin为钻孔揭示的各地层厚度的最小值。
进一步地，所述滑坡体及土层监测模块监测滑坡体位移、移动角度、裂缝宽度，各土层的实时饱和度和含水率，以及降雨量数据、地下水位。
本发明提供一种基于数字孪生技术的滑坡监测方法，主要包括以下步骤：
步骤S1、采集河流沿岸滑坡体及场地环境信息，包括滑坡体的物理尺寸数据、边界数据，滑坡体各层土壤特性，以及矢量化地形图；
步骤S2、通过在滑坡现场布置监测仪器，对滑坡体及土层、环境进行监测；
步骤S3、利用步骤S1采集的所述滑坡体及场地环境信息，建立滑坡体三维几何模型；
步骤S4、对所述滑坡体三维几何模型进行有限元网格剖分，完成滑坡体计算网格剖分模型；对所述矢量化地形图划分栅格，完成涌浪模型；
步骤S5、滑坡数字孪生体实时仿真计算：用于基于极限平衡原理，采用数值计算实时获取滑坡安全系数；基于BP神经网络算法超前预测滑坡位移；当所述滑坡安全系数或者滑坡位移预测值超过规定阈值时，利用所述涌浪模型，采用数值计算方法计算该时刻下的涌浪状态。
步骤S6、确定所述步骤S5滑坡数字孪生体实时仿真计算的唤醒时间；当外部降雨时间超过预警时间时，开启滑坡数字孪生体实时仿真计算。
步骤S7、将涌浪预警信息发送给附近过往的船只或航道管理部门。
本发明提供了一种基于数字孪生的滑坡监控系统及方法，主要针对流域沿岸滑坡的场景，将数字孪生技术与理念引入滑坡监测中，实现沿岸滑坡状态的实时智能感知，超前预测可能出现的各类危险，并对周边环境可能存在的损失对象发出信息告警；由于拥有预警响应时间机制，能极大的节约算力，该系统及方法可在整个流域内的岸坡滑坡监测推广复制，真正为航道管理工作赋能，最大限度的为数据实时强效使用赋能，大大提高了滑坡监测的效能，补齐当下滑坡监测系统数据使用效能方面的短板和不足。
采用本发明提供的基于数字孪生技术的滑坡监测系统及方法，可以实现以下技术效果：
1.对流域河岸滑坡的场景，实现沿岸滑坡状态的实时安全系数智能感知，超前预测位移，虚实互动，在数字孪生体上针对滑坡可能引发的浪涌次生灾害进行仿真，并将结果发报给过往船只、航道管理部门以及其他可能存在损失的对象。
2. 具有预警唤醒时间机制，能极大的节约算力，可在整个流域内的岸坡滑坡监测推广复制，真正为航道管理工作赋能。
3. 引入数字孪生技术，克服传统滑坡监测系统不足，最大限度的为数据实时强效使用赋能，极大增加了滑坡监测系统的效能，补齐当下滑坡监测系统数据使用效能方面的短板和不足。既讲究监测系统自动化、集成化、精确化，也实现了监测系统智能化与实用化。
附图说明
为了更完整地理解本发明，现在将参考结合附图的以下描述，其中：
图1为本发明滑坡体及场地环境信息采集时钻孔布置方式示意图；
图2为本发明的基于数字孪生技术的滑坡监测系统示意图。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用，使之便于本领域普通技术人员理解与实施，下面将结合本发明实施例及附图作进一步的详细阐述。显然，此处描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种基于数字孪生技术的滑坡监测系统及方法，所述监测系统架构包括数据采集层、数据传输层、以及数据分析层。针对物理实体展开数据采集特点确定监测仪器种类和现场布置方案，依据通信协议传输采集的数据，通过三维建模构建物理实体模型，网络剖分构建计算模型，选取岩土本构模型、水文模型、BP神经网络模型，构建起物理实体的虚拟数字孪生体，对物理实体实时监测，当外部条件（主要指降雨时间）达到激活条件时候，数字孪生体物理仿真功能自动唤醒，基于有限元极限平衡法对滑坡体实时安全系数感知，基于BP神经网络模型对滑坡位移进行超前预测，基于浪涌水文模型对滑坡发生后产生的次生灾害范围进行计算，并反馈给物理实体，自动发出告警信息给过往船只，航道管理部门，以及其他潜在被危害对象。
本发明所述滑坡为河岸滑坡，所述滑坡位于沿河两岸，上部为覆盖层，中部为滑动带土，底部为基岩，属于一种较为典型的滑坡体。
本发明提供一种基于数字孪生技术的滑坡监测系统，主要包括：滑坡体及场地环境信息采集模块100，滑坡体及土层监测模块200，三维几何模型模块300，网格剖分模型模块400，唤醒时间确定模块500，以及滑坡数字孪生体实时仿真计算模块600。
所述滑坡体及场地环境信息采集模块100，用于采集河流沿岸滑坡体及场地环境信息，包括滑坡体的物理尺寸数据、边界数据，以及滑坡体各层土壤特性。
优选地，通过无人机三维成像技术建立河岸滑坡体上下游5km×5km范围内的三维地表正射影像图及DEM矢量化数据；上述范围内包括上游河口、主干流，以及周边区域的支流；通过实地勘测手段获得河岸滑坡体上下边界，滑坡的倾角
Figure 129295DEST_PATH_IMAGE002
，滑坡面的出露界限及实测等高线；如说明书附图图1所示，通过布置1条纵向剖面上的3个钻孔和1条横向剖面的2个钻孔获取滑坡地层分层界限数据；通过钻探取样获得滑带土及各地层的土样200份；通过室内土工试验获得滑带土及覆盖土50种不同含水率下的抗剪强度τ、粘聚力c、内摩擦角
Figure 400350DEST_PATH_IMAGE003
及容重r；通过室内常水头试验及变水头试验获得滑坡地层粗粒土和细粒土渗透系数k，通过土壤入渗速度试验确定各土层的初始入渗速度a。
包括参数库101，所述参数库101包括上述由室内土工试验获得的滑带土及覆盖土50种不同含水率下的抗剪强度τ、粘聚力c、内摩擦角
Figure 893779DEST_PATH_IMAGE003
及容重r；滑坡地层粗粒土和细粒土渗透系数k；及各土层的初始入渗速度a等。
所述滑坡体及土层监测模块200，通过在滑坡现场布置监测仪器，用于监测滑坡体位移、裂缝宽度变化、滑坡体整体移动角度等；此外，实时采集降雨量数据、土体应力、各土层实时饱和度和含水率、地下水位等。
监测的数据首先通过本地的Zigbee无线传输到本地平板终端，再通过平板终端的5G网络传输到云平台。
优选地，布置监测仪器时，在滑坡后缘岸坡稳定区域内选择1个基准点，滑坡中部设置1个接收点，用于监测滑坡体整体位移；滑坡后缘布置2套北斗位移监测点，监测滑坡体后半部分局部位移，滑坡前缘布置2套北斗位移监测点，监测滑坡前半部分局部位移，两者结合并验证前述的整体位移。
在滑坡后缘裂缝处布置一套裂缝监测仪用于监测裂缝宽度变化。
在所述滑坡体及场地环境信息采集模块100的所述横向剖面右侧钻孔内布设1套测斜仪，左侧钻孔内布置1套测斜仪，用于监测滑坡整体移动角度。
在所述滑坡体及场地环境信息采集模块100的所述的纵向剖面，在滑坡主滑动方向上部侧点上布置1套降雨量采集仪器，用于实时采集降雨量数据。
在所述滑坡体及场地环境信息采集模块100的所述纵向剖面的中部钻孔上安装应力测试仪用于土体应力测量，在该钻孔内的n个土层里布置土壤饱和计和土壤含水率测定仪用于测量各土层的实时饱和度和含水率。
在所述滑坡体及场地环境信息采集模块100的所述纵向剖面下部钻孔内安装1套水位监测仪用于监测地下水位。
以上监测仪器设备的设置位置同步到所述三维几何模型模块300中的滑坡体三维几何模型301中，做好对应标签。
所述三维几何模型模块300，用于利用所述滑坡体及场地环境信息采集模块100获得的滑坡体及场地环境信息，建立滑坡体三维几何模型301。具体而言，利用所述滑坡体及场地环境信息采集模块100获得的滑坡体及场地环境信息，通过BIM技术还原滑坡体上下游2km范围内的实地三维场景；通过GIS技术提取滑坡体区域范围；通过goCAD软件对5个钻孔数据进行插值运算，形成滑坡区域内地层图。
建立的所述滑坡体三维几何模型301同步导入PaaS云平台。
所述网格剖分模型模块400，通过有限元网格剖分软件对所述三维几何模型模块300中的所述滑坡体三维几何模型301进行剖分，完成滑坡体计算网格剖分模型401；通过GIS技术将所述滑坡体及场地环境信息采集模块100中采集的5km×5km的矢量化地形图划分栅格，完成涌浪模型402。
其中，所述滑坡体计算网格剖分模型401的参数主要有各层土体的粘聚力c及内摩擦角度
Figure 508432DEST_PATH_IMAGE004
，容重r，抗剪强度τ；这些参数根据所述滑坡体及土层监测模块200的土壤含水率监测仪器监测的实时土层含水率，在所述滑坡体及场地环境信息采集模块100的所述参数库101中选取实时土层含水率对应的相关土体参数。
所述涌浪模型402的网格应保证足够精度，例如，将上述5km×5km的矢量化地形图划分成800列、600行的栅格数据。
所述涌浪模型402的参数还有滑坡体入水速度
Figure 382584DEST_PATH_IMAGE005
，河水位、滑坡体入水体积，入水处水深，滑坡体淹没长度，总长度、厚度、宽度、入水处河面宽度，失稳方向等，这些参数根据所述滑坡体三维几何模型301以及与所述滑坡体及土层监测模块200中的实时监测水位确定。
其中滑坡体入水速度vs根据重心质点能量法确定如下：
Figure 678568DEST_PATH_IMAGE006
式中，g为重力加速度；Δz为滑坡体与计算点间的高度差，即重心下降高度，Δz的值随着监测的河水水位的更新而发生变化；
Figure 354400DEST_PATH_IMAGE007
为斜坡角；f为滑坡动摩擦系数。
所述滑坡体计算网格剖分模型401及所述涌浪模型402同步导入PaaS云平台。
所述唤醒时间确定模块500，用于确定所述滑坡数字孪生体实时仿真计算模块500的唤醒时间；当外部降雨时间超过预警时间Tcare时，系统开启滑坡数字孪生体实时仿真模式，在其余状态下，并不进行仿真计算，这样可极大节约系统的算力及功耗。
所述预警时间Tcare按照下述方式计算：
规定i为钻孔编号，规定j为地层编号。
根据所述滑坡体及场地环境信息采集模块100中的钻孔数据结果，构建地层厚度矩阵为：
Figure 641418DEST_PATH_IMAGE008
其中，hij代表钻孔i揭示的第j层的地层厚度。
计算中为保证预警时间Tcare的安全可靠性，各地层厚度取钻孔揭示的最小值，如下：
Figure 504332DEST_PATH_IMAGE009
Figure 604006DEST_PATH_IMAGE010
选择覆盖层入渗模型，确定降雨由覆盖层入渗到滑带土所用时间。现有技术中土体的入渗模型很多，根据土体特点选择相关入渗模型计算入渗时间，本发明提供一种基于kostiakov入渗模型的入渗时间确定方法，具体如下：
首先，确定入渗速度：
Figure 367300DEST_PATH_IMAGE011
其中，it为土体在时刻t的入渗速度；a为土体在初始的入渗速度；b为经验指数。
对上述速度it进行积分，可以确定时间tj（从水开始进入该层计时）内的雨水垂直入渗到第j层土的入渗总量为：
Figure 589334DEST_PATH_IMAGE012
按一维垂直入渗简化，水入渗总量等于该层计算厚度:
Figure 673965DEST_PATH_IMAGE013
Figure 905226DEST_PATH_IMAGE014
通过所述滑坡体及场地环境信息采集模块100中的土壤入渗速度试验，测定不同土层初始入渗速度a；经验系数b取0.3-0.8之间，轻质土b取小值，重质土b取大值。可计算第j层土体的入渗时间为：
Figure 260377DEST_PATH_IMAGE015
预估持续降雨作用下的雨水垂直入渗到滑动层的时间为：
Figure 653313DEST_PATH_IMAGE016
上述时间为预警基准时间，实际预警时间Tcare可以在此基础上乘以经验系数。最终确立实际预警时间：
Figure 490819DEST_PATH_IMAGE017
考虑存在水平渗流的作用，经验系数λ初始值可以取1.25，后续根据历史数据进行适当调整。
所述滑坡数字孪生体实时仿真计算模块600，用于采用极限平衡原理计算滑坡安全系数；当外部降雨时间超过所述唤醒时间确定模块500中计算得到的所述预警时间Tcare时，所述滑坡数字孪生体实时仿真计算模块600开始进行计算，开启滑坡数字孪生体实时仿真计算。所述滑坡数字孪生体实时仿真计算模块600按照指定时间步长进行实时仿真计算。
所述滑坡数字孪生体实时仿真计算模块600包括：实时感知模块601、超前预测模块602、以及涌浪预警模块603。
其中，所述实时感知模块601，用于基于极限平衡原理，采用数值计算实时获取滑坡体安全状态。
具体而言，采用摩尔-库伦模型，对所述滑坡体计算网格剖分模型401进行数值模拟计算：选取所述滑坡体及场地环境信息采集模块100中确定的滑坡主滑动面，基于极限平衡原理，计算并输出滑坡安全稳定系数。详细步骤如下：
通过有限元分析中得出选定滑动面的网格中单元高斯点或节点上的应力，将任一滑动面分成若干微段，根据微段底面中心坐标值，通过应力张量变换，得到微段的正应力和剪应力，然后积分或求和求得滑动面总下滑力与总阻力。
滑坡安全系数K计算如下：
Figure 729033DEST_PATH_IMAGE018
其中，ci为有限元计算后滑动面节点i处的粘聚力，σi为有限元计算后滑动面节点i处的正应力，
Figure 670182DEST_PATH_IMAGE019
为有限元计算后滑动面节点i处的内摩擦角，τi为有限元计算后滑动面节点i处的土体抗剪强度，li为微段长度。
所述超前预测模块602，用于基于BP神经网络算法超前预测滑坡位移；该模块利用滑坡体位移的历史数据及实时监测数据，可以计算得到未来指定时间的滑坡位移。
滑坡位移的超前预测计算方法如下：从所述滑坡体及土层监测模块200中获取滑坡位移数据，并对滑坡位移数据归一化处理；通过灰色系统建模中“新陈代谢”理论，采用“滚动建模”的方法，确定输入层与输出层节点数量；进一步确定隐含层的数量及隐含层节点数；进一步确定BP网络的传递函数；进一步采用迭代计算的方法来确定学习效率
Figure 968439DEST_PATH_IMAGE020
，在经验值 0.01-1 范围内，以0.01为步长进行迭代计算；构建滑坡位移预测BP网络模型用于位移预测。
所述涌浪预警模块603，用于基于水动力模型计算特定时刻下的涌浪状态，进行涌浪预警。当所述实时感知模块601中的感知滑坡安全系数或者所述超前预测模块602中滑坡位移预测超过规定阈值时，所述涌浪预警模块603启动，并计算该时刻下的涌浪状态，发出预警信息。
所述规定阈值可以事先设定，例如，当滑坡安全系数K低于0.95，或者滑坡位移预测超过前次预测值的5倍时，认为可能产生涌浪次生灾害，所述涌浪预警模块603开始涌浪次生灾害的计算；具体过程如下：
根据所述涌浪模型402，结合所述滑坡体及土层监测模块200中实际监测获得的水位数据，采用数值模拟计算得出数字孪生体在本次环境条件下发生滑坡后产生的涌浪波及的范围、涌浪的高度、传播速度以及波浪的爬高等结果；将此结果通过安装在滑坡体上下游5km处的短信播报文发送给附近过往的船只及航道管理部门。
优选地，在滑坡上下游5km的两岸各安装一套短信发报机用于发文报告。
本发明提供一种基于数字孪生技术的滑坡监测方法，主要包括以下步骤：
步骤S1、采集河流沿岸滑坡体及场地环境信息，包括滑坡体的物理尺寸数据、边界数据，滑坡体各层土壤特性，以及矢量化地形图。
步骤S2、通过在滑坡现场布置监测仪器，对滑坡体及土层、环境进行监测；监测滑坡体位移、裂缝宽度变化、滑坡体整体移动角度等；实时采集降雨量数据、土体应力、各土层实时饱和度和含水率、地下水位等。
步骤S3、利用所述滑坡体及场地环境信息，建立滑坡体三维几何模型。
步骤S4、对所述滑坡体三维几何模型进行有限元网格剖分，完成滑坡体计算网格剖分模型；对所述矢量化地形图划分栅格，完成涌浪模型。
步骤S5、滑坡数字孪生体实时仿真计算：用于基于极限平衡原理，采用数值计算实时获取滑坡安全系数；基于BP神经网络算法超前预测滑坡位移；当所述滑坡安全系数或者滑坡位移预测值超过规定阈值时，利用所述涌浪模型，采用数值计算方法计算该时刻下的涌浪状态。
进一步地，还可以包括步骤：
步骤S6、确定所述步骤S5滑坡数字孪生体实时仿真计算的唤醒时间；当外部降雨时间超过预警时间时，开启数字孪生体实时仿真计算。
步骤S7、将涌浪预警信息发送给附近过往的船只或航道管理部门。
本发明所述的基于数字孪生体的滑坡监测系统及方法，主要针对流域沿岸滑坡的场景，实现沿岸滑坡状态的安全实时智能、位移超前预测、虚实互动模拟当刻滑坡发生后产生的涌浪结果，对周边环境可能存在的损失对象发出信息告警，由于采取了数字孪生体启动时间机制，较好的节约了算力，还可在整个流域内的岸坡滑坡监测推广复制，真正为航道管理工作赋能。

Claims (9)

1.一种基于数字孪生技术的滑坡监测系统，主要包括：滑坡体及场地环境信息采集模块，滑坡体及土层监测模块，三维几何模型模块，网格剖分模型模块，以及滑坡数字孪生体实时仿真计算模块；其中，
所述滑坡体及场地环境信息采集模块，用于采集河流沿岸滑坡体及场地环境信息，包括滑坡体的物理尺寸数据、边界数据，滑坡体各层土壤特性，以及矢量化地形图；
所述滑坡体及土层监测模块，采用在滑坡现场布置的监测仪器，监测滑坡体、土层及环境实时状况；
所述三维几何模型模块，用于利用所述滑坡体及场地环境信息采集模块获得的滑坡体及场地环境信息，建立滑坡体三维几何模型；
所述网格剖分模型模块，对所述滑坡体三维几何模型进行有限元网格剖分，完成滑坡体计算网格剖分模型；对所述矢量化地形图划分栅格，完成涌浪模型；
所述滑坡数字孪生体实时仿真计算模块，用于利用数值计算方法或人工智能方法对滑坡数字孪生体的实时状态进行分析计算或超前预测滑坡位移，实现对滑坡的安全监测与预警。
2.根据权利要求1所述的系统，其特征在于，所述滑坡数字孪生体实时仿真计算模块包括实时感知模块、超前预测模块、和涌浪预警模块；其中，
所述实时感知模块用于基于极限平衡原理，采用数值计算实时获取滑坡体安全系数；
所述超前预测模块，用于基于BP神经网络算法超前预测滑坡位移；
所述涌浪预警模块，用于基于水动力模型计算特定时刻下的涌浪状态，进行涌浪预警。
3.根据权利要求2所述的系统，其特征在于，当所述实时感知模块中的感知滑坡安全系数或者所述超前预测模块中滑坡位移预测超过规定阈值时，所述涌浪预警模块启动，并计算该时刻下的涌浪状态，发出预警信息。
4.根据权利要求1-3任意一项所述的系统，其特征在于，还包括唤醒时间确定模块，用于确定所述滑坡数字孪生体实时仿真计算模块的唤醒时间；当满足所述唤醒时间要求时，所述滑坡数字孪生体实时仿真计算模块开启计算。
5.根据权利要求4所述的系统，其特征在于，所述唤醒时间为：
Figure 332257DEST_PATH_IMAGE001
其中，Tcare为唤醒时间；λ为经验系数；a为土体在初始的入渗速度；b为经验指数；hjmin为钻孔揭示的各地层厚度的最小值。
6.根据权利要求1所述的系统，其特征在于，所述滑坡体及土层监测模块监测滑坡体位移、移动角度、裂缝宽度，各土层的实时饱和度和含水率，以及降雨量数据、地下水位。
7.一种基于数字孪生技术的滑坡监测方法，主要包括以下步骤：
步骤S1、采集河流沿岸滑坡体及场地环境信息，包括滑坡体的物理尺寸数据、边界数据，滑坡体各层土壤特性，以及矢量化地形图；
步骤S2、通过在滑坡现场布置监测仪器，对滑坡体及土层、环境进行监测；
步骤S3、利用步骤S1采集的所述滑坡体及场地环境信息，建立滑坡体三维几何模型；
步骤S4、对所述滑坡体三维几何模型进行有限元网格剖分，完成滑坡体计算网格剖分模型；对所述矢量化地形图划分栅格，完成涌浪模型；
步骤S5、滑坡数字孪生体实时仿真计算：用于基于极限平衡原理，采用数值计算实时获取滑坡安全系数；基于BP神经网络算法超前预测滑坡位移；当所述滑坡安全系数或者滑坡位移预测值超过规定阈值时，利用所述涌浪模型，采用数值计算方法计算该时刻下的涌浪状态。
8.根据权利要求7所述的方法，其特征在于，还包括步骤：
步骤S6、确定所述步骤S5滑坡数字孪生体实时仿真计算的唤醒时间；当外部降雨时间超过预警时间时，开启滑坡数字孪生体实时仿真计算。
9.根据权利要求7或8所述的方法，其特征在于，还包括步骤：
步骤S7、将涌浪预警信息发送给附近过往的船只或航道管理部门。
CN202210885360.9A 2022-07-26 2022-07-26 一种基于数字孪生技术的滑坡监测系统及方法 Active CN115063963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210885360.9A CN115063963B (zh) 2022-07-26 2022-07-26 一种基于数字孪生技术的滑坡监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210885360.9A CN115063963B (zh) 2022-07-26 2022-07-26 一种基于数字孪生技术的滑坡监测系统及方法

Publications (2)

Publication Number Publication Date
CN115063963A true CN115063963A (zh) 2022-09-16
CN115063963B CN115063963B (zh) 2022-10-25

Family

ID=83205834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210885360.9A Active CN115063963B (zh) 2022-07-26 2022-07-26 一种基于数字孪生技术的滑坡监测系统及方法

Country Status (1)

Country Link
CN (1) CN115063963B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115854854A (zh) * 2022-12-26 2023-03-28 中国科学院西北生态环境资源研究院 一种多物理场的多年冻土区滑坡监测体系及监测方法
KR102550707B1 (ko) * 2022-10-12 2023-06-30 부경대학교 산학협력단 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치
CN117034430A (zh) * 2023-09-11 2023-11-10 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质
CN117171865A (zh) * 2023-11-02 2023-12-05 江苏菲尔浦物联网有限公司 一种路基智能测斜方法及系统
CN117268475A (zh) * 2023-11-21 2023-12-22 深圳市城市交通规划设计研究中心股份有限公司 一种多维参数数据融合的边坡安全评估方法
CN117291432A (zh) * 2023-11-27 2023-12-26 安徽金海迪尔信息技术有限责任公司 一种基于人工智能的水资源调度监测系统
CN117332664A (zh) * 2023-12-01 2024-01-02 北京云庐科技有限公司 基于物理计算结果的地质灾害数字孪生实景显示方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014015478A1 (de) * 2014-10-21 2016-04-21 Birger Wunderlich System und Verfahren zur Früherkennung von Gefahrenpotential
CN106844859A (zh) * 2016-12-21 2017-06-13 河海大学 一种滑坡涌浪计算方法
CN108073767A (zh) * 2017-12-14 2018-05-25 华能澜沧江水电股份有限公司 滑坡涌浪灾害的模拟计算方法及装置
CN109598013A (zh) * 2018-09-30 2019-04-09 青岛理工大学 推移式滑坡最危险滑移面及抗滑桩最优桩位的确定方法
CN109872509A (zh) * 2019-04-02 2019-06-11 西安邮电大学 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
CN113128028A (zh) * 2021-03-25 2021-07-16 中国科学院武汉岩土力学研究所 一种岩土结构耦联体系的数字孪生模型构建方法
CN114781136A (zh) * 2022-04-07 2022-07-22 河海大学 一种基于dem-cfd-sph建模的滑坡涌浪模拟方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014015478A1 (de) * 2014-10-21 2016-04-21 Birger Wunderlich System und Verfahren zur Früherkennung von Gefahrenpotential
CN106844859A (zh) * 2016-12-21 2017-06-13 河海大学 一种滑坡涌浪计算方法
CN108073767A (zh) * 2017-12-14 2018-05-25 华能澜沧江水电股份有限公司 滑坡涌浪灾害的模拟计算方法及装置
CN109598013A (zh) * 2018-09-30 2019-04-09 青岛理工大学 推移式滑坡最危险滑移面及抗滑桩最优桩位的确定方法
CN109872509A (zh) * 2019-04-02 2019-06-11 西安邮电大学 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
CN113128028A (zh) * 2021-03-25 2021-07-16 中国科学院武汉岩土力学研究所 一种岩土结构耦联体系的数字孪生模型构建方法
CN114781136A (zh) * 2022-04-07 2022-07-22 河海大学 一种基于dem-cfd-sph建模的滑坡涌浪模拟方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR102550707B1 (ko) * 2022-10-12 2023-06-30 부경대학교 산학협력단 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치
KR102660837B1 (ko) * 2022-10-12 2024-04-24 국립부경대학교 산학협력단 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치
KR20240051005A (ko) * 2022-10-12 2024-04-19 국립부경대학교 산학협력단 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치
CN115854854A (zh) * 2022-12-26 2023-03-28 中国科学院西北生态环境资源研究院 一种多物理场的多年冻土区滑坡监测体系及监测方法
CN117034430B (zh) * 2023-09-11 2024-01-09 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质
CN117034430A (zh) * 2023-09-11 2023-11-10 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质
CN117171865B (zh) * 2023-11-02 2024-01-26 江苏菲尔浦物联网有限公司 一种路基智能测斜方法及系统
CN117171865A (zh) * 2023-11-02 2023-12-05 江苏菲尔浦物联网有限公司 一种路基智能测斜方法及系统
CN117268475B (zh) * 2023-11-21 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 一种多维参数数据融合的边坡安全评估方法
CN117268475A (zh) * 2023-11-21 2023-12-22 深圳市城市交通规划设计研究中心股份有限公司 一种多维参数数据融合的边坡安全评估方法
CN117291432A (zh) * 2023-11-27 2023-12-26 安徽金海迪尔信息技术有限责任公司 一种基于人工智能的水资源调度监测系统
CN117291432B (zh) * 2023-11-27 2024-02-23 安徽金海迪尔信息技术有限责任公司 一种基于人工智能的水资源调度监测系统
CN117332664A (zh) * 2023-12-01 2024-01-02 北京云庐科技有限公司 基于物理计算结果的地质灾害数字孪生实景显示方法
CN117332664B (zh) * 2023-12-01 2024-02-09 北京云庐科技有限公司 基于物理计算结果的地质灾害数字孪生实景显示方法

Also Published As

Publication number Publication date
CN115063963B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115063963B (zh) 一种基于数字孪生技术的滑坡监测系统及方法
CN107829452B (zh) 一种融合多传感器及地基sar的深基坑施工监测预警技术
CN109584510B (zh) 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
Lin et al. Evolution of the large landslide induced by Typhoon Morakot: A case study in the Butangbunasi River, southern Taiwan using the discrete element method
CN102306233B (zh) 降雨作用下流域滑坡时空预测方法
Aristizábal et al. SHIA_Landslide: a distributed conceptual and physically based model to forecast the temporal and spatial occurrence of shallow landslides triggered by rainfall in tropical and mountainous basins
CN103544390B (zh) 基于元胞自动机的溃决洪水快速演进模拟分析方法
Rayne et al. Delineation of capture zones for municipal wells in fractured dolomite, Sturgeon Bay, Wisconsin, USA
Barrett et al. A parsimonious model for simulating flow in a karst aquifer
CN103234920B (zh) 基于遥感信息的地下水富集性评估方法
CN110334882A (zh) 一种隐伏矿体定量预测方法及装置
CN103743441A (zh) 一种边坡安全的多元耦合在线监测系统及方法
CN113283802A (zh) 一种复杂艰险山区滑坡危险性评估方法
CN102799756A (zh) 一种降雨作用下的滑坡预测方法
CN107563092A (zh) 一种矿山动力灾害的全息预警方法
CN113222283A (zh) 一种基于数字孪生的山洪预报预警方法及系统
CN106777585B (zh) 一种区域浅表滑坡时空分异规律的esda分析法
US20210109248A1 (en) System, method, and device for real-time sinkhole detection
CN108765557A (zh) 一种基于bds的山体滑坡三维重建的几何方法
Yangxiao et al. Using Kalman filtering to improve and quantify the uncertainty of numerical groundwater simulations: 2. Application to monitoring network design
CN115130356B (zh) 一种基于数字孪生技术的崩塌监测系统与方法
Gao et al. 3D visualization monitoring and early warning of surface deformation in subsidence area based on GIS
Bemporad et al. A distributed approach for sediment yield evaluation in Alpine regions
Mulligan Modelling catchment hydrology
CN106777734A (zh) 一种山地滑坡预测方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A landslide monitoring system and method based on digital twin technology

Granted publication date: 20221025

Pledgee: Shijiazhuang Luquan Rural Commercial Bank Co.,Ltd.

Pledgor: BEIJING YUNLU TECHNOLOGY CO.,LTD.

Registration number: Y2024980015341