CN115422818B - 基于云服务的离散元并行实时仿真边坡预警系统及方法 - Google Patents
基于云服务的离散元并行实时仿真边坡预警系统及方法 Download PDFInfo
- Publication number
- CN115422818B CN115422818B CN202211370200.7A CN202211370200A CN115422818B CN 115422818 B CN115422818 B CN 115422818B CN 202211370200 A CN202211370200 A CN 202211370200A CN 115422818 B CN115422818 B CN 115422818B
- Authority
- CN
- China
- Prior art keywords
- slope
- discrete element
- data
- early warning
- discrete
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 239000011435 rock Substances 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000004873 anchoring Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于云服务的离散元并行实时仿真边坡预警系统及方法，属于应用仿真分析技术领域；包括本地数据监测采集系统，用于采集边坡预警需要的宏观数据及监测数据，并将所述宏观数据及监测数据上传至所述云服务数据中心；所述云服务数据中心用于建立所述宏观数据与所述离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；还用于设置边坡的预警阈值，当所述离散元GPU并行数值仿真云服务器端的计算结果超过所述预警阈值时，所述云服务数据中心启动告警；所述离散元GPU并行数值仿真云服务器端用于进行离散元GPU并行数值仿真，获得离散元仿真计算结果，并将所述计算结果传送至所述云服务数据中心，实现边坡实时预警。
Description
技术领域
本发明属于应用仿真分析技术领域，特别涉及一种基于云服务的离散元（DEM）GPU并行实时仿真分析边坡预警系统及方法。
背景技术
降雨、地震引起的山体滑坡、泥石流等自然灾害，严重影响着人民群众的生命安全，造成巨大的财产损失。近几年，通过在重点区域埋设传感器、通过遥感技术监测山体滑滑移量为滑坡预警的主要工具，但也有一定的局限性。
数值仿真在提供一定参数的情况下，能够预测与分析未来时间段内的安全状态。因此，急需开发一种能够实时提供参数，快速计算的实时仿真分析方法。
离散元单元法是一种在边坡分析等方面有所应用的数值分析方法，其在数值分析中的应用尚未成熟，主要存在以下几点困难：1、针对工程问题，离散单元数量巨大，采用显式求解方法，计算量巨大；2、离散元参数难以准确标定，需要反复测试与标定；3、多物理场耦合理论尚未完善。
中国专利申请CN 202110431947 .8公开了一种基于遗传算法和离散元分析法的锚固边坡安全性评价方法，主要包括以下步骤：基于现场勘察和仪器监测收集岩质锚固边坡的基础数据；基于离散元分析软件3DEC构建岩质锚固边坡分析计算模型；根据岩体蠕变试验确定蠕变本构模型及蠕变参数范围；基于遗传算法和岩质锚固边坡分析计算模型的响应确定岩质锚固边坡蠕变本构模型的最优参数；基于设定的分析时间，提取岩质锚固边坡的特征变量。根据特征变量的变化情况进行岩质锚固边坡长期安全性评价。该方法主要着眼于解决离散元参数确定困难的问题，但是，该方法是针对特定地区的岩土测定，针对不同岩土，一般使用一次必须重新实验标定；通用性较差。
发明内容
本发明的目的在于提供一种基于云服务的离散元并行实时仿真边坡预警系统及方法，通过对边坡宏观数据、监测数据的采集，利用离散元模型，建立宏观数据与所述离散元GPU并行数值仿真分析所需的微观参数之间的关系模型，并依据所述关系模型实时更新边坡离散元模型中的参数，提高数值模拟精度；设置边坡的预警阈值，将离散元GPU并行数值仿真计算结果与所述预警阈值进行比较，并适时告警。
本发明提供一种基于云服务的离散元并行实时仿真边坡预警系统，包括本地数据监测采集系统、云服务数据中心、以及离散元GPU并行数值仿真云服务器端；
所述本地数据监测采集系统用于采集边坡预警需要的宏观数据及监测数据，并将所述宏观数据及监测数据上传至所述云服务数据中心；所述宏观数据包括边坡的宏观力学性质数据；所述监测数据包括含水量及位移；
所述云服务数据中心用于建立所述宏观数据与离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；还用于设置边坡的预警阈值，当所述离散元GPU并行数值仿真云服务器端的计算结果超过所述预警阈值时，所述云服务数据中心启动告警；
所述离散元GPU并行数值仿真云服务器端用于利用边坡离散元模型，依据实时采集的所述宏观数据进行离散元GPU并行数值仿真计算，获得离散元仿真计算结果，并将所述计算结果传送至所述云服务数据中心；所述云服务数据中心判断是否启动告警，实现边坡实时预警。
进一步地，所述边坡离散元模型为利用所述宏观数据建立的边坡离散元模型；包括边坡的几何形状及粒径分布。
进一步地，所述宏观数据及监测数据通过在边坡本地布置传感器和/或对岩石的岩性进行实验室分析获得。
进一步地，通过前期的离散元仿真计算，得出边坡的危险位置，在所述危险位置设置所述传感器。
进一步地，所述云服务数据中心包括数据存储模块、参数模型模块、以及预警模块；
其中，所述数据存储模块用于存储所述本地数据监测采集系统实时上传的所述宏观数据及监测数据；
所述参数模型模块，用于利用所述数据存储模块中的所述宏观数据及监测数据，采用人工智能方法获得所述关系模型；
所述预警模块用于设置边坡的预警阈值，并当所述离散元GPU并行数值仿真云服务器端的计算结果超过所述预警阈值时，启动告警。
进一步地，所述关系模型的建立过程为：
（1）将所述宏观数据作为所述边坡离散元模型的初始条件或边界条件；
（2）依据经验或随机假定一组所述边坡离散元模型进行离散元GPU并行数值仿真分析需要的微观参数；
（3）利用所述边坡离散元模型进行数值计算，并获得计算结果；
（4）将所述计算结果与所述监测数据进行比较，如计算结果在误差范围内，则认为收敛，获得一组所述宏观数据与所述微观参数之间的对应关系；
（5）重复进行步骤（1）-（4），最终得到所述宏观数据与所述微观参数之间的关系模型。
进一步地，所述预警阈值包括临界边坡安全系数、临界摩擦系数、和/或临界位移量。
进一步地，所述离散元GPU并行数值仿真云服务器端的离散元GPU并行数值仿真依据如下步骤进行：
（1）将所述云服务数据中心中实时的所述宏观数据作为所述边坡离散元模型的初始条件或边界条件；
（2）依据所述云服务数据中心的所述关系模型确定所述宏观数据对应的所述边坡离散元模型的微观参数；
（3）利用所述边坡离散元模型进行离散体接触检索；
（4）针对所述边坡离散元模型进行接触力计算；
（5）依据边坡岩土的具体情况，考虑或不考虑离散体之间的粘结作用；对于考虑粘结作用的情形，针对所述边坡离散元模型，计算离散体之间的键链接力；
（6）针对所述边坡离散元模型，计算含水量对离散体的影响；当饱和度小于100%的时为非饱和状态，则计算液桥力对离散体的影响；饱和度为1的时候为流固耦合，采用格子玻尔兹曼方法与离散元求解；
其中，步骤（3）-（6）采用GPU并行化处理；
（7）得到计算结果，包括边坡安全系数、边坡的摩擦系数、和/或位移。
本发明提供一种基于云服务的离散元GPU并行实时仿真分析边坡预警方法，具体包括以下步骤：
步骤S01、实时采集边坡预警需要的边坡宏观数据及边坡监测数据，并实时上传至云服务数据中心；
步骤S02、依据所述边坡宏观数据建立边坡离散元模型；
步骤S03、所述云服务数据中心依据所述边坡宏观数据及边坡监测数据、利用所述边坡离散元模型建立边坡宏观数据与边坡离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；
步骤S04、将实时采集的所述边坡宏观数据作为所述边坡离散元模型的初始条件或边界条件，并依据实时的所述边坡宏观数据、利用所述关系模型确定微观参数，实时更新所述边坡离散元模型；利用实时更新的所述边坡离散元模型进行GPU并行数值仿真计算，获得离散元仿真计算结果；
步骤S05、设置边坡的预警阈值，当所述离散元仿真计算结果超过所述预警阈值时，启动告警。
本发明结合边坡监测云服务系统，包括本地数据监测采集系统、人工智能数据梳理中心与数据云服务中心，搭建离散元GPU并行数值仿真云服务器端。采用数据云服务、人工智能、本地监测与云计算，实现仿真参数调整与校正；通过实时更新数值仿真参数，实现时间维度上的参数变化，分析山体、边坡稳定性；仿真分析反馈安全系数、临界参数到数据云服务中心，并对比目前监测数据从而实现提前预警、维护。该方法对加强山体滑坡、泥石流防治，减少灾害发生有着重要意义，并支持联网或离线运行监测。
本发明为了能够快速计算以及准确性，计算量问题采用GPU并行方法解决；离散元数值计算结合自动训练与机器学习等人工智能技术，校正数值分析微观参数，确定宏观数据与数值分析所需参数之间关系，保证数值计算的准确性；针对边坡等含水量的不同，非饱和土采用液桥力分析含水量对边坡安全性能的影响，饱和土为流固耦合，采用LBM（格子玻尔兹曼）+DEM方法处理，保证计算的有效性。
本发明通过云服务系统，搭建并行化云端计算服务器，可以远程监测数据；通过人工智能技术手段，调整与校正输入参数，实时更新计算参数，不局限于针对某种特定岩土；利用强度折减法，能够更加准确数值分析，并反馈临界参数至云服务数据中心对比当前监测数值对比，适时发出警报；支持联网或离散运行监测，可以进行远程计算仿真分析、数据管理和监测。
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为本发明基于云服务的离散元并行实时仿真边坡预警系统示意图；
图2为本发明云服务数据中心关系模型建立的流程示意图。
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云服务的离散元GPU并行实时仿真分析边坡预警系统，参考说明书附图图1，该系统包括本地数据监测采集系统100、云服务数据中心200、以及离散元GPU并行数值仿真云服务器端300。
所述本地数据监测采集系统100用于采集边坡预警需要的宏观数据及监测数据，并将所述宏观数据及监测数据上传至所述云服务数据中心200；所述宏观数据具体可包括例如边坡物理尺寸、岩土颗粒粒径分布、弹性模量、泊松比、拉伸强度、压缩强度、摩擦系数等宏观物理及力学性质数据；所述监测数据包括含水量、边坡位移等。
所述本地数据监测采集系统100中采集的宏观数据及监测数据，可通过在边坡本地埋设传感器、对岩石的岩性进行实验室分析等方式获得。如通过现场勘探与仪器监测可以得到岩土粒径分布范围，含水量，孔隙率，位移等数据；基于岩土三轴剪切实验得到岩土的弹性模量，泊松比，剪切模量等数据。
所述传感器的埋设位置，可以通过前期的仿真计算，得出边坡的危险位置，在危险位置埋设传感器，实现传感器测点优化部署。所述前期的仿真计算可在所述离散元GPU并行数值仿真云服务器端300采用离散元分析方法进行。
所述本地数据监测采集系统100将获得的宏观数据及监测数据上传至所述云服务数据中心200。
所述云服务数据中心200用于依据所述本地数据监测采集系统100采集的所述宏观数据及监测数据建立所述宏观数据与所述离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；此外，所述云服务数据中心200用于设置边坡的预警阈值，当所述离散元GPU并行数值仿真云服务器端300的计算结果超过所述预警阈值时，所述云服务数据中心200启动告警。
所述云服务数据中心200包括数据存储模块210、参数模型模块220、以及预警模块230。
其中，所述数据存储模块210用于存储所述本地数据监测采集系统100实时上传的所述宏观数据及监测数据。
所述参数模型模块220，用于利用所述数据存储模块210中的宏观数据及监测数据，并利用所述离散元GPU并行数值仿真云服务器端300中初步建立的边坡离散元模型310，采用人工智能等方式获得边坡的宏观数据与边坡离散元GPU并行数值仿真分析所需的微观参数之间的关系模型。
具体而言，所述宏观数据与所述微观参数的关系模型的建立过程如下：
（1）将所述数据存储模块210中的所述宏观数据作为所述边坡离散元模型310的初始条件或边界条件；即在所述边坡离散元模型310中输入所述本地数据监测采集系统100实时采集的例如弹性模量、泊松比、剪切模量等宏观数据；
（2）依据经验或随机假定一组所述边坡离散元模型310进行数值分析需要的微观参数；所述微观参数为例如离散体接触刚度等无法通过测量、监测等手段获得的参数；
（3）利用所述边坡离散元模型310进行数值仿真计算，并获得边坡位移等计算结果；
（4）将所述计算结果与所述数据存储模块210中存储的同样时间段内的边坡位移等监测数据进行比较，如所述计算结果在误差范围内，则认为数值仿真计算收敛，获得一组所述宏观数据与所述微观参数之间的关系；例如获得弹性模量，剪切模量，泊松比等宏观数据与离散体接触刚度等微观参数之间的关系；
（5）重复进行步骤（1）-（4），最终得到所述宏观数据与所述微观参数的对应关系模型。如弹性模量与离散体接触刚度之间的关系模型。
以上所述宏观数据与微观参数的所述关系模型的建立利用了所述边坡离散元模型310，也可以重新建立其他数值仿真模型以进行所述关系模型的训练，在此不做限定。
依据上述方式建立宏观数据与微观参数之间的关系模型后，离散元数值仿真计算的微观参数即可依据所述关系模型确定，在计算中无需再进行参数的试验标定，大大节约了时间与成本；并且，所述宏观数据与所述微观参数之间的对应关系不局限于某种特定的岩土，具有通用性。采用这样的方式可以大大节约时间与成本，并且有较高的准确性。
所述预警模块230用于设置边坡的预警阈值，并当所述离散元GPU并行数值仿真云服务器端300的计算结果超过所述预警阈值时，所述预警模块230启动告警。其中，所述预警阈值包括临界边坡安全系数、临界摩擦系数、和/或临界位移量。
所述离散元GPU并行数值仿真云服务器端300用于进行离散元GPU并行数值仿真，获得离散元仿真计算结果，并将计算结果传送至所述云服务数据中心200。
具体而言，所述离散元GPU并行数值仿真云服务器端300包括边坡离散元模型310；所述边坡离散元模型310为利用所述数据存储模块210中的所述宏观数据建立的边坡离散元模型，包括边坡的几何形状及粒径分布。
所述离散元GPU并行数值仿真计算的具体步骤如下：
（1）将所述云服务数据中心200所述数据存储模块210中实时的所述宏观数据作为所述边坡离散元模型310的初始条件或边界条件。
（2）依据所述实时的所述宏观数据、利用所述云服务数据中心200所述参数模型模块220中的所述关系模型确定所述边坡离散元模型310的微观参数。
（3）针对更新过参数的所述边坡离散元模型310进行离散体接触检索。其中，根据粒径分布划分网格，并采用Hash表搜索当前颗粒所在网格的周边。
（4）针对所述边坡离散元模型310进行接触力计算，计算采用Hertz-Mindin模型，并根据经典牛顿力学计算离散体运动，获得接触力。
Hertz-Mindin模型中，法向力：
其中，E *为等效弹性模量，R *为等效半径，δ n 为法向颗粒间重叠量。
切向力：
F t = - S t δ t (2)
其中，
为剪切刚度，G *为等效剪切模量，δ t 为切向重叠量。
扭矩：
τ i = - μ r F n R i ω i (3)
其中，μ r 为转动摩擦系数，R i 为接触点到质心距离，ω i 为接触点处的单位角速度矢量分量。
（5）依据边坡岩土的具体情况，考虑或不考虑离散体之间的粘结作用；对于考虑粘结作用的情形，针对所述边坡离散元模型310，计算离散体之间的键链接力。
例如，对于干燥岩土，无需考虑离散体间的粘结作用。
其中，所述离散体之间的键链接力的具体计算方式为：
δF n = -v n S n Aδt (4)
δF t = -v t S t Aδt (5)
δM n = -ω n S t Jδt (6)
其中，δF n 、δF t 、δM n 、δM t 分别为法向力增量、切向力增量、法向扭矩增量、切向扭矩增量；A为键横截面积，
，R B 为键的半径；J为键的转动惯量， 
；S n 、S t 为键的法向与切向刚度，v n 、v t 为颗粒的法向与切向速度，ω n 、ω t 为颗粒的法向与切向转动速度，δt为时间步长。
当键的应力满足公式（8）和（9）时，键断开，此后离散体不再受到键作用。
（6）针对所述边坡离散元模型310，计算含水量对离散体的影响；当饱和度小于100%的时为非饱和状态，则计算液桥力对离散体的影响；饱和度为1的时候为流固耦合，采用格子玻尔兹曼方法（LBM）与离散元（DEM）求解。
其中，（3）-（6）采用GPU并行化处理，以加快计算速度。
采用以上步骤（1）-（6），可以采用强度折减法获得边坡安全系数，并得到实时状态下边坡的摩擦系数、位移量等。
其中，所述边坡安全系数F s可按照下式进行计算：
F s = f / f’ （10）
其中， f为颗粒间摩擦系数，f’为折减后的摩擦系数。
将上述边坡安全系数、摩擦系数、位移量等计算结果反馈至所述云服务数据中心200的所述预警模块230；所述预警模块230将所述边坡安全系数、摩擦系数、位移量等计算结果与所述预警阈值进行比较，如果超过所述预警阈值，则所述预警模块230报警；若没有超过所述预警阈值，则所述离散元GPU并行数值仿真云服务器端300继续进行离散元GPU并行数值仿真。
本发明提供一种基于云服务的离散元GPU并行实时仿真分析边坡预警方法，具体包括以下步骤：
步骤S01、实时采集边坡预警需要的边坡宏观数据及边坡监测数据；
步骤S02、依据所述边坡宏观数据建立边坡离散元模型；
步骤S03、依据所述边坡宏观数据及边坡监测数据、利用所述边坡离散元模型建立边坡宏观数据与边坡离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；
步骤S04、将实时采集的所述边坡宏观数据作为所述边坡离散元模型的初始条件或边界条件，并依据实时的所述边坡宏观数据、利用所述关系模型确定微观参数，实时更新所述边坡离散元模型；利用实时更新的所述边坡离散元模型进行GPU并行数值仿真计算，获得离散元仿真计算结果；
步骤S05、设置边坡的预警阈值，当所述离散元仿真计算结果超过所述预警阈值时，启动告警。
Claims (7)
1.一种基于云服务的离散元并行实时仿真边坡预警系统，包括本地数据监测采集系统、云服务数据中心、以及离散元GPU并行数值仿真云服务器端；
所述本地数据监测采集系统用于采集边坡预警需要的宏观数据及监测数据，并将所述宏观数据及监测数据上传至所述云服务数据中心；所述宏观数据包括边坡的宏观力学性质数据；所述监测数据包括含水量及位移；
所述云服务数据中心用于建立所述宏观数据与离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；还用于设置边坡的预警阈值，当所述离散元GPU并行数值仿真云服务器端的计算结果超过所述预警阈值时，所述云服务数据中心启动告警；
所述关系模型的建立过程为：
（1）将所述宏观数据作为所述边坡离散元模型的初始条件或边界条件；
（2）依据经验或随机假定一组所述边坡离散元模型进行离散元GPU并行数值仿真分析需要的微观参数；
（3）利用所述边坡离散元模型进行数值计算，并获得计算结果；
（4）将所述计算结果与所述监测数据进行比较，如计算结果在误差范围内，则认为收敛，获得一组所述宏观数据与所述微观参数之间的对应关系；
（5）重复进行步骤（1）-（4），最终得到所述宏观数据与所述微观参数之间的关系模型；
所述离散元GPU并行数值仿真云服务器端用于利用边坡离散元模型，依据实时采集的所述宏观数据进行离散元GPU并行数值仿真计算，获得离散元仿真计算结果，并将所述计算结果传送至所述云服务数据中心；所述云服务数据中心判断是否启动告警，实现边坡实时预警；
所述离散元GPU并行数值仿真计算依据如下步骤进行：
（1）将所述云服务数据中心中实时的所述宏观数据作为所述边坡离散元模型的初始条件或边界条件；
（2）依据所述云服务数据中心的所述关系模型确定所述宏观数据对应的所述边坡离散元模型的微观参数；
（3）利用所述边坡离散元模型进行离散体接触检索；
（4）针对所述边坡离散元模型进行接触力计算；
（5）依据边坡岩土的具体情况，考虑或不考虑离散体之间的粘结作用；对于考虑粘结作用的情形，针对所述边坡离散元模型，计算离散体之间的键链接力；
（6）针对所述边坡离散元模型，计算含水量对离散体的影响；当饱和度小于100%的时为非饱和状态，则计算液桥力对离散体的影响；饱和度为1的时候为流固耦合，采用格子玻尔兹曼方法与离散元求解；
其中，步骤（3）-（6）采用GPU并行化处理；
（7）得到计算结果，包括边坡安全系数、边坡的摩擦系数、和/或位移。
2.根据权利要求1所述的系统，其特征在于，所述边坡离散元模型为利用所述宏观数据建立的边坡离散元模型；包括边坡的几何形状及粒径分布。
3.根据权利要求1所述的系统，其特征在于，所述宏观数据及监测数据通过在边坡本地布置传感器和/或对岩石的岩性进行实验室分析获得。
4.根据权利要求3所述的系统，其特征在于，通过前期的离散元仿真计算，得出边坡的危险位置，在所述危险位置设置所述传感器。
5.根据权利要求1所述的系统，其特征在于，所述云服务数据中心包括数据存储模块、参数模型模块、以及预警模块；
其中，所述数据存储模块用于存储所述本地数据监测采集系统实时上传的所述宏观数据及监测数据；
所述参数模型模块，用于利用所述数据存储模块中的所述宏观数据及监测数据，采用人工智能方法获得所述关系模型；
所述预警模块用于设置边坡的预警阈值，并当所述离散元GPU并行数值仿真云服务器端的计算结果超过所述预警阈值时，启动告警。
6.根据权利要求1所述的系统，其特征在于，所述预警阈值包括临界边坡安全系数、临界摩擦系数、和/或临界位移量。
7.一种基于云服务的离散元GPU并行实时仿真分析边坡预警方法，具体包括以下步骤：
步骤S01、实时采集边坡预警需要的边坡宏观数据及边坡监测数据，并实时上传至云服务数据中心；
步骤S02、依据所述边坡宏观数据建立边坡离散元模型；
步骤S03、所述云服务数据中心依据所述边坡宏观数据及边坡监测数据、利用所述边坡离散元模型建立边坡宏观数据与边坡离散元GPU并行数值仿真分析所需的微观参数之间的关系模型；
所述关系模型的建立过程为：
（1）将所述宏观数据作为所述边坡离散元模型的初始条件或边界条件；
（2）依据经验或随机假定一组所述边坡离散元模型进行离散元GPU并行数值仿真分析需要的微观参数；
（3）利用所述边坡离散元模型进行数值计算，并获得计算结果；
（4）将所述计算结果与所述监测数据进行比较，如计算结果在误差范围内，则认为收敛，获得一组所述宏观数据与所述微观参数之间的对应关系；
（5）重复进行步骤（1）-（4），最终得到所述宏观数据与所述微观参数之间的关系模型；
步骤S04、将实时采集的所述边坡宏观数据作为所述边坡离散元模型的初始条件或边界条件，并依据实时的所述边坡宏观数据、利用所述关系模型确定微观参数，实时更新所述边坡离散元模型；利用实时更新的所述边坡离散元模型进行GPU并行数值仿真计算，获得离散元仿真计算结果；
所述GPU并行数值仿真依据如下步骤进行：
（1）将实时的所述宏观数据作为所述边坡离散元模型的初始条件或边界条件；
（2）依据所述关系模型确定所述宏观数据对应的所述边坡离散元模型的微观参数；
（3）利用所述边坡离散元模型进行离散体接触检索；
（4）针对所述边坡离散元模型进行接触力计算；
（5）依据边坡岩土的具体情况，考虑或不考虑离散体之间的粘结作用；对于考虑粘结作用的情形，针对所述边坡离散元模型，计算离散体之间的键链接力；
（6）针对所述边坡离散元模型，计算含水量对离散体的影响；当饱和度小于100%的时为非饱和状态，则计算液桥力对离散体的影响；饱和度为1的时候为流固耦合，采用格子玻尔兹曼方法与离散元求解；
其中，步骤（3）-（6）采用GPU并行化处理；
（7）得到计算结果，包括边坡安全系数、边坡的摩擦系数、和/或位移；
步骤S05、设置边坡的预警阈值，当所述离散元仿真计算结果超过所述预警阈值时，启动告警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211370200.7A CN115422818B (zh) | 2022-11-03 | 2022-11-03 | 基于云服务的离散元并行实时仿真边坡预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211370200.7A CN115422818B (zh) | 2022-11-03 | 2022-11-03 | 基于云服务的离散元并行实时仿真边坡预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115422818A CN115422818A (zh) | 2022-12-02 |
| CN115422818B true CN115422818B (zh) | 2023-02-10 |
Family
ID=84207217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211370200.7A Active CN115422818B (zh) | 2022-11-03 | 2022-11-03 | 基于云服务的离散元并行实时仿真边坡预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422818B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992900A (zh) * | 2019-04-08 | 2019-07-09 | 清华大学 | 一种大体积混凝土多场实时在线协同智能仿真方法和系统 |
| CN112098209A (zh) * | 2020-09-15 | 2020-12-18 | 河北工业大学 | 一种岩土颗粒破坏局部化识别方法 |
| CN113221431A (zh) * | 2021-05-14 | 2021-08-06 | 湖北理工学院 | 基于颗粒离散元与格子Boltzmann的压缩渗透试验数值模拟方法 |
| CN113431056A (zh) * | 2021-04-21 | 2021-09-24 | 中国地质大学（武汉） | 基于粒子群算法和离散元分析的锚固边坡安全性评价方法 |
| WO2021243765A1 (zh) * | 2020-06-05 | 2021-12-09 | 南京大学 | 基于gpu矩阵的离散元流固耦合数值模拟方法及系统 |
-
2022
- 2022-11-03 CN CN202211370200.7A patent/CN115422818B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992900A (zh) * | 2019-04-08 | 2019-07-09 | 清华大学 | 一种大体积混凝土多场实时在线协同智能仿真方法和系统 |
| WO2021243765A1 (zh) * | 2020-06-05 | 2021-12-09 | 南京大学 | 基于gpu矩阵的离散元流固耦合数值模拟方法及系统 |
| CN112098209A (zh) * | 2020-09-15 | 2020-12-18 | 河北工业大学 | 一种岩土颗粒破坏局部化识别方法 |
| CN113431056A (zh) * | 2021-04-21 | 2021-09-24 | 中国地质大学（武汉） | 基于粒子群算法和离散元分析的锚固边坡安全性评价方法 |
| CN113221431A (zh) * | 2021-05-14 | 2021-08-06 | 湖北理工学院 | 基于颗粒离散元与格子Boltzmann的压缩渗透试验数值模拟方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115422818A (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Iliopoulos et al. | A modal decomposition and expansion approach for prediction of dynamic responses on a monopile offshore wind turbine using a limited number of vibration sensors | |
| Li et al. | Structural health monitoring system for the Shandong Binzhou Yellow River highway bridge | |
| US7328625B2 (en) | Systems and methods for determining fatigue life | |
| US7487066B2 (en) | Classifying a work machine operation | |
| Fugate et al. | Vibration-based damage detection using statistical process control | |
| US7953559B2 (en) | Systems and methods for maintaining load histories | |
| AU2006239171B2 (en) | Systems and methods for maintaining load histories | |
| CN106156336A (zh) | 一种斜拉桥结构状态评价系统及评定方法 | |
| CN105865522A (zh) | 桥梁结构监测系统 | |
| CN111259605A (zh) | 一种土质滑坡监测预警评估方法 | |
| CN106769032B (zh) | 一种回转支承使用寿命的预测方法 | |
| CN104019849B (zh) | 压力钢管及伸缩节运行参数自动监测系统及其监测方法 | |
| CN103646181A (zh) | 蠕滑型人工边坡稳定性系数与预警判据的确定方法 | |
| CN106932135A (zh) | 基于加权窄带搜峰识别振动频率的柔性拉索索力测试方法 | |
| CN110765696A (zh) | 塔架振动的螺栓松动故障动态仿真平台、仿真系统及方法 | |
| CN111476404A (zh) | 一种冻融损伤软岩长期变形的预测方法 | |
| CN110362886A (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
| CN111859736B (zh) | 一种管道多病害复杂环境下服役性能评估方法 | |
| CN115422818B (zh) | 基于云服务的离散元并行实时仿真边坡预警系统及方法 | |
| CN107421672A (zh) | 一种基于振动频率全域搜峰的加权索力计算方法 | |
| CN101701882B (zh) | 塔式结构刚度的快速识别方法 | |
| CN117252042B (zh) | 城市地下空间综合承载能力评估系统及方法 | |
| Nguyen et al. | Damage detection of structural based on indirect vibration measurement results combined with Artificial Neural Network | |
| CN104807661B (zh) | 一种高层与高耸结构动力检测承载能力评价方法 | |
| CN102692902A (zh) | 基于有限元分析的传感数据监测方法及装置 |
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 |
Denomination of invention: A Discrete Element Parallel Real time Simulation Slope Warning System and Method Based on Cloud Services Granted publication date: 20230210 Pledgee: Shijiazhuang Luquan Rural Commercial Bank Co.,Ltd. Pledgor: BEIJING YUNLU TECHNOLOGY CO.,LTD. Registration number: Y2024980015341 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |