CN116542185B - 基于降阶仿真模型和实时校准算法的数字孪生管廊系统 - Google Patents
基于降阶仿真模型和实时校准算法的数字孪生管廊系统 Download PDFInfo
- Publication number
- CN116542185B CN116542185B CN202310824920.4A CN202310824920A CN116542185B CN 116542185 B CN116542185 B CN 116542185B CN 202310824920 A CN202310824920 A CN 202310824920A CN 116542185 B CN116542185 B CN 116542185B
- Authority
- CN
- China
- Prior art keywords
- real
- data
- time
- model
- utility tunnel
- 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 122
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 230000002829 reductive effect Effects 0.000 title claims description 28
- 238000009792 diffusion process Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008439 repair process Effects 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
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 45
- 238000007689 inspection Methods 0.000 description 21
- 230000000007 visual effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 239000002775 capsule Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000002737 fuel gas Substances 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- -1 electric power Substances 0.000 description 2
- 238000010892 electric spark Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统。该系统中,通过大数据汇聚单元采集综合管廊的静态属性数据和实时动态数据;实时动态数据包括:固定监测数据和移动监测数据,固定监测数据由燃气舱内固定安装的燃气传感器采集,移动监测数据由燃气舱内设置的能够在综合管廊内进行移动的移动传感器采集;实时仿真推演单元中,通过正向预测模块实现计算密集型流体仿真模型的合理降维,极大提升仿真推演的时效性,实时预测综合管廊内的扩散物理场;通过反演校准模块基于实时校准算法,融合大数据汇聚单元的实时动态数据,对预测的扩散物理场进行实时校准,解决流体仿真模型在实际应用过程中出现的预测偏差问题。
Description
技术领域
本申请涉及数字孪生技术领域,特别涉及一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统。
背景技术
城市地下综合管廊内部承载了燃气、电力、给排水、热力等市政管线以及火灾报警、消防、监控等各类附属设施,属于高危运行环境,存在燃气泄漏、给排水爆管、电缆火灾等重大安全风险隐患,且具有封闭性和不易疏散性等特点,保障综合管廊的安全运行是当前亟待解决的重要问题。
数字孪生技术推进了各类子系统的数字化协同发展,使得物理实体变成一个能够全面感知的容器和载体,结合物联网、AI、大数据等技术,可实现动态监控、全息模拟、实时诊断、精准预测物理实体在现实环境中的状态,为综合管廊的安全运行提供了一种新的智慧管理模式。
然而,当前综合管廊的数字孪生架构多停留在物理实体的三维可视化和监测数据的接入显示,且多面向常态运维和日常管理场景,并未形成具有实时仿真推演、安全状态诊断、应急辅助决策的智慧孪生体。究其原因,主要是由于:第一、现有各类监测数据挖掘利用率太低,仅停留在数据表象,难以链接数据和数据背后的意义;第二、现有仿真推演模型的时效性不足,难以实时甚至超实时预测物理实体的未来状态。这最终导致了现有的数字孪生模型“虚实映射”程度不够、“以虚控实”能力不足。
因而,亟需提供一种针对上述现有技术不足的技术方案。
发明内容
本申请的目的在于提供一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统,以解决或缓解上述现有技术中存在的问题。
为了实现上述目的,本申请提供如下技术方案:
本申请提供一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统,包括:大数据汇聚单元和实时仿真推演单元,大数据汇聚单元,配置为采集所述综合管廊的实时动态数据;所述实时动态数据包括:固定监测数据和移动监测数据,所述固定监测数据由所述综合管廊的燃气舱内固定安装的燃气传感器采集,所述移动监测数据由所述综合管廊的燃气舱内设置的移动传感器采集,所述移动传感器能够在所述综合管廊内进行移动;实时仿真推演单元,包括:正向预测模块和反演校准模块,所述正向预测模块配置为基于构建的降阶仿真模型,对所述综合管廊内的扩散物理场进行实时预测;所述反演校准模块,配置为基于实时校准算法,根据所述实时动态数据,对预测的所述扩散物理场进行实时校准。
优选的,在所述综合管廊内采用无线网络接入点设备并联合定向天线对所述综合管廊进行网络覆盖,且所述无线接入点设备与环网交换机连接;其中,每个所述无线网络接入点设备分别与2个所述定向天线连接,2个所述定向天线安装于所述综合管廊内的防火分区中间顶棚位置,并向所述综合管廊延伸的两个方向对射。
优选的,所述大数据汇聚单元基于MySQL数据库建立,同时,采用Redis数据库对所述综合管廊的采集数据中的热点数据进行存储;其中,所述综合管廊的采集数据包括:所述综合管廊的实时动态数据和静态属性数据。
优选的,所述正向预测模块进一步配置为基于物理机制的降阶仿真模型,按照:
对所述综合管廊内的三维扩散物理场进行降维简化和快速预测;
其中, 为所述综合管廊的燃气舱内的气体密度; />为所述综合管廊内的浓度场; />为持续时间; />为动力粘度; />为所述综合管廊沿管廊长度方向的坐标; />为气体扩散系数; />为所述综合管廊中的气体扩散源。
优选的,所述反演校准模块进一步配置为:基于预先构建的耦合数据同化模型,根据所述实时动态数据,对所述扩散物理场进行矫正,并反演所述综合管廊的危险源;其中,所述耦合数据同化模型为:
式中, 为 />时刻所述综合管廊的浓度场; />为增益矩阵; />为算法权重算子; />为阻尼系数; />为 />时刻所采集到的实时动态数据; />为投影算子, />为 />的伴随算子, />为所述正向预测模型在t+1时刻计算所得的预测结果; />为时刻集合卡尔曼滤波状态矩阵的协方差矩阵; />为观测协方差矩阵; />为观测误差。
优选的,所述大数据汇聚单元进一步配置为采集所述综合管廊的静态属性数据,以根据所述静态属性数据,构建所述综合管廊的实体物理模型,并结合CFD技术构建三维CFD数值模拟模型;所述正向预测模块进一步配置为:基于密度函数的采样方法,对所述三维CFD数值模拟模型的仿真结果进行采样,并通过采样数据对基于注意力机制的深度学习模型进行训练,构建基于数据驱动的降阶仿真模型。
优选的,所述正向预测模块进一步配置为:基于本征正交分解,对所述三维CFD数值模拟模型仿真结果的原始矩阵进行降维,按照公式:
得到不同边界条件下的降阶矩阵;
其中, 为所述三维CFD数值模拟模型仿真结果的原始矩阵, />为经过所述本征正交分解降维后的降阶矩阵, />为经过奇异值分解操作得到的左奇异向量, />是包含奇异值的对角矩阵, />为基于本征正交分解的非侵入式ROM方法对所述采样数据进行降维得到的正交基函数; />为所述正交基函数 />中的 />个左奇异向量; />为正整数; />;
基于注意力机制的深度学习模型对所述降阶矩阵进行时序预测,得到降维后的所述扩散物理场的时序变化;
按照公式:
对降维后的所述扩散物理场的时序变化进行升维操作,得到所述综合管廊内的扩散物理场的预测结果;其中, 为所述降阶矩阵 />中的列向量。
优选的,所述反演校准模块进一步配置为:基于所述综合管廊的三维CFD数值模拟模型的仿真数据,对所述降阶仿真模型进行训练,得到预训练模型;基于实际应用场景中预处理后的所述实时动态数据,对所述预训练模型的模型参数进行实时矫正,得到自适应调优预测的所述降阶仿真模型;其中,基于GPOD方法,对所述实时动态数据进行预处理和分解。
优选的,所述基于GPOD方法,对所述实时动态数据进行预处理,具体为:基于GPOD方法,对所述实时动态数据进行修补操作,处理缺失数据和噪声数据。
有益效果:
本申请实施例提供的基于降阶仿真模型和实时校准算法的数字孪生管廊系统中,通过大数据汇聚单元采集综合管廊的实时动态数据,其中,实时动态数据包括固定监测数据和移动监测数据,固定监测数据由综合管廊的燃气舱内固定安装的燃气传感器采集,移动监测数据由综合管廊的燃气舱内安装的、能够在综合管廊内进行移动的移动传感器采集;通过实时仿真推演单元中的正向预测模块基于构建的降阶仿真模型,对综合管廊内的扩散物理场进行实时预测;通过实时仿真推演单元中的反演校准模块基于实时校准算法,根据实时动态数据对预测的扩散物理场进行实时校准。籍此,以仿真推演为内驱核心,贯通物理实体高保真度还原、实时仿真模拟、反向控制全流程,进行实时数据的分析及风险评估预警,构建数字孪生管廊系统,解决仿真效率推演低下问题,实现综合管廊燃气舱日常运维和应急响应场景的虚实映射和以虚控实。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。其中:
图1为根据本申请的一些实施例提供的一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统的结构示意图;
图2为根据本申请的一些实施例提供的一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统的逻辑示意图;
图3为根据本申请的一些实施例提供的大数据汇聚单元的结构示意图;
图4为根据本申请的一些实施例提供的实时仿真推演单元的结构示意图;
图5为根据本申请的一些实施例提供的基于试验数据的三维模型验证结果;
图6为根据本申请的一些实施例提供的根据一维对流扩散建立的正向预测模型基于三维模型的计算结果的一维模型验证结果;
图7为根据本申请的一些实施例提供的基于数据驱动构建降阶仿真模型的逻辑示意图;
图8为根据本申请的一些实施例提供的可视化交互单元的结构示意图;
图9为根据本申请的一些实施例提供的人机协同控制单元的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上,本领域的技术人员将清楚,在不脱离本申请的范围或精神的情况下,可在本申请中进行修改和变型。例如,示为或描述为一个实施例的一部分的特征可用于另一个实施例,以产生又一个实施例。因此,所期望的是,本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
研究发现,综合管廊作为一种承载了燃气、电力、给排水、热力等市政管线以及火灾报警、消防、监控等各类附属设施的高危运行环境,存在燃气泄漏、给排水爆管、电缆火灾等重大安全风险隐患,如何保证综合管廊的安全运行是当前亟待解决的重要问题。
数字孪生技术推进了各类子系统的数字化协同发展,这也为综合管廊的安全运行提供了一种新的智慧管理模型,然而,当前综合管廊的数字孪生架构多停留在物理实体的三维可视化和监测数据接入显示,且多面向常态运维和日常管理场景,并未形成具有实时仿真推演、安全状态诊断、应急辅助决策的智慧孪生体。
基于此,提出了一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统,通过实现监测数据从“可视化”到“可理解、可利用、可执行”的转变、克服仿真推演模型计算效率和计算精度难以权衡导致的时效性低和实用性差、扩展数字孪生模型的“常态场景”与“事故场景”多场景应用能力,最终实现综合管廊物理实体与虚拟孪生模型的虚实映射,提升综合管廊孪生体“以虚控实”能力,助力综合管廊日常运维与安全保障。
如图1、图2所示,该基于降阶仿真模型和实时校准算法的数字孪生管廊系统包括:大数据汇聚单元和实时仿真推演元。
具体的,基于综合管廊静态属性数据和“固移结合”的实时动态数据完成大数据汇聚单元的构建。其中,综合管廊的静态属性数据用于通过三维建模技术构建综合管廊的物理实体所对应的虚拟孪生模型;“固移结合”的实时动态数据用于通过构建的综合管廊的仿真推演模型进行实时融合分析,以实现事故场景下的扩散物理场的实时预测与应急辅助决策。
大数据汇聚单元采集的静态属性数据主要包括综合管廊的空间尺寸、布局规划、建设要求、运行模式等,用于构建综合管廊虚拟孪生体的物理“骨架”(三维几何体的虚拟孪生模型);实时动态数据主要包括燃气舱内设备运行参数以及监测设备所监测到的环境参数,实时动态数据作为仿真推演模型的数据,共同成为驱动“骨架”运行的“血肉”(分析、预测、校准)。
本申请中,在综合管廊的虚拟孪生模型的构建过程中,利用综合管廊的静态属性数据,通过三维建模技术构建综合管廊的BIM(Building Information Modeling,简称BIM)模型。具体的,首先将综合管廊的CAD图纸导入建模软件(比如,3Ds Max等)中,根据图纸模型比例大小进行建模,使用多边形建模方法,建立图纸形状相同模型,以创建综合管廊的BIM模型的基础框架,并设置材料属性,添加舱体结构、燃气管道、消防箱、混凝土支墩、线缆夹、照明设备、摄像头、风机、配电室、流量阀、传感器、防火门等建筑系统和设备设施并配置相应功能,协调BIM模型构建过程,汇总各系统和元素之间的冲突、错误,完成修正和调整。
使用建模软件的附加功能,对BIM模型进行精细建模,构建与综合管廊的实体一致的细节形状特征:根据综合管廊的实体对BIM模型添加材质和纹理,并进行修图、分割,与BIM模型的模型面片相匹配;删除优化模型的多余顶点和面片,减少资源损耗,将所有文件打包成fbx格式,导入数字孪生引擎(比如,Unity3D)中,并通过C#脚本将综合管廊的对应材质、纹理在模型上进行贴图设置。
为了实现综合管廊的虚拟孪生模型与综合管廊的实体之间的同步运行,本申请中,采用三维模型运动驱动实现综合管廊的虚实同步。其中,综合管廊的虚拟孪生模型中模型、元素众多,各模型间关系复杂,为了使得虚拟孪生模型整体运动流畅,在此,对综合管廊的虚拟孪生模型中各类三维模型进行管理,通过在数字孪生引擎中,以场景树的方法将虚拟孪生模型作为根节点,根据模型关系建立一一对应的子节点,子节点还可以进一步的衍生子节点,以构建完整的场景树结构。在此,对于虚拟孪生模型中的预制体模型,使用prefab组件进行修改,使其各类复制模型与母体模型关联,使得复制模型的属性随母体的变化而变化。
数字孪生模型的每一个3D模型均包含三个基础属性:位置坐标、方向角度和大小范围,在一具体的应用场景中,通过C#脚本进行设置,实现数据驱动。比如,在使用RuntimeEditor插件环境下,脚本通过调用transform.Translate()函数或修改transform.positon实现移动3D模型,调用transform.Rotate()函数和使用transform.rotation旋转模型方向。
本申请中,实时动态数据包括固定监测数据和移动监测数据,其中,固定监测数据由综合管廊的燃气舱内固定安装的燃气传感器采集,移动监测数据由综合管廊的燃气舱内设置的、能够在综合管廊内移动的移动传感器采集。籍此,基于“固移结合”的传感网络对综合管廊的燃气舱中各类数据进行全方位实时采集,能够在全面灵活的采集综合管廊内的各类数据的同时,有效的降低成本。
具体的,在综合管廊燃气舱内固定安装的燃气传感器设置于燃气舱的舱室顶棚,且燃气传感器的安装间距不得大于15米,并进行定点安装。移动传感器包括能够在较大范围内进行往复、多时空信息采集的导轨式传感器和能够搭载各类传感设备的移动巡检机器人。
在一具体的应用场景中,由于防火门和防火间隔的存在,轨道式的移动巡检机器人无法便捷的跨越不同防火分区,为实现更高效的移动监测数据采集,需要投入更多的轨道式的移动巡检机器人;或者,采用具有越障巡检能力的履带式的移动巡检机器人。其中,无论是轨道式的移动巡检机器人,还是履带式的移动巡检机器人,均采用碳钢材料防爆设计,隔离壳内电气设备产生的电弧、电火花与壳外爆炸性混合物,并能承受进入壳内的爆炸性混合物被壳内电气设备的火花、电弧引爆时所产生的爆炸压力而外壳不被破坏。
采集的实时动态数据实时、高效的上传至云端进行分析利用,由于综合管廊内部障碍物以及钢结构较多,无线信号传输能力较弱,本申请中,在综合管廊内采用无线网络接入点(Access point,简称AP)设备并联合定向天线实现对综合管廊内的网络覆盖。综合管廊内的固定传感器和移动巡检机器人通过无线AP连接进行数据传输,无线AP与环网交换机连接,再通过无线的方式实现与综合管廊内的设备连接。
每个无线AP分别与2个定向天线连接,定向天线安装于每个防火分区中间顶棚位置,并向综合管廊延伸的两个方向对射,保证综合管廊内信号全覆盖。固定传感器和移动巡检机器人采集的数据通过数模转换,将模拟信号转换为数字信息传输至微控制器,微控制器通过异构信息交互通道将多源数据传输至微处理器,微处理器进行滤波操作并借助数据结构化、标准化以及数据同步技术实现多源实时监测数据的高效动态数据融合。其中,燃气传感器与移动巡检机器人采用物联网协议与无线AP进行通信后传输至服务器。
固定传感器和移动巡检机器人等各类传感器、摄像头可以通过UART(UniversalAsynchronous Receiver / Transmitter, UART)串口通讯连接,利用UART串口通讯总线实现设备内部数据的传输,通过微控制器STM32将UART总线数据转化为TCP/IP协议所需格式后,通过ESP8266 WIFI模块与管廊内无线AP连接,将数据传输至物联网,以适应综合管廊结构以及信号传输的适用性。
本申请中,大数据汇聚单元基于MySQL数据库建立,以对综合管廊内体量大、来源多的数据进行管理。具体的,固定传感器和移动巡检机器人采集的数据在转换后存入MySQL数据库,在MySQL数据库中按照不同数据来源进行分类。同时,采用Redis数据库作为缓冲,对采集到的数据中的热点数据(超过预设查询频率)进行存储,以便进行查询,提高运行效率,满足数字孪生模型运动的及时性。在数据库(MySQL、Redis)构建完成后,将Mysql.data.dll文件导入数字孪生引擎中,连接数据库,并通过C#脚本调用数据,可在数字孪生模型中查看整个管廊内的全面信息。
本申请中,通过对综合管廊内的“固移结合”传感网络实时采集的多模态数据的融合,构建综合管廊的多源异构数据库,并通过MQTT通讯协议将采集的数据传输至数字孪生模型中,实现模型数据、传感器数据、节点云数据的实时传输,并对新、老数据进行对比,数据发生改变时,触发C#脚本,通过Update()函数来触发函数(transform.Translate()函数、transform.Rotate()函数)以及通过Transform组件(transform.positon、transform.rotation)驱动模型更新。
为防止指令数据重复堆积,接收到的指令按照时间先后建立数据队列,等待当前动作结束后再执行第一条指令数据,完成指令后计算数据队列中指令的数量,在接收到新的指令后取第一条执行,该指令执行的速度将设置为原本速度与数据队列中指令数之积,保证在指令数据堆积的情况下,使管廊模型的动作连贯、完成,完成综合管廊的物理实体到虚拟孪生模型的精准映射。
本申请中,通过构建多功能、高时效性的实时仿真推演单元,满足仿真推演过程的时效性、综合管廊安全日常运维和应急响应多场景的仿真推演要求。具体的,实时仿真推演单元包括正向预测模块和反演校准模块,其中,正向预测模块配置为基于构建的降阶仿真模型,对综合管廊内的扩散物理场进行实时预测;反演校准模块配置为基于实时校准算法,根据实时动态数据,对预测的扩散物理场进行实时校准。
通过正向预测模块和反演校准模块,实现真实监测数据与仿真推演的结合,利用实时监测数据实现正向预测时的预测轨迹纠偏,提高预测精度,确保模型误差和监测误差能够不断被抑制,从而得到符合现实场景的预测效果。
本申请中,在实时仿真推演过程中,可以采用基于物理机制的降阶仿真模型,即结合综合管廊的狭长结构特征,可以直接对流体力学特征进行低维运算,从而利用低维模型实现仿真推演;也可以采用基于数据驱动的降阶仿真模型进行仿真推演,基于POD和深度学习融合的降维算法,通过三维高置信度的数值模拟数据训练降阶仿真模型,实现高时效性仿真推演。
目前,综合管廊内的日常运维情景以及事故灾害情景的态势评估,主要涉及流体力学的仿真推演。在此,以日常通风及燃气泄漏情景为例,构建综合管廊的流体力学控制方程组,包括:
连续性方程组,
动量守恒方程,
能量守恒方程,
多组分气体守恒方程,
理想气体方程,
其中, 为综合管廊中的舱内气体密度; />为综合管廊中的气体扩散的速度矢量; /> 分别为速度矢量在 />三维方向上的分量; />为持续时间; />为综合管廊中的气体压力, />为动力粘度;/>分别为内热能、温度、耗散函数; />为各组分气体的浓度,此处主要包括空气和甲烷; />为气体扩散系数; />为气体释放源项(即综合管廊中的气体扩散源); />分别为气体体积、摩尔质量、可压缩性和气体常数。
考虑到综合管廊内的日常通风以及事故场景中的复杂流场,为降低预测过程中湍流扰动对扩散物理场的影响,以获得相对较高的计算效率和准确性,将雷诺时均方程(RANS)作为主要的湍流控制模型,如下:
其中, 和 />为湍流动能和耗散率;/>为湍流生成率;/>为湍流粘度;其它均为模型常数。
但是,研究发现,综合管廊多应用场景在进行仿真推演过程中,数字孪生模型存在实时双向数据传递的时效性以及综合管廊的物理实体时间序列的同步性的问题,对此,在本申请中,主要通过降维降阶来实现仿真推演。
在一具体的应用场景中,结合综合管廊的狭长空间特性,燃气事故情境中,综合管廊在机械通风作用下,泄漏的燃气会快速向下风向形成“一维”流动,基于该一维对流扩散过程,实现综合管廊内气体扩散过程的降维计算。具体的,正向预测模型进一步配置为基于物理机制的降阶仿真模型,按照:
对综合管廊内的三维扩散物理场进行降维简化和快速预测;其中, 为综合管廊的燃气舱内的气体密度;/>为综合管廊内的浓度场; />为持续时间; />为动力粘度; />为综合管廊沿管廊长度方向的坐标;/>为气体扩散系数;/>为综合管廊中的气体扩散源。
此外,本申请中,还利用现有的试验数据对综合管廊中气体的对流扩散进行验证,
具体的,按照公式:
对综合管廊中气体的对流扩散进行验证。通过对综合管廊的三维CFD数值模拟模型的计算结果在综合管廊的舱体截面上的面域积分,实现对一维对流扩散模型的验证。其中, 为综合管廊的截面面积, />为三维CFD数值模拟模型中第 />个网格处物理量的值,是第 />个网格处网格的面积, />是三维CFD数值模拟模型中的网格数量。
如图5、图6所示,以综合管廊在 米处为例,通过将模型结算结果在/>米截面处的物理量值进行面域积分得到一个平均值,基于此平均值与一维对流扩散的正向预测模型在 />米处的计算值进行误差对比,如果所有位置处的误差对比结果的平均值小于等于5%,则认为基于一维对流扩散的正向预测模型是合理的,图5、图6分别为基于试验数据的三维模型验证结果和根据一维对流扩散建立的正向预测模型基于三维模型的计算结果的一维模型验证结果,由对比结果可以看出,基于一维对流扩散的正向预测模型的计算结果与试验数据的误差很小,完全可用于计算、评估综合管廊泄漏场景的扩散情况。
在基于一维对流扩散实现对综合管廊内的三维扩散物理场的预测后,通过反演校准模块对预测结果进行矫正,具体的,反演校准模块进一步配置为基于预先构建的耦合数据同化模型,根据采集到的实时动态数据,对预测的扩散物理场进行矫正,并反演综合管廊的危险源。其中,耦合数据同化模型为:
式中, 为 />时刻综合管廊的浓度场,取值为 />时刻集合卡尔曼滤波状态矩阵中的状态向量; />为增益矩阵; />为算法权重算子;/>为阻尼系数;/>为时刻所采集到的实时动态数据; />为投影算子, />为 />的伴随算子,/>为所述正向预测模型在 />时刻计算所得的预测结果; />为 />时刻集合卡尔曼滤波状态矩阵的协方差矩阵;/>为观测协方差矩阵; />为观测误差。在此,需要说明的是, />在该应用场景中表征综合管廊的浓度场,在此仅为示例, />还可以为综合管廊场景中的其它扩散物理量,比如速度场、温度场等。
在另一具体的应用场景中,如图7所示,基于数据驱动的模型降阶,进行大体量多工况仿真数据的深度学习与训练,构建满足实际场景下实时性和泛化能力的降阶模型。具体的,根据大数据汇聚单元采集的综合管廊的静态属性数据,构建综合管廊的三维实体物理模型,并结合CFD技术构建三维CFD数值模拟模型;然后,正向预测模块基于密度函数的采样方法,对三维CFD数值模拟模型的仿真结果进行采样,并通过采样数据对基于注意力机制的深度学习模型进行训练,构建基于数据驱动的降阶仿真模型。
本申请中,利用三维CFD数值模拟模型进行多工况仿真,确定三维CFD数值模拟模型的几何网格、边界条件和材料属性等静态属性数据,与速度、压力、温度、组分、流量等物理量之间的对应关系;并对该对应关系进行数据处理,形成易于被深度学习模型读取的数据格式,最后,利用transformer构建降阶模型,以实现提高三维仿真推演的时效性和实用性。
具体的,基于密度函数的采样方法,计算三维CFD数值模拟模型的每个Voronoi区域的质心来实现采样。本申请中,定义开集 和点集 />,其中, />为正整数,点 />对应的Voronoi 区域 />定义为:
点 称为该 Voronoi 区域的生成元,集合/>称为 />的 Voronoi 镶嵌。对于定义在Voronoi区域上的密度函数 />,可以通过公式:
确定Voronoi区域的质心/>。
然后,基于POD和多维插值的非侵入式ROM方法对采样数据进行分析。具体的,针对所采集的仿真结果的快照数据(某一时刻采样数据的集合,比如,时刻采样数据的集合),进行POD分解,得到正交基函数;然后,使用多维插值方法将采样数据映射到POD空间中,并构建ROM。
在此,通过对采样数据进行POD分解,将高维数据降至低维,并提取出最具代表性的模式,首先从采样数据中提取出一组基函数,并将其用于构建ROM;然后,通过多维插值对ROM进行优化和预测。具体的,仿真结果的快照数据有 个(即 />至 />时刻的 />个采样数据的集合),每个快照包含 />个数据点(即每个时刻的采样数据集合中包含 />个采样数据),则将这些数据点组成一个 />的矩阵/>,即所有(/>至 />)时刻的快照数据组成了一个 />的矩阵/>(即原始矩阵)。
按照公式:
对原始矩阵进行奇异值分解(Singular Value Decomposition,简称SVD)。其中, />为一个 />的正交矩阵, />为一个 />的对角矩阵,/>为一个 />的正交矩阵。 />和 />中的列向量成为左奇异向量和右奇异向量, />中的对角元素成为奇异值。根据POD方法的定义,前/>个左奇异向量构成了一组正交基函数:, />为正整数,且 />,即
由于三维CFD数值模拟模型仿真结果中每一个快照往往包括几十万甚至上百万数据,在此,基于本征正交分解的非侵入式ROM方法,按照公式:
对原始矩阵进行降维处理,得到经过本征正交分解降维后的降阶矩阵 />;其中,是包含奇异值的对角矩阵。需要注意的是,即使经过POD降维后,其在时序预测时,仍需要进行复杂的矩阵操作,基于此,提出了利用基于注意力机制的深度学习模型对降维后的降阶矩阵进行时序预测,以极大的提升时序预测的时效性。具体的,按照时序组合模态,使用注意力机制的深度学习模型对降阶矩阵进行预测和优化。其中,在基于注意力机制的深度学习模型中,编码组件由多层编码器组成,解码组件由相同层数的解码器组成;每个解码器由两个子层(自注意力层和前馈网络)组成;每个编码器的结构是相同的,但使用不同的权重参数。利用深度学习模型,通过时序化的模态输入,预测一段时刻以后的模态结果输出,实现三维物理场(速度、压力、温度、组分等)的快速精准预测。
对降维后的降阶矩阵进行时序预测,获得的是降维后的扩散物理场的时序变化,但在实际应用中,需要通过综合管廊的全场信息进行判断,因而对得到的降维后的预测结果,还需要进行升维操作,即对降阶矩阵的预测结果进行矩阵还原,以得到综合管廊内的扩撒物理场的预测结果。具体的,在需要获取综合管廊全场信息的时刻点时,按照公式:
对降维后的扩散物理场的时序变化进行升维操作,即进行POD逆操作,实现对降阶矩阵的矩阵还原,得到综合管廊内的扩撒物理场的预测结果。其中, 为降阶矩阵 />中的列向量。
通过上述步骤,基于本征正交分解,对三维CFD数值模拟模型仿真结果的原始矩阵进行降维,得到了降阶矩阵;通过对降阶矩阵进行时序预测,实现对扩散物理场在时间维度上的推进;最后,通过POD逆操作,实现对降阶矩阵的矩阵还原,得到综合管廊的全场信息。籍此,实现了综合管廊三维扩散物理场(速度、压力、温度、组分等)的快速、精准预测。
在实际应用场景中,通过基于数据驱动的降阶方法,使用三维CFD数值模拟模型的生成数据对基于注意力机制的深度学习模型进行预训练,并使用实时采集的数据流进行模型优化矫正。具体的,基于综合管廊的三维CFD数值模拟模型的仿真数据,对降阶仿真模型进行训练,得到预训练模型;然后,基于实际应用场景中预处理后的实时动态数据,对预训练模型的模型参数进行实时矫正,以使降阶仿真模型能够自适应调优预测。在此,基于GPOD方法,对实时动态数据进行预处理和分解,使得实际应用场景中的实时动态数据能够满足降阶仿真模型的需求。
本申请中,由于实时动态数据相较于三维CFD数值模拟模型的仿真数据更为稀疏,无法直接与三维CFD数值模拟模型的仿真数据进行组合,因此,针对实时动态数据采用GPOD方法进行预处理。具体的,基于GPOD方法,对实时动态数据进行去除噪声、填补缺失值等操作。其中,在填补缺失值时,首先为每一个快照数据定义一个二元的掩码向量,用于描述数据可用的地方和缺失的地方;然后,在每个迭代步骤中,将POD应用于数据库,将前一步的结果用作对间隙数据的新预测,同时将原始数据保留在非间隙位置。其中,掩码向量定义为:
式中, 对应于快照数据 />的第 />个分量。
定义 为快照集的POD基集,其中,所有快照 />都是完整的。若 />为一个不完整快照,其中有一些缺失的元素与相关的掩码向量 />,如果 />中向量的行为可以由完整的快照集/>定义,则当前的POD基集 />可用于将不完整的快照 />重建为完整的快照集/>,且中间的修复向量 />可以写成:
其中, 为对应于模式的数量或根据所需能量水平的最高能量POD基本向量;总是小于快照总数 />;系数 />通过将原始向量 />和修复向量 />之间的误差向量最小化以后得到。误差向量定义为:
其中,为原始向量和修复向量之间的误差向量。
为了解决误差向量的最小化问题,对所有向量的误差进行微分,得到以下形式的线性方程组:
其中 , />, />, /> ,。中间修复向量/>可以通过求解线性方程组得到;最后将/>中缺失的元素替换为从线性方程得到的相应修复元素,即当 />时, />。
本申请中,通过实时仿真推演单元实现真实监测数据与预测数据的结合,利用监测数据实现预测的纠偏,提高预测精度,确保模型误差和监测误差能够不断被抑制,从而得到符合现实场景的预测结果,扩展数字孪生模型的“常态场景”与“事故场景”的多场景应用能力,面向综合管廊的常态运维和事故场景应急响应,实现综合管廊数字孪生系统多场景无缝切换。比如,在日常运维场景通过对风场、温度场、耗电量的评估分析,实现智能通风优化和管廊运维降本增效;在事故应急场景通过对风场、泄漏浓度场的预测预警,实现突发燃气事故智能辅助决策和科学应急目标。籍此,基于综合管廊安全运维的仿真推演,对采集的多模态数据进行实时融合分析,实现“常态”和“事故”多场景态势的分析和评估预警。
此外,该基于降阶仿真模型和实时校准算法的数字孪生管廊系统中,还包括:可视化交互单元和人机协同控制单元,如图8、图9所示。通过可视化交互单元,基于可视化引擎实现各类信息的精准映射,实现综合管廊数字孪生系统的可视化交互;通过人机协同控制单元,构建综合管廊物理实体的人机协同控制模式,提升综合管廊“以虚控实”能力。
通过可视化渲染和UI设计,构建综合管廊的可视化交互,实现综合管廊物理实体到虚拟数字化的精准映射和应用功能的便捷操作;进而,构建综合管廊的人机协同控制,结合仿真推演结果和现场人员的观测进行综合决策,实现综合管廊物理实体的人机系统控制,提升综合管廊“以虚控实”能力,如智能节能通风、事故灾害溯源、机器人人机应急动作指挥等。
具体的,通过数字孪生引擎设计合适的UI (User Interface, UI)界面实现数据可视化,用户界面主要包括文本框、按钮、下拉菜单等;在设计UI时,需要将所有UI组件与Canvas模块设置父子关系,建立在Canvas模块的子节点上。
在综合管廊管理中,需要经常对数据、监测节点进行选择、标记及记录,在此,利用Screen Space-Overlay渲染方式,使UI组件呈现于摄像机上层,方便交互操作,利用OnGUI()函数进行交互功能设计。
数字孪生引擎通过数据库接口接收数据,将采集的数据通过图表展示具体的参数信息,通过图表插件实现各类图标的展示;综合管廊中移动巡检机器人采集的数据通过热力云图展示其数据变化与分布情况,并创建间隔固定距离的一定数量点,对每个点添加C#脚本,赋予其对应位置的温度数值,利用颜色值与温度数据值对应,每个点之间颜色变化采用线性变化,以生成热力云图,通过颜色深浅表示数据差异和分布情况。在云端记录的所有位置的传感器数据和移动巡检机器人采集的数据,利用3D可视化展现出综合管廊环境参数的综合分布情况。
通过图表、数据直接展现综合管廊内的参数的方法,虽然十分具体,但是并不全面,综合管廊管理人员不能便捷、清晰地了解综合管廊的整体情况,还需要通过综合管廊的采集数据进行渲染,以展示综合管廊的整体环境。具体的,在渲染过程中,通过引擎进行离线渲染,对不需要的数据利用视椎体(粗粒度)剔除、层级剔除等方法删除;利用定点着色器进行坐标转换和逐顶点光照;利用光栅化对渲染图元中的像素进行合并混合并绘制;利用片元着色器并根据gl_FragColor()方法确定片元颜色,写入颜色缓冲区提升综合管廊的虚拟孪生模型的可视化效果。最终通过数字孪生引擎生成图像并与用户进行实时交互场景。
在数字孪生引擎(比如,Unity3D)生成WebGL文件后,首先,与JavaScript引擎进行通信,在数字孪生引擎中创建jslib文件并写入调用JavaScript函数脚本;然后,通过C#脚本调用上述函数。jslib文件作为中间文件,使得数字孪生引擎与前端文件WebGL进行通信。接着,还需要创建Html网页、JavaScript文件以及外部CSS样式文件。CSS文件应用于Web和WebGL样式,JavaScript文件用于Unity与iframe组件通讯接口,html文件用于Web应用,运行html文件,Unity嵌入Web前端网页,实现Unity与Web通信,实现前端实时交互场景。
通过数字孪生引擎设计预测预警模块,利用数字孪生脚本和插件实现综合管廊内部数据预测预警,通过Runtime Editor插件,设计预测信息UI窗口,并编写C#脚本添加至窗口上,脚本实现接收数据库中预测信息并实时显示功能;数字孪生管廊系统通过Videoplay插件添加综合管廊内的各摄像头,通过RTSO协议实时连接综合管廊内监控视频流、机器人摄像头视频流,调用Open()接口,获取推送实例,以实时查看综合管廊内的真实环境,结合各类数据全面展示综合管廊内的情况;利用摄像头原生的SDK接口,调用GetRawTextureData(),获取原始数据,之后通过调用OnPostRGBAData()接口,配合SmartPlayer播放器播放摄像头视频,实时显示廊内、移动巡检机器人画面。
通过数字孪生综合管廊漫游,可以让工作人员巡游综合管廊虚拟场景产生身临其境的感觉,替代传统人员入廊方案,为实现管廊漫游功能,需要选择观察者视角,在数字孪生引擎内选择胶囊模型作为漫游人物,对胶囊模型添加摄像机模块,对胶囊模型编写自由运动程序使其成为自由观察的摄像机,并对胶囊模型设置脚本,禁止胶囊穿过管廊虚拟场景墙体,防止摄像机自由运动观察时穿过墙体离开当前空间造成虚假视觉体验。将预设的CameraController脚本和PlayerController脚本以及Unity基础包中FirstPersoController添加到摄像机上,可使用键盘进行视角模型位置移动,利用鼠标进行360°视角转动,实现综合管廊的自由虚拟漫游。
为实现数字孪生管廊系统预警功能,创建一个警告的Model类和一个警告的UI窗口,将WarningWindow脚本添加至UI窗口上,编写WarningWindow脚本实现监测参数并弹出窗口功能;当某个参数超过安全范围时或预测异常信息时,触发脚本,UI窗口上显示预警信息。籍此,利用数字孪生管廊系统的可视化交互功能,决策层和管理层可以更加直观、高效的了解综合管廊的日常运维和事故应急情境下,综合管廊的舱内实时演化情况,进而大大提高决策相应效率,实现综合管廊的安全运维。
本申请中,通过数字孪生管廊系统中的人机协同控制单元,使得可以结合仿真推演结果和现场平盘得到的综合决策结果,利用人机系统控制实现对各类设备的远程控制,通过综合管廊内无线AP远程控制综合管廊内的固定传感器、移动巡检机器人以及各类物联网设备,并利用物联网平台等远程控制工具实现通过互联网远程控制物联网设备。
在与综合管廊内的各类可编程逻辑控制器(Programmable Logic Controller,简称PLC)设备通信时,利用OPC UA通信架构实现数字孪生管廊系统中各类PLC设备的监控,使得能够适应各类复杂的数据类型,提高通信可信度和安全性,有效解决由于综合管廊内的设备来源不同,选取各异的通讯协议和规范,从而使设备与系统间的通讯存在困难、“信息孤岛”的问题。
综合管廊内的PLC逻辑控制器通过WIFI模块将数据传输至网关,网关将数据传输至OPC UA服务器进行管理,OPC UA服务器对数据进行解析并存储至对应的地址空间进行传输;利用数字孪生引擎调用API接口获取数据,API接口以Socket形式进行通信。
调用数字孪生引擎中编写的C#脚本进行TCP(Transmission Control Protocol,简称TCP)Socket通信,将客户端数据传输至数字孪生引擎中。综合管廊内的可编程逻辑控制器搭载无线通讯以及串行通信等接口,利用无线AP通过OPC UA与可编程逻辑控制器进行连接,实现对可编程逻辑控制器的远程快速控制;当数字孪生管廊系统接收到超出报警阈值数据时,应用预设脚本通过物联网自动控制PLC设备,防止事故进一步演化升级。
本申请中,通过ROS(Robot Operating System,简称ROS)机器人操作系统实现对移动巡检机器人的运动控制、传感器数据获取,利用编写轻量化进程的节点进行移动巡检机器人的应用开发,利用无线通讯与移动巡检机器人进行连接,通过ROS预设程序实现移动巡检机器人的自动化控制,利用ROS系统提供的分布式计算方式提高综合管廊内移动巡检机器人的运动可靠性和性能;并可以通过远程操作手柄、移动巡检机器人上搭载的摄像头对移动巡检机器人进行远程手动操作,并实时查看综合管廊的内部画面,从而减少人员作业、以及进出管廊。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统,其特征在于,包括:大数据汇聚单元和实时仿真推演单元,
所述大数据汇聚单元,配置为采集综合管廊的实时动态数据;所述实时动态数据包括:固定监测数据和移动监测数据,所述固定监测数据由所述综合管廊的燃气舱内固定安装的燃气传感器采集,所述移动监测数据由所述综合管廊的燃气舱内设置的移动传感器采集,所述移动传感器能够在所述综合管廊内进行移动;
所述实时仿真推演单元,包括:正向预测模块和反演校准模块,
所述正向预测模块配置为基于物理机制的降阶仿真模型,按照:
;
对所述综合管廊内的三维扩散物理场进行降维简化和快速预测;其中,为所述综合管廊的燃气舱内的气体密度;/>为所述综合管廊内的浓度场;/>为持续时间;/>为动力粘度;/>为所述综合管廊沿管廊长度方向的坐标;/>为气体扩散系数;/>为所述综合管廊中的气体扩散源;
所述反演校准模块,配置为基于实时校准算法,根据所述实时动态数据,对预测的所述扩散物理场进行实时校准,且基于预先构建的耦合数据同化模型,根据所述实时动态数据,对所述扩散物理场进行矫正,并反演所述综合管廊的危险源;
其中,所述耦合数据同化模型为:
;
式中,为/>时刻所述综合管廊的浓度场;/>为增益矩阵;/>为算法权重算子;为阻尼系数;/>为/>时刻所采集到的实时动态数据;/>为投影算子,/>为/>的伴随算子,/>为所述正向预测模块在/>时刻计算所得的预测结果;/>为/>时刻集合卡尔曼滤波状态矩阵的协方差矩阵;/>为观测协方差矩阵;/>为观测误差。
2.根据权利要求1所述的基于降阶仿真模型和实时校准算法的数字孪生管廊系统,其特征在于,在所述综合管廊内采用无线网络接入点设备并联合定向天线对所述综合管廊进行网络覆盖,且所述无线网络接入点设备与环网交换机连接;其中,每个所述无线网络接入点设备分别与2个所述定向天线连接,2个所述定向天线安装于所述综合管廊内的防火分区中间顶棚位置,并向所述综合管廊延伸的两个方向对射。
3.根据权利要求1所述的基于降阶仿真模型和实时校准算法的数字孪生管廊系统,其特征在于,所述大数据汇聚单元基于MySQL数据库建立,同时,采用Redis数据库对所述综合管廊的采集数据中的热点数据进行存储;其中,所述综合管廊的采集数据包括:所述综合管廊的实时动态数据和静态属性数据。
4.一种基于降阶仿真模型和实时校准算法的数字孪生管廊系统,其特征在于,包括:大数据汇聚单元和实时仿真推演单元,
所述大数据汇聚单元,配置为采集综合管廊的实时动态数据,以及采集所述综合管廊的静态属性数据,以根据所述静态属性数据,构建所述综合管廊的三维实体物理模型,并结合CFD技术构建三维CFD数值模拟模型;所述实时动态数据包括:固定监测数据和移动监测数据,所述固定监测数据由所述综合管廊的燃气舱内固定安装的燃气传感器采集,所述移动监测数据由所述综合管廊的燃气舱内设置的移动传感器采集,所述移动传感器能够在所述综合管廊内进行移动;
所述实时仿真推演单元,包括:正向预测模块和反演校准模块,
所述正向预测模块配置为基于密度函数的采样方法,对所述三维CFD数值模拟模型的仿真结果进行采样,并通过采样数据对基于注意力机制的深度学习模型进行训练,构建基于数据驱动的降阶仿真模型,对所述综合管廊内的扩散物理场进行实时预测;
且基于本征正交分解,对所述三维CFD数值模拟模型仿真结果的原始矩阵进行降维,按照公式:
;
得到不同边界条件下的降阶矩阵;
其中,为所述三维CFD数值模拟模型仿真结果的原始矩阵,/>为经过所述本征正交分解降维后的降阶矩阵,/>为经过奇异值分解操作得到的左奇异向量,/>是包含奇异值的对角矩阵,/>为基于本征正交分解的非侵入式ROM方法对所述采样数据进行降维得到的正交基函数;/>为所述正交基函数/>中的/>个左奇异向量,/>为正整数;/>;
基于注意力机制的深度学习模型对所述降阶矩阵进行时序预测,得到降维后的所述扩散物理场的时序变化;
按照公式:
;
对降维后的所述扩散物理场的时序变化进行升维操作,得到所述综合管廊内的扩散物理场的预测结果;其中,为所述降阶矩阵/>中的列向量;所述反演校准模块,配置为基于实时校准算法,根据所述实时动态数据,对预测的所述扩散物理场进行实时校准;
且基于所述综合管廊的三维CFD数值模拟模型的仿真数据,对所述降阶仿真模型进行训练,得到预训练模型;
基于实际应用场景中预处理后的所述实时动态数据,对所述预训练模型的模型参数进行实时矫正,得到自适应调优预测的所述降阶仿真模型;其中,基于GPOD方法,对所述实时动态数据进行预处理和分解。
5.根据权利要求4所述的基于降阶仿真模型和实时校准算法的数字孪生管廊系统,其特征在于,所述基于GPOD方法,对所述实时动态数据进行预处理,具体为:基于GPOD方法,对所述实时动态数据进行修补操作,处理缺失数据和噪声数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824920.4A CN116542185B (zh) | 2023-07-06 | 2023-07-06 | 基于降阶仿真模型和实时校准算法的数字孪生管廊系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824920.4A CN116542185B (zh) | 2023-07-06 | 2023-07-06 | 基于降阶仿真模型和实时校准算法的数字孪生管廊系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542185A CN116542185A (zh) | 2023-08-04 |
CN116542185B true CN116542185B (zh) | 2023-09-01 |
Family
ID=87447549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310824920.4A Active CN116542185B (zh) | 2023-07-06 | 2023-07-06 | 基于降阶仿真模型和实时校准算法的数字孪生管廊系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542185B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236104B (zh) * | 2023-08-22 | 2024-04-02 | 西南科技大学 | 一种基于环境模拟时序仿真的特种阀高阶模型降阶方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797572A (zh) * | 2020-07-06 | 2020-10-20 | 中国矿业大学(北京) | 一种城市事故灾害演化模拟及风险预测预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11729597B2 (en) * | 2020-11-24 | 2023-08-15 | Electronics And Telecommunications Research Institute | Digital twin disaster management system customized for underground public areas |
-
2023
- 2023-07-06 CN CN202310824920.4A patent/CN116542185B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797572A (zh) * | 2020-07-06 | 2020-10-20 | 中国矿业大学(北京) | 一种城市事故灾害演化模拟及风险预测预警方法 |
Non-Patent Citations (1)
Title |
---|
基于OpenFOAM的综合管廊舱内燃气泄漏扩散数值模拟;吴建松 等;中国安全生产科学技术;第16卷(第02期);第168-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542185A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177942A (zh) | 矿井无人化综掘工作面数字孪生智能监控系统 | |
CN115454057B (zh) | 一种煤矿机器人群数字孪生智能管控建模系统与方法 | |
CN110083119A (zh) | 一种基于数字孪生的可视化电力系统机房监控系统和方法 | |
CN116542185B (zh) | 基于降阶仿真模型和实时校准算法的数字孪生管廊系统 | |
CN109242291A (zh) | 河湖流域水环境智慧管理方法 | |
CN104678954A (zh) | 基于全生命周期的大坝安全智能监测与预警系统及其方法 | |
Lee et al. | A risk management system for deep excavation based on BIM-3DGIS framework and optimized grey Verhulst model | |
CN114201798A (zh) | 基于bim+gis技术的长大隧道数字孪生系统及方法 | |
CN110633540A (zh) | 金属矿山矿井通风三维可视化仿真辅助决策控制系统及方法 | |
CN104166697A (zh) | 一种三维交互式船闸监控系统 | |
CN106453468A (zh) | 一种基于gis技术的煤矿突水预警方法 | |
Zou et al. | Simulation and prediction of geologic hazards and the impacts on homestay buildings in scenery spots through BIM | |
Li et al. | Development of a distributed MR-IoT method for operations and maintenance of underground pipeline network | |
Li et al. | Digital twin for intelligent tunnel construction | |
CN110955994A (zh) | 一种可燃冰开采环境安全虚拟仿真评估系统及方法 | |
TWI636405B (zh) | 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 | |
Wang et al. | Research and realization of virtual-real control of robot system for off-heap detector assisted installation based on digital twin | |
Wu et al. | Development and application scenario of Municipal Utility Tunnel facility management based on BIM, 3D printer and IOT | |
CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
Leng et al. | A data integration and simplification framework for improving site planning and building design | |
Lin et al. | A virtual geographic environment for a simulation of air pollution dispersion in the pearl river delta (PRD) region | |
Jiang et al. | Monitoring system for the construction of arch cover method Subway Station based on DT and IoT | |
CN105740588A (zh) | 用于矿井下多巷道任意角度耦合的水害漫延方法 | |
CN206769908U (zh) | 一种基于bim的地铁车站竖井开马头门的防护监控系统 | |
Meng et al. | Virtual construction technology of tunnel engineering based on BIM platform and measuring robot |
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 |