CN116595898A - 平原河道桥群阻水叠加影响量化分析方法及系统 - Google Patents
平原河道桥群阻水叠加影响量化分析方法及系统 Download PDFInfo
- Publication number
- CN116595898A CN116595898A CN202310879901.1A CN202310879901A CN116595898A CN 116595898 A CN116595898 A CN 116595898A CN 202310879901 A CN202310879901 A CN 202310879901A CN 116595898 A CN116595898 A CN 116595898A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- simulation
- river
- bridge
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 230000000903 blocking effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 claims abstract description 118
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000005094 computer simulation Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000002023 wood Substances 0.000 claims description 5
- 238000010146 3D printing Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 229920000642 polymer Polymers 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 238000004379 similarity theory Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- 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]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Remote Sensing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Graphics (AREA)
- Structural Engineering (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种平原河道桥群阻水叠加影响量化分析方法及系统，所述方法包括如下步骤：调取或基于遥感技术对预定区域进行测绘，获取河道和桥群数据，并构建河道和桥墩的三维数字模型；提取桥群数据并根据桥墩截面和桥墩布设方式进行分类，构建桥墩模拟模型，在标准实验流场中对桥墩模型进行测试，获得桥墩截面和桥墩布设方式对水流的影响数据；基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，进行模拟并获取模拟结果；构建数字孪生模型并训练和模拟，通过与实测数据和模型模拟结果对比，优化数字孪生模型。本发明缩短了仿真实验的周期，提高了分析精确度，在部分实施案例中取得了较好的经济社会效益。
Description
技术领域
本发明涉及水利仿真模拟技术，尤其是平原河道桥群阻水叠加影响量化分析方法。
背景技术
桥群阻水效应是指在河道上布置多个涉水桥梁时，由于桥墩、桥台等占用过水面积，造成河道局部阻力增大，上游水位升高，下游水位降低，形成桥梁上下游的水位差。桥群阻水效应会影响河道的过流能力、水流结构、河床冲刷、桥梁安全等方面，对行洪安全和河道生态环境造成不利影响。因此，研究桥群阻水效应的规律和影响因素，提出合理的补偿技术和对策，对于保障河道工程的安全运行和可持续发展具有重要意义。
目前，国内外对于单个涉水桥梁的阻水效应已经进行了较为深入的研究，采用了理论分析、模型试验和数值计算等方法，得到了一些经验公式、计算模型和防护措施。但是，对于桥群叠加阻水效应的研究还比较缺乏，尤其是在复杂的河道条件下，如弯道、变宽、变坡等情况。
但是，现有的研究方法也存在一些局限性和不足，如理论分析难以考虑多种因素的综合影响，模型试验难以模拟真实的河道形态和桥墩形状，数值计算需要大量的参数和边界条件等，复杂地形和水生植被共同作用下的水流结构和泥沙输运还缺乏系统的研究，如何将基于实验室水槽尺度研究所建立的模型应用于天然河道尺度而不导致严重偏差。
故需要进行研究创新，以解决现有技术存在的上述问题。
发明内容
发明目的：提供一种平原河道桥群阻水叠加影响量化分析方法和系统，以解决现有技术存在的上述问题。
技术方案：根据本申请的一个方面，提供平原河道桥群阻水叠加影响量化分析方法，包括如下步骤：
步骤S1、调取或基于遥感技术对预定区域进行测绘，获取河道和桥群数据，并构建河道和桥墩的三维数字模型；
步骤S2、提取桥群数据并根据桥墩截面和桥墩布设方式进行分类，构建桥墩模拟模型，在标准实验流场中对桥墩模型进行测试，获得桥墩截面和桥墩布设方式对水流的影响数据；
步骤S3、基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，并读取预存储的河道水文数据进行模拟实验，获取模型模拟结果；
步骤S4、构建数字孪生模型并训练，以预定时间段的水文数据作为输入进行数值模拟，并通过与实测数据和模型模拟结果对比，优化数字孪生模型。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、判断预定存取的河道和桥群是否存在数字模型，若不存在，采用无人机遥感技术获取预定分辨率的三维测绘数据并导入图像处理软件，对三维测绘数据进行预处理和格式转换，获得标准输出图像；
步骤S12、构建图像分类模型，以标准输出图像作为输入，对河道和桥群图像进行分类，获得至少两类河道图像；
步骤S13、从河道图像中提取桥群布设、河道地形和水生植物数据，并为各类河道图像赋予参数，所述参数包括粗糙度、阻力系数和弹性系数；
步骤S14、基于含参的河道图像，重构河道和桥墩的三维数字模型并输出。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、调取三维数字模型并从中提取桥群数据，根据桥墩截面形状和尺寸以及桥墩布设方式进行分类，所述桥墩布设方式包括单排布设、双排布设和组合布设，所述桥墩截面形状包括圆形、方形、锥形、腰型和复合型；
步骤S22、根据分类结果，选择桥墩制作材料并标注缩放参数和雷诺数；所述桥墩制作材料包括木材、高分子塑料和混凝土；
步骤S23、逐次将各个桥墩模型安装于标准实验流场中，基于该桥墩模型对应的水文数据调整实验参数，获得各个桥墩在所有工作场景下的模拟数据；所述模拟数据包括作用力、压力分布、水流速度场分布和桥墩处水流加速范围；
步骤S24、对模拟数据进行归一化处理，获得桥墩截面和桥墩布设方式对水流的影响数据并存储。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、采用三维打印或人工制作技术，基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，以实现对河道的精确复原，获得更为准确的仿真测试数据；
步骤S32、将河道和桥群仿真测试模型安装于测试用试验台，安装实验设备，包括水泵、流速计、压力计和摄像装置，通过控制中心调用河道水文数据并配置河道水流模拟的相关参数；
步骤S33、采集实验设备的数据，并进行预处理和时序分析，获得模型模拟结果。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、利用根据三维数字模型和桥墩影响数据，构建数字孪生模型，并设置相关的参数和边界条件；
步骤S42、采用遗传算法对数字孪生模型进行训练，并利用部分实测数据和模型模拟结果作为训练数据和标签；
步骤S43、以预定时间段的水文数据作为输入，对数字孪生模型进行数值模拟，并输出相应的水流参数和桥群阻水叠加效应数据；
步骤S44、将数值模拟结果与剩余的实测数据和模型模拟结果进行对比，并计算相应的误差和评价指标，如均方根误差、相关系数等，并根据对比结果优化数字孪生模型。
根据本申请的一个方面，所述步骤S44还包括：
将数值模拟结果与实测结果进行对比分析，评估复杂地形和水生植被的影响因子的合理性和有效性；并利用卷积神经网络对数值计算结果和实测结果进行特征提取，根据特征之间的差异计算误差函数；利用反向传播或随机梯度下降方法对误差函数进行最小化，并根据优化结果调整模型参数。
根据本申请的一个方面，所述步骤S31还包括：
根据相似理论，建立实验室水槽尺度与天然河道尺度之间的相似准则，并根据准则对河道参数进行尺度变换，得到实验模型尺度下的模型参数。
根据本申请的一个方面，所述步骤S33还包括将模型模拟结果变换到天然河道尺寸并与天然河道的水文数据进行对比分析，根据分析结果对模型参数进行优化。
根据本申请的一个方面，所述步骤S44中将数值模拟结果与剩余的实测数据和模型模拟结果进行对比的过程还包括：
构建动态模拟模型并进行动态模拟，选择至少两个时间因素作为动态变量，设置变量的取值范围和步长，启动动态模拟过程；在模拟过程中查看动态曲线、表格以及动画图，以分析和展示河道水流和桥墩阻水在不同时间下的变化；
调用概率分析模块进行概率分析，选择至少两个不确定性因素作为概率变量，设置变量的概率分布和参数，启动概率分析过程；在分析过程中查看概率曲线和表格，计算河道水流和桥墩阻水在不同概率水平下的结果，以及相应的风险指标。
根据本申请的一个方面，还提供一种平原河道桥群阻水叠加影响量化分析系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的平原河道桥群阻水叠加影响量化分析方法。
有益效果：通过测绘扫描、构建实验模型和数字孪生模型，形成实测、标准实验模拟、高精度仿真模拟和数字模拟等多层模拟，可以根据实测和标准实验仿真模拟的数据对高精度仿真模拟模型的参数进行修正，不断使得高精度仿真模型逼近真实值，因此准确度更高，也避免直接使用仿真模拟导致参数不准确，需要不断调整仿真模型参数，导致效率低的问题。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
具体实施方式
如图1所示，根据本申请的一个方面，提供平原河道桥群阻水叠加影响量化分析方法，包括如下步骤：
步骤S1、调取或基于遥感技术对预定区域进行测绘，获取河道和桥群数据，并构建河道和桥墩的三维数字模型；
步骤S2、提取桥群数据并根据桥墩截面和桥墩布设方式进行分类，构建桥墩模拟模型，在标准实验流场中对桥墩模型进行测试，获得桥墩截面和桥墩布设方式对水流的影响数据；
步骤S3、基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，并读取预存储的河道水文数据进行模拟实验，获取模型模拟结果；
步骤S4、构建数字孪生模型并训练，以预定时间段的水文数据作为输入进行数值模拟，并通过与实测数据和模型模拟结果对比，优化数字孪生模型。
本实施例的主要技术构思是，首先进行测绘，获取实际的物理环境数据，包括河道和桥群数据，并调取水文数据（各种传感器采集的数据），构建三维数字模型。然后从中抽取出桥群的特征，先对桥群进行标准模拟，获得该桥群在其工作环境下的参数上下限，即获得大致的模拟结果或参数范围。然后基于数字模型构建高精度的河道仿真模型，通过相似理论，使河道仿真模型的参数能够接近真实物理情况。最后基于实测值、高精度仿真值和数字仿真值，进行拟合和模拟，不断优化参数，使得高精度的河道仿真模拟和数字孪生模拟的参数能够接近真实值，提高仿真效率和精确度。在本实施例中，通过标准实验模型获得各个桥群和河道的参数范围，有利于改善高精度模型的参数，快速对高精度模型进行参数调整。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、判断预定存取的河道和桥群是否存在数字模型，若不存在，采用无人机遥感技术获取预定分辨率的三维测绘数据并导入图像处理软件，对三维测绘数据进行预处理和格式转换，获得标准输出图像；
步骤S12、构建图像分类模型，以标准输出图像作为输入，对河道和桥群图像进行分类，获得至少两类河道图像；
步骤S13、从河道图像中提取桥群布设、河道地形和水生植物数据，并为各类河道图像赋予参数，所述参数包括粗糙度、阻力系数和弹性系数；
步骤S14、基于含参的河道图像，重构河道和桥墩的三维数字模型并输出。
在一个实施例中，假设要对秦淮新河桥群叠加阻水效应进行量化分析，首先判断该河道和桥群是否存在数字模型，若不存在，则采用无人机遥感技术获取预定分辨率的三维测绘数据。具体地，可以选择合适的无人机和传感器，如DJI Mavic 2 Pro和高光谱传感器，对秦淮新河桥群区域进行飞行控制和数据采集，获取高分辨率的三维点云数据；
然后将三维点云数据导入图像处理软件，例如ENVI或ArcGIS，对三维测绘数据进行预处理和格式转换，获得标准输出图像。具体地，对三维点云数据进行去噪、滤波、配准等操作，提高数据的质量和一致性；然后将三维点云数据转换为二维影像数据，并保存为适合于图像分类模型的格式，如JPEG或PNG；
接着构建图像分类模型，以标准输出图像作为输入，对河道和桥群图像进行分类，获得至少两类河道图像。具体地，利用已有的图像分类算法，如VGG、ResNet等，或者根据具体问题设计新的算法，对标准输出图像进行训练和测试，并利用部分已标注的图像作为训练数据和标签；然后将训练好的图像分类模型应用到未标注的图像上，并输出分类结果，如河道图像和桥群图像；
最后从河道图像中提取桥群布设、河道地形和水生植物数据，并为各类河道图像赋予参数，所述参数包括粗糙度、阻力系数和弹性系数。具体地，利用相关的算法或方法，如特征提取、分类、分割等，识别出河道图像中的桥群布设、河道地形和水生植物，并提取相关的参数，如桥墩截面形状、尺寸、角度等，河道宽度、深度、坡度等；然后根据不同类别的特征和属性赋予相应的参数，如圆形截面桥墩的粗糙度为0.02，方形截面桥墩的粗糙度为0.04等；最后基于含参的河道图像，利用相关的软件或工具，如SketchUp或ArcGIS等，重构河道和桥墩的三维数字模型并输出。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、调取三维数字模型并从中提取桥群数据，根据桥墩截面形状和尺寸以及桥墩布设方式进行分类，所述桥墩布设方式包括单排布设、双排布设和组合布设，所述桥墩截面形状包括圆形、方形、锥形、腰型和复合型；
步骤S22、根据分类结果，选择桥墩制作材料并标注缩放参数和雷诺数；所述桥墩制作材料包括木材、高分子塑料和混凝土；
步骤S23、逐次将各个桥墩模型安装于标准实验流场中，基于该桥墩模型对应的水文数据调整实验参数，获得各个桥墩在所有工作场景下的模拟数据；所述模拟数据包括作用力、压力分布、水流速度场分布和桥墩处水流加速范围；
步骤S24、对模拟数据进行归一化处理，获得桥墩截面和桥墩布设方式对水流的影响数据并存储。
在一个实施例中，实现过程如下：对上述秦淮新河桥群叠加阻水效应进行量化分析，首先调取三维数字模型并从中提取桥群数据，根据桥墩截面形状和尺寸以及桥墩布设方式进行分类。具体地，利用相关的软件或工具，如SketchUp或ArcGIS等，打开三维数字模型，并利用相关的算法或方法，如特征提取、分类、分割等，识别出桥群数据，并根据桥墩截面形状和尺寸以及桥墩布设方式进行分类，如圆形截面单排布设、方形截面双排布设等；然后根据分类结果，选择桥墩制作材料并标注缩放参数和雷诺数。具体地，根据不同类别的桥墩截面形状和尺寸以及桥墩布设方式，选择合适的桥墩制作材料，如木材、高分子塑料和混凝土等，并根据预定的缩放尺寸和实验流场条件，计算并标注相应的缩放参数和雷诺数，如缩放比例为1:100，雷诺数为5000等；接着逐次将各个桥墩模型安装于标准实验流场中，基于该桥墩模型对应的水文数据调整实验参数，获得各个桥墩在所有工作场景下的模拟数据。具体地，将制作好的桥墩模型安装在合适的实验平台上，如标准实验水槽等，并利用相关的仪器或设备，如水泵、流速计、压力计等，模拟河道的水流条件，并根据该桥墩模型对应的水文数据，如历史水位、流量等，调整实验参数；然后利用相关的仪器或设备，如流速计、压力计、摄像机等，测量并记录实验过程中的模拟数据，如作用力、压力分布、水流速度场分布和桥墩处水流加速范围等；最后对模拟数据进行归一化处理，获得桥墩截面和桥墩布设方式对水流的影响数据并存储。具体地，利用相关的软件或工具，如Excel或Matlab等，对模拟数据进行归一化处理，并计算相应的影响数据，如阻力系数、阻水系数等，并保存为适合于后续分析的格式，如CSV或TXT等。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、采用三维打印或人工制作技术，基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，以实现对河道的精确复原，获得更为准确的仿真测试数据；
步骤S32、将河道和桥群仿真测试模型安装于测试用试验台，安装实验设备，包括水泵、流速计、压力计和摄像装置，通过控制中心调用河道水文数据并配置河道水流模拟的相关参数；
步骤S33、采集实验设备的数据，并进行预处理和时序分析，获得模型模拟结果。
在一个实施例中，首先采用三维打印或人工制作技术，基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，以实现对河道的精确复原，获得更为准确的仿真测试数据。具体地，选择合适的材料和方法，如砂土、泡沫、木材等，利用三维打印机或人工制作工具，根据三维数字模型和预定缩放尺寸，制作河道和桥群仿真测试模型，并标注相关的参数，如缩放比例、雷诺数等；
然后将河道和桥群仿真测试模型安装于测试用试验台，安装实验设备，包括水泵、流速计、压力计和摄像装置，通过控制中心调用河道水文数据并配置河道水流模拟的相关参数。具体地，将制作好的河道和桥群仿真测试模型安装在合适的试验台上，并利用相关的仪器或设备，如水泵、流速计、压力计、摄像机等，模拟河道的水流条件，并通过控制中心读取预存储的河道水文数据，如历史水位、流量等，并根据不同的时间段配置相应的实验参数，如流速、流量、水位等；接着采集实验设备的数据，并进行预处理和时序分析，获得模型模拟结果。具体地，利用相关的仪器或设备，如流速计、压力计、摄像机等，测量并记录实验过程中的水流参数和桥群阻水叠加效应数据，如流速、压力、阻水系数等，并保存为模型模拟结果；然后利用相关的软件或工具，如Excel或Matlab等，对模型模拟结果进行预处理和时序分析，并得到相应的影响数据和评价指标。
采用图像技术获取速度场等相关参数的技术可以采用现有技术，也可以参考本申请人的其他专利技术，为了避免重复论述，在此不再详述。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、利用根据三维数字模型和桥墩影响数据，构建数字孪生模型，并设置相关的参数和边界条件；
步骤S42、采用遗传算法对数字孪生模型进行训练，并利用部分实测数据和模型模拟结果作为训练数据和标签；
步骤S43、以预定时间段的水文数据作为输入，对数字孪生模型进行数值模拟，并输出相应的水流参数和桥群阻水叠加效应数据；
步骤S44、将数值模拟结果与剩余的实测数据和模型模拟结果进行对比，并计算相应的误差和评价指标，如均方根误差、相关系数等，并根据对比结果优化数字孪生模型。
在一个实施例中，利用根据三维数字模型和桥墩影响数据，构建数字孪生模型，并设置相关的参数和边界条件。具体地，利用相关的软件或工具，如FLUENT、MIKE等，根据三维数字模型和桥墩影响数据，建立三维非恒定流动数学模型，并设置相关的参数和边界条件，如流场类型、初始条件、边界条件等。然后采用遗传算法对数字孪生模型进行训练，并利用部分实测数据和模型模拟结果作为训练数据和标签。具体地，利用相关的算法或方法，如遗传算法、神经网络等，对数字孪生模型进行训练，并优化相关的参数，如阻力系数、阻水系数等，并利用部分实测数据和模型模拟结果作为训练数据和标签，如流速、压力、阻水系数等。接着以预定时间段的水文数据作为输入，对数字孪生模型进行数值模拟，并输出相应的水流参数和桥群阻水叠加效应数据。具体地，利用相关的软件或工具，如FLUENT、MIKE等，读取预存储的河道水文数据，如历史水位、流量等，并根据不同的时间段作为输入条件，并对数字孪生模型进行数值模拟，并输出相应的水流参数和桥群阻水叠加效应数据，如流速、压力、阻水系数等。最后将数值模拟结果与剩余的实测数据和模型模拟结果进行对比，并计算相应的误差和评价指标，如均方根误差、相关系数等，并根据对比结果优化数字孪生模型。具体地，利用相关的软件或工具，如Excel或Matlab等，将数值模拟结果与剩余的实测数据和模型模拟结果进行对比，并计算相应的误差和评价指标，如均方根误差、相关系数等，并根据对比结果优化数字孪生模型的参数或结构。
根据本申请的一个方面，所述步骤S44还包括：
将数值模拟结果与实测结果进行对比分析，评估复杂地形和水生植被的影响因子的合理性和有效性；并利用卷积神经网络对数值计算结果和实测结果进行特征提取，根据特征之间的差异计算误差函数；利用反向传播或随机梯度下降方法对误差函数进行最小化，并根据优化结果调整模型参数。
利用相关的软件或工具，如Excel或Matlab等，将数值模拟结果与实测结果进行对比分析，并计算相应的评价指标，如均方根误差、相关系数等，并根据评价指标的大小和变化趋势，评估复杂地形和水生植被的影响因子，如粗糙度、阻力系数、弹性系数等，是否合理和有效；利用mathlab中的卷积神经网络算法，如VGG、ResNet等，对数值计算结果和实测结果进行特征提取，并利用部分已标注的数据作为训练数据和标签；然后将训练好的卷积神经网络应用到未标注的数据上，并输出特征向量；然后利用相关的方法或函数，如欧氏距离、余弦相似度等，计算数值计算结果和实测结果的特征向量之间的差异，并构建误差函数。
根据本申请的一个方面，所述步骤S31还包括：
根据相似理论，建立实验室水槽尺度与天然河道尺度之间的相似准则，并根据准则对河道参数进行尺度变换，得到实验模型尺度下的模型参数。
可以利用相关的理论或方法，如雷诺数相似、弗劳德数相似等，建立实验室水槽尺度与天然河道尺度之间的相似准则，并确定相应的相似比例，如几何相似比例、动力相似比例等；然后根据相似准则和相似比例，对河道参数进行尺度变换，如河道宽度、深度、坡度等，并得到实验模型尺度下的模型参数。
根据本申请的一个方面，所述步骤S33还包括将模型模拟结果变换到天然河道尺寸并与天然河道的水文数据进行对比分析，根据分析结果对模型参数进行优化。
根据本申请的一个方面，所述步骤S44中将数值模拟结果与剩余的实测数据和模型模拟结果进行对比的过程还包括：
构建动态模拟模型并进行动态模拟，选择至少两个时间因素作为动态变量，设置变量的取值范围和步长，启动动态模拟过程；在模拟过程中查看动态曲线、表格以及动画图，以分析和展示河道水流和桥墩阻水在不同时间下的变化；
具体地，利用Vensim或Stella等软件，根据数字孪生模型和水文数据，构建动态模拟模型，并选择至少两个时间因素作为动态变量，如水位、流量等，并设置变量的取值范围和步长，如水位从0.5米到2.5米，步长为0.1米；流量从10立方米每秒到50立方米每秒，步长为1立方米每秒等；然后启动动态模拟过程，并在模拟过程中查看动态曲线、表格以及动画图，以分析和展示河道水流和桥墩阻水在不同时间下的变化，如流速、压力、阻水系数等；
调用概率分析模块进行概率分析，选择至少两个不确定性因素作为概率变量，设置变量的概率分布和参数，启动概率分析过程；在分析过程中查看概率曲线和表格，计算河道水流和桥墩阻水在不同概率水平下的结果，以及相应的风险指标。
利用如Crystal Ball软件或类似软件，根据数字孪生模型和水文数据，调用概率分析模块，并选择至少两个不确定性因素作为概率变量，如河道地形、水生植物等，并设置变量的概率分布和参数，如河道地形服从正态分布，均值为0.02，标准差为0.01；水生植物服从二项分布，成功概率为0.5等；然后启动概率分析过程，并在分析过程中查看概率曲线和表格，计算河道水流和桥墩阻水在不同概率水平下的结果，如流速、压力、阻水系数等，以及相应的风险指标，如置信区间、敏感度分析等。
根据本申请的一个方面，还提供一种平原河道桥群阻水叠加影响量化分析系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的平原河道桥群阻水叠加影响量化分析方法。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (10)
1.平原河道桥群阻水叠加影响量化分析方法，其特征在于，包括如下步骤：
步骤S1、调取或基于遥感技术对预定区域进行测绘，获取河道和桥群数据，并构建河道和桥墩的三维数字模型；
步骤S2、提取桥群数据并根据桥墩截面和桥墩布设方式进行分类，构建桥墩模拟模型，在标准实验流场中对桥墩模型进行测试，获得桥墩截面和桥墩布设方式对水流的影响数据；
步骤S3、基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，并读取预存储的河道水文数据进行模拟实验，获取模型模拟结果；
步骤S4、构建数字孪生模型并训练，以预定时间段的水文数据作为输入进行数值模拟，并通过与实测数据和模型模拟结果对比，优化数字孪生模型。
2.如权利要求1所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S1进一步为：
步骤S11、判断预定存取的河道和桥群是否存在数字模型，若不存在，采用无人机遥感技术获取预定分辨率的三维测绘数据并导入图像处理软件，对三维测绘数据进行预处理和格式转换，获得标准输出图像；
步骤S12、构建图像分类模型，以标准输出图像作为输入，对河道和桥群图像进行分类，获得至少两类河道图像；
步骤S13、从河道图像中提取桥群布设、河道地形和水生植物数据，并为各类河道图像赋予参数，所述参数包括粗糙度、阻力系数和弹性系数；
步骤S14、基于含参的河道图像，重构河道和桥墩的三维数字模型并输出。
3.如权利要求2所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S2进一步为：
步骤S21、调取三维数字模型并从中提取桥群数据，根据桥墩截面形状和尺寸以及桥墩布设方式进行分类，所述桥墩布设方式包括单排布设、双排布设和组合布设，所述桥墩截面形状包括圆形、方形、锥形、腰型和复合型；
步骤S22、根据分类结果，选择桥墩制作材料并标注缩放参数和雷诺数；所述桥墩制作材料包括木材、高分子塑料和混凝土；
步骤S23、逐次将各个桥墩模型安装于标准实验流场中，基于该桥墩模型对应的水文数据调整实验参数，获得各个桥墩在所有工作场景下的模拟数据；所述模拟数据包括作用力、压力分布、水流速度场分布和桥墩处水流加速范围；
步骤S24、对模拟数据进行归一化处理，获得桥墩截面和桥墩布设方式对水流的影响数据并存储。
4.如权利要求3所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S3进一步为：
步骤S31、采用三维打印或人工制作技术，基于三维数字模型构建预定缩放尺寸的河道和桥群仿真测试模型，以实现对河道的精确复原，获得更为准确的仿真测试数据；
步骤S32、将河道和桥群仿真测试模型安装于测试用试验台，安装实验设备，包括水泵、流速计、压力计和摄像装置，通过控制中心调用河道水文数据并配置河道水流模拟的相关参数；
步骤S33、采集实验设备的数据，并进行预处理和时序分析，获得模型模拟结果。
5.如权利要求1所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S4进一步为：
步骤S41、利用根据三维数字模型和桥墩影响数据，构建数字孪生模型，并设置相关的参数和边界条件；
步骤S42、采用遗传算法对数字孪生模型进行训练，并利用部分实测数据和模型模拟结果作为训练数据和标签；
步骤S43、以预定时间段的水文数据作为输入，对数字孪生模型进行数值模拟，并输出相应的水流参数和桥群阻水叠加效应数据；
步骤S44、将数值模拟结果与剩余的实测数据和模型模拟结果进行对比，并计算相应的误差和评价指标，如均方根误差、相关系数等，并根据对比结果优化数字孪生模型。
6.如权利要求5所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S44还包括：
将数值模拟结果与实测结果进行对比分析，评估复杂地形和水生植被的影响因子的合理性和有效性；并利用卷积神经网络对数值计算结果和实测结果进行特征提取，根据特征之间的差异计算误差函数；利用反向传播或随机梯度下降方法对误差函数进行最小化，并根据优化结果调整模型参数。
7.如权利要求4所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S31还包括：
根据相似理论，建立实验室水槽尺度与天然河道尺度之间的相似准则，并根据准则对河道参数进行尺度变换，得到实验模型尺度下的模型参数。
8.如权利要求7所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，所述步骤S33还包括将模型模拟结果变换到天然河道尺寸并与天然河道的水文数据进行对比分析，根据分析结果对模型参数进行优化。
9.如权利要求6所述的平原河道桥群阻水叠加影响量化分析方法，其特征在于，
所述步骤S44中将数值模拟结果与剩余的实测数据和模型模拟结果进行对比的过程还包括：
构建动态模拟模型并进行动态模拟，选择至少两个时间因素作为动态变量，设置变量的取值范围和步长，启动动态模拟过程；在模拟过程中查看动态曲线、表格以及动画图，以分析和展示河道水流和桥墩阻水在不同时间下的变化；
调用概率分析模块进行概率分析，选择至少两个不确定性因素作为概率变量，设置变量的概率分布和参数，启动概率分析过程；在分析过程中查看概率曲线和表格，计算河道水流和桥墩阻水在不同概率水平下的结果，以及相应的风险指标。
10. 一种平原河道桥群阻水叠加影响量化分析系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1~9任一项所述的平原河道桥群阻水叠加影响量化分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310879901.1A CN116595898B (zh) | 2023-07-18 | 2023-07-18 | 平原河道桥群阻水叠加影响量化分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310879901.1A CN116595898B (zh) | 2023-07-18 | 2023-07-18 | 平原河道桥群阻水叠加影响量化分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116595898A true CN116595898A (zh) | 2023-08-15 |
| CN116595898B CN116595898B (zh) | 2023-09-19 |
Family
ID=87612112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310879901.1A Active CN116595898B (zh) | 2023-07-18 | 2023-07-18 | 平原河道桥群阻水叠加影响量化分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595898B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111691679A (zh) * | 2020-06-24 | 2020-09-22 | 北京工业大学 | 基于数字孪生的预应力钢结构智能张拉方法 |
| CN112227292A (zh) * | 2020-08-06 | 2021-01-15 | 中国电建集团华东勘测设计研究院有限公司 | 基于一维水动力模型的空腹拱桥壅水智能分析方法 |
| CN114444983A (zh) * | 2022-04-08 | 2022-05-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 |
| CN114757373A (zh) * | 2022-04-07 | 2022-07-15 | 保银信科信息技术(湖北)有限公司 | 一种基于数字模型分析的桥梁监测分析方法、设备及计算机存储介质 |
| CN115688439A (zh) * | 2022-11-04 | 2023-02-03 | 成都市水利电力勘测设计研究院有限公司 | 一种基于数字孪生的水库模型构建方法 |
| CN115828390A (zh) * | 2022-12-07 | 2023-03-21 | 长江勘测规划设计研究有限责任公司 | 一种面向水利水电工程安全监测的四预功能实现方法 |
| CN116245008A (zh) * | 2022-12-14 | 2023-06-09 | 泰安市水文中心 | 基于数字孪生的流域水文模型参数的动态估计方法 |
-
2023
- 2023-07-18 CN CN202310879901.1A patent/CN116595898B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111691679A (zh) * | 2020-06-24 | 2020-09-22 | 北京工业大学 | 基于数字孪生的预应力钢结构智能张拉方法 |
| CN112227292A (zh) * | 2020-08-06 | 2021-01-15 | 中国电建集团华东勘测设计研究院有限公司 | 基于一维水动力模型的空腹拱桥壅水智能分析方法 |
| CN114757373A (zh) * | 2022-04-07 | 2022-07-15 | 保银信科信息技术(湖北)有限公司 | 一种基于数字模型分析的桥梁监测分析方法、设备及计算机存储介质 |
| CN114444983A (zh) * | 2022-04-08 | 2022-05-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 |
| CN115688439A (zh) * | 2022-11-04 | 2023-02-03 | 成都市水利电力勘测设计研究院有限公司 | 一种基于数字孪生的水库模型构建方法 |
| CN115828390A (zh) * | 2022-12-07 | 2023-03-21 | 长江勘测规划设计研究有限责任公司 | 一种面向水利水电工程安全监测的四预功能实现方法 |
| CN116245008A (zh) * | 2022-12-14 | 2023-06-09 | 泰安市水文中心 | 基于数字孪生的流域水文模型参数的动态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴时强 等: "城市行洪河道桥群阻水叠加效应量化研究", 《人民黄河》, vol. 41, no. 10, pages 96 - 10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116595898B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Horritt et al. | Comparing the performance of a 2‐D finite element and a 2‐D finite volume model of floodplain inundation using airborne SAR imagery | |
| CN114091359B (zh) | 一种水库水沙预测模型训练、水库水沙预测方法及装置 | |
| CN110851905B (zh) | 一种峡谷微地形条件下的输电铁塔风振系数计算方法 | |
| CN113869689A (zh) | 一种基于遥感和地理信息系统的生态环境动态监测方法 | |
| CN108133310A (zh) | 一种人类活动和气候变化对河川径流影响的综合评估方法 | |
| CN114547951B (zh) | 一种基于数据同化的大坝状态预测方法及系统 | |
| CN113063737B (zh) | 结合遥感与浮标数据的海洋热含量遥感反演方法 | |
| Skinner et al. | Global sensitivity analysis of parameter uncertainty in landscape evolution models | |
| CN111241757A (zh) | 基于计算流体力学的铀尾矿库溃坝三维数值模拟方法 | |
| CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| CN116595898B (zh) | 平原河道桥群阻水叠加影响量化分析方法及系统 | |
| Huang et al. | Integration of remotely sensed inundation extent and high-precision topographic data for mapping inundation depth | |
| CN108595814A (zh) | 一种基于天时间尺度的降水发生器 | |
| Cantisani et al. | FLORA-2D: A new model to simulate the inundation in areas covered by flexible and rigid vegetation | |
| Weiss et al. | Three-dimensional modeling of long-wave runup: Simulation of tsunami inundation with GPU-SPHysics | |
| CN114611419A (zh) | 水流输移通道的流量计算方法、系统、介质及终端 | |
| CN106019310A (zh) | 一种基于卫星遥感数据的分辨率提高方法 | |
| CN112733906A (zh) | 一种全球高分辨率每日地表动量粗糙度长度估算方法 | |
| Echeverribar et al. | Numerical simulation of 2D real large scale floods on GPU: the Ebro River | |
| Cooper | Improving flood prediction using data assimilation | |
| CN116911215B (zh) | 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 | |
| CN116595914B (zh) | 水槽波流环境中床沙再悬浮分析方法及系统 | |
| CN116522446B (zh) | 一种河口湾潮流泥沙主通道划定方法 |
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 |