基于人工智能和數字孿生技術的碼頭全周期健康監測應用研究

◎ 崔國謹 天津市北洋水運水利勘察設計研究院有限公司

1.引言

隨著我國經濟技術的快速發展，近年來《中共中央國務院關于開展質量提升行動的指導意見》（中發〔2017〕24號）明確要求，要確保重大工程建設質量，建設百年工程。交通運輸部啟動“平安百年品質工程”，以材料、設計、工藝工法、裝備、監測、養管以及信息技術為研究方向，大力提升水運基礎設施使用壽命和耐久性，推動我國基礎設施耐久性安全性整體提高。老舊碼頭在運營階段長期受海洋的嚴酷環境作用，受船舶非正常撞擊、超負荷作業、材料老化、環境侵蝕以及地基條件等因素的影響，導致碼頭發生較大變形，樁基及上部結構受力可能會超過設計允許范圍，影響無法正常使用，極端情況下可能會引起災難性的突發事故。老舊碼頭的健康監測作為港口全壽命周期管理的重要切口。

2.碼頭全周期健康監測現狀

目前國內外在水利大壩工程、路基邊坡工程、市政基坑工程等方面自動監測技術已經有所應用，但港口水工工程由于風浪等惡劣的自然環境等復雜不利因素，碼頭的全壽命周期健康監測應用研究方面還屬于起步階段。當前在國家大力發展海洋經濟的關鍵時刻，水運作為綜合交通運輸體系的重要組成部分，是經濟社會發展的重要基礎性產業，也是較早上升為國家戰略的先行行業。沿海各地智慧港口建設方興未艾，大力提升設施設備和碼頭作業的智能化水平，安全、綠色發展成為了新的發展方向，港口碼頭作業領域智能化建設改造已經陸續得到應用，開展碼頭全周期健康監測系統開發作為智慧港口、安全港口建設必不可少的重要環節成為了當前發展的趨勢，同時也具有時不我待的緊迫感。目前碼頭全周期監測已經歷三個階段，由最初的人工采集監測數據階段過渡到數字化自動采集監測數據再到對監測數據具有預警和評估的智能化監測階段。而采用布設傳感器的方式雖然可以實現數字化的自動監測，但是也面臨著數據采集質量不高及數據分析不準的難題。因此，提高采集的監測數據質量并將數據進行有效的分析評估及時預警是實現碼頭全周期健康監測的至關重要的環節。

3.全周期健康監測技術路線研究

碼頭全周期健康監測是為了及時了解碼頭結構的安全狀態，快速掌握突發狀況的監測手段。建立碼頭結構的長期健康監測系統和基于長期監測系統的碼頭結構安全狀態評估系統及災變預警系統，是保障碼頭生產安全，延長碼頭使用壽命，建立綠色智能化建設的重要切口[1]。系統通過監測碼頭主要受力構件的應力（應變）、變形、結構傾斜、岸坡淤積狀態、結構振動特性、船舶撞擊力及混凝土結構耐久性等性能指標，判定結構的安全狀態，可有效提高碼頭的運行安全性，可為泊位的能力提升及碼頭設施維護管理提供科學數據，對促進碼頭結構長期性能健康監測技術的發展及碼頭結構設計理論的提高具有重要意義。近年來，隨著BIM技術的快速發展，監測系統可接入基于BIM技術的運維平臺，實現監測采集點位的可視化。將以光纖光柵應變傳感器、光纖光柵溫度傳感器、光纖光柵靜力水準傳感器、光纖光柵解調儀等為主要的傳感器自動采集數據以感知層信息的形式接入到BIM模型中，在BIM模型平臺中便可以調取相應監測參數的監測數據進行實時查看[2]。由此便可完成第二階段數字化自動采集階段。為解決碼頭結構安全評估及預警系統問題，引入人工智能和數字孿生技術對監測所得大量數據進行深度學習并進行快速準確計算，通過不斷改變邊界條件更新有限元孿生模型，根據監測數據實時的調取出碼頭所處安全狀態，實現碼頭安全狀態評估。再將數值計算結果和預警結果信息接入到BIM平臺中，進而可從平臺中實現實測和分析數據呈現功能，可及時高效發出預測和預警信息。將碼頭全周期健康監測技術路線研究匯總為圖1。

圖1 碼頭全周期健康監測技術路線研究圖

4.人工智能和孿生技術在健康監測中的應用

本文基于人工智能理論提出了一種基于優化的反向傳播神經網絡預測方法。通過調整網絡參數、初始化方式以及激活函數等方式得出最優網絡。擬實現以下三種功能：①信息集成，將項目的重要數據信息進行集成管理，包括監控、傳感器數據聯動等功能；②云圖展示，將人工智能計算結果以云圖的方式集成到BIM模型，可視化查看碼頭結構構件在使用過程中的受力狀態和變化趨勢。③結果預警，對于超標數據信息和結構受力變位等結果進行預警，為碼頭數字化運維提供支撐，為應對突發性危險提供快速響應和決策機制。預測方法的具體過程見圖2。

圖2 神經網絡預測方法

圖3 監測數據的輸入系統（輸入層）

圖4 人工智能算法公式（計算層）

圖5 實時內力和應變結果（輸出層）

圖6 碼頭的輕量化孿生模型

圖7 傳感器信息接入層

圖8 大數據集成中心

以高樁碼頭樁基上部結構構件的受力狀態為例，采用人工智能技術，只需要在樁身粘貼監測位移的傳感器，利用基于深度學習的人工智能算法去訓練樣本。即將輸入層輸入樁基位移信息，將輸出層輸出為結構內力[3]。采用人工智能算法，待監測數據讀取后，可立馬快速給出這個樁基位移下上部結構構件內力。采用傳統的計算方法，需要將采集到的數據進行有限元計算，再根據計算結果得到結構的受力狀態。而結合有限元方法、線性疊加原理等人工智能算法，可以建立構件內力的高效計算方法。通過對有限元等生成的數據庫的深入學習和訓練，可補充復雜體系有限元計算時間長的不足，實現實時快速的結構體系任一位置的實時內力和應變的輸出，做到實時高效預警、決策。同時，采用神經網絡的預測結果具有體量大、多維度、完備性等特點，由此其預測結果也更接近真實值[4]。

數字孿生是一個集成多物理量、多尺度、多概率的系統或仿真過程，以數字化方式創建物理實體的虛擬實體，借助歷史數據、實時數據及算法模型等模擬、驗證、預測、控制物理實體全生命周期過程。簡單說就是一個物理模型，用傳感器獲得數據進行仿真，并在虛擬空間完成映射，反映出對應實體全周期的過程變化。支持可視化的預警和詳細信息查詢功能。

數字孿生技術在碼頭全壽命周期健康監測中的優勢是通過集合建筑信息方法（BIM）的數字孿生技術，打造實際結構系統的信息孿生體。以提供“身臨其境”的實體環境體驗為手段，直觀高效的實現健康監測的信息共享更新和實時顯示與預警。

以某LNG碼頭為例，采用數字孿生技術建立碼頭的數字孿生模型，再將監測信息計算信息等都接入到模型中，通過感知層信息的導入，即可得到最終信息結果的呈現。根據不同需要，可以接入不同的傳感器，通過大量數據的采集，形成數據中心集成。在模型中可以實現某點，某斷面等實時狀態的查詢，實現結構在使用過程中受力狀態及趨勢變化的可視性，進而對超標的傳感器信息及結構的受力變形等結果進行預警，為碼頭的數字化運維提供技術支撐，可有效的降低和避免突發狀況的發生。同時結合前文所述結合人工智能對大數據的學習和分析，將碼頭的整體狀況進行健康監測評估，提供碼頭的結構安全狀態，為碼頭的安全性、適用性和耐久性提供可靠評估數據[5]。

5.結論與建議

（1）本文對碼頭全周期監測進行研究總結，根據研究可知，目前碼頭全周期監測已經歷三個階段，由最初的人工采集監測數據階段過渡到數字化自動采集監測數據再到對監測數據具有預警和評估的智能化監測階段。

（2）為解決碼頭結構安全評估及預警系統問題，本文提出了引入人工智能和數字孿生技術的碼頭全周期的健康監測技術路線。

（3）以某高樁碼頭為例，利用基于深度學習的人工智能算法去訓練樣本，根據輸入層的樁基位移監測數據，當監測數據讀取后，系統可立馬快速的給出這個樁基位移下上部結構的構件內力。通過對有限元等生成的數據庫的深入學習和訓練，可補充復雜體系有限元計算時間長的不足，實現實時快速的結構體系任一位置的實時內力和應變的輸出，做到實時高效預警、決策。

（4）采用數字孿生技術可以實現結構在使用過程中受力狀態及趨勢變化的可視性，進而對超標的傳感器信息及結構的受力變形等結果進行預警，為碼頭的數字化運維提供技術支撐。