基于數字孿生技術的長江崩岸預警平臺設計

原松　沈健

摘要：受三峽水庫運行影響，長江中下游河床沖刷加劇。為提高長江崩岸監測預警水平，建立了基于數字孿生技術的長江崩岸預警平臺，并以長江中游荊江崩岸預警系統為例進行實例分析。提出了三級尺度的數字孿生崩岸數據模型與按時間順序組織的數據切片模型方案，使崩岸各類數據通過構建統一的數據模型聚焦于崩岸物理實體，結合優化崩岸地形組織的算法與模型，驅動平臺可視化、分析、預測等各功能高效實現，使靜態的崩岸現象有變化過程的屬性，提高了崩岸預測的信息化與智能化程度，有助于實現對長江崩岸險情的深度分析與預警搶險的高效決策。

關鍵詞：崩岸預警； 數字孿生； 數據引擎； 長江中下游

中圖法分類號：TV697.2+3

文獻標志碼：A

DOI：10.15974/j.cnki.slsdkb.2023.12.017

文章編號：1006-0081（2023）12-0101-06

0引言

長江中下游河道是長江崩岸發生的主要區域。三峽水庫蓄水后，長江中下游干流河道來沙銳減，河道嚴重沖刷，增大了崩岸發生誘因。影響崩岸的因素較多，如水流動力條件、河床邊界條件和人類干擾等，因其研究所需相關數據龐大、理論方法眾多，導致研究過程復雜。崩岸預測是崩岸預警的主要手段，長期以來，眾多學者致力于從崩岸形成的機理出發研究崩岸物理預測模型［1］與崩岸預警的綜合評估方法［2-3］，通過人工手段干涉，基于崩岸形成的專業理論，利用模型對影響崩岸的要素進行分析預測與合理決策。隨著機器學習技術的發展，數智化系統平臺方式對崩岸的預測與預警提供了更豐富的技術支撐。

數字孿生是以數字化的形式在虛擬空間中構建與物理世界一致的模型鏡像，實現對物理世界狀態的感知評估、問題診斷以及未來趨勢預測，從而對物理世界進行調控［4-5］。本文利用崩岸這一真實世界對象，建立崩岸數據底座，搭建崩岸預測算法服務，設計了基于數字孿生技術的長江崩岸預警平臺。

1平臺設計

基于數字孿生技術的長江崩岸預警平臺融合了崩岸預警系統的靜態數據與預測模型等資源與實時感知數據，以算據、算法、算力建設為支撐，以防御崩岸險情為目標，依靠強大的算力，實現“能實時算、能動態看”的長江河道與崩岸數字化服務場景。平臺總體框架如圖1所示，主要建設內容為：① 數據底板。以現有崩岸與河道地形數據和空間數據、誘發崩岸產生的各類實時感知數據、地層土質物探背景數據，影像文字資料數據等。將各類數據按不同尺度組織，構建數字孿生崩岸數據模型。由模型實例化后，形成崩岸實體數據底座，并由數據感知器負責數據底座的初始化與更新，為算法與模型計算提供數據支撐。② 算法模型平臺。融合各類河道演變、斷面變化算法、水沙與崩岸預測數學模型和機器學習模型搭建運算服務，數據服務接口在數據底座、運算服務間提供數據耦合，將數據轉換為成果，為構建業務應用提供智力驅動平臺。③ 業務應用與仿真平臺，面向用戶提供數字孿生崩岸模擬仿真場景的可視化載體與崩岸及相關要素的查詢、分析、計算、預測等功能，實現崩岸隨時間在外界條件變化的影響下全生命周期的同步仿真與迭代，在崩岸形成的臨界條件下預警。

2數據底板構建

數據底座是支撐數字孿生崩岸系統的算據。按照系統業務的實際需求，數據底座建設應包括數據庫、數據模型、數據引擎構建，數據庫存儲與崩岸業務相關信息數據；數據模型為數據庫提供各類崩岸相關感知數據的更新服務與各類崩岸算法和模型的數據組織服務。

2.1數據分類與組織

基礎信息數據按內容可劃分為4類，包括河道地形、斷面與基礎地理信息數據，水文泥沙數據，地質背景數據，其他文字視頻等非結構化資料數據。以崩岸頻發的長江中下游流域為例，根據崩岸對象所在空間特點，按空間范圍將不同特性的數據組織成全流域、區段與點3個尺度［6］（圖2）。

（1） L1級流域宏觀尺度數據，針對長江中下游流域。采用覆蓋流域內每5 a一測次的1∶10 000長程河道地形、沿岸高分辨率衛星遙感影像、低精度地形數據（30 m的DEM地形數據）、多測次斷面數據，由河道地形形成的全河道坡度抽稀數據，沿岸重點地區涉水工程、涉水建筑物、歷史崩岸點等位置標識數據，為數字孿生數字化場景構建提供大尺度的統一空間數據基礎。

（2） L2級重點區域中觀尺度數據，針對河段、崩岸段、險工險岸段等。采用1∶2 000每年多測次河道地形，在L1級數據基礎上，整合重點河段、重點險工段與崩岸段區域的岸邊與水下三維河道模型與坡度圖、該區域的水文泥沙數據、地質調查數據與地層信息數據。

（3） L3級崩岸點微觀尺度數據，針對崩岸點。采用岸點處斷面數據、1∶500地形或水陸地形三維一體化高精度點云數據［7］，從不同維度精細表達崩岸形態。在L2級數據基礎上增加崩岸處鉆孔數據信息、流場數據、遠程實時監測的崩岸形變數據，基于 BIM技術，制作的崩岸影響范圍內的涉水建筑物的三維模型，實現崩岸點的精細化數字化描述。

2.2數據模型構建與實例化

數據模型構建是將各類與河道、崩岸段、險工段、崩岸點等實體空間對象相關數據進行有機綁定的邏輯過程。以各尺度三維地形為核心載體，建立河道對象L1，L2，L3三級數據模型，以時間、測次信息為聯系，將動態監測數據、靜態基礎數據與之綁定，所有數據均可視為歸屬于不同河道對象的數據成員。對于不同尺度模型，將不同來源的實體對象三維空間數據融合（如將1∶10 000長江中下游長程河道地形數據與沿岸30 m的DEM地形數據融合），形成完整的空間實體對象，綁定其范圍內的所有水文、泥沙、流場、河床邊界條件等動態數據，地層、物探、鉆孔等靜態數據，人類活動調查、相關文檔及有關圖片、視頻錄像等資料數據，形成對孿生體的抽象模型。再以時間為索引，以日為時間節點，通過數據抽取、插值、增益等方式制作河道空間對象日數據切片模型，形成崩岸全過程同步映射的數據基礎。數據模型的實例化是將各崩岸點、險工段等對象按模型結構將物理存儲數據通過索引關聯的過程。例如，水文泥沙等數據以所屬水文站編碼、監測數據類型與數據時間為索引，河道地形數據以地形數據編號與施測時間為索引。系統中所有功能的實現均以各類模型對象實例為分析、計算、顯示為操作對象。

3關鍵技術

3.1崩岸地形組織

崩岸地形是數字孿生崩岸預警數據底板的核心，在系統中以DEM形式頻繁使用，如數字孿生崩岸的空間數據由各種不同精度地形數據構成，需對其進行接邊融合；在遠距離大范圍顯示地形數據時可由近及遠不同程度抽稀數據，達到用戶視覺感受與顯示算力的平衡；在計算崩岸土方量、河道沖淤變化情況時需將不同測次河道DEM相減等。按傳統行列劃分的河道DEM分塊方法不能保證存取與計算效率。為改善上述情況，本文提出了一種優化DEM分塊的組織方法（圖3），具體步驟如下。

步驟1：設定DEM分塊大小。將原始矢量地形圖劃分為若干形狀相等連續分布的矩形分塊用于生成分塊DEM，每個分塊DEM由X方向網格數為a，Y方向網格個數為b，邊長為E的正方形網格組成，每個DEM分塊中均有網格數為Sum，即Sum=a×b。Sum大小應根據計算機性能決定，以4 000 000左右為宜。

步驟2：設定DEM網格寬度。組成DEM的網格邊長E由原矢量圖比例尺決定。根據比例尺大小可分別選擇0.5，1，2，4，8 m等2倍間隔的網格邊長，如1∶10 000地形設E=8，1∶2 000地形圖設E=2，崩岸點云圖設E=0.5等。

步驟3：生成DEM分塊。設所有矢量數據的外包矩形X方向、Y方向長度為A，B，需將其分為若干個相同的矩形分塊后分別生成DEM，且每個分塊DEM均由X方向上a個、Y方向上b個網格組成。分塊生成方法如下：① 第一個分塊的起點。起點S（X_S，Y_S）可在原矢量地形圖的外包矩形的任意一角附近，假設為左下角點M（X₀，Y₀），則M（X₀，Y₀）需滿足X_S≤X₀，X₀-X_S≤E，E|X_S；且Y_S≤Y₀，Y₀- Y_S≤E，E|Y_S，即X_S= X₀/E」×E，Y_S=Y₀/E」×E（」為向下取整符號）。② 生成分塊。以起點S為分塊矩形的一個頂點，先從Y正方向連續分配分塊矩形，直至未能框選任何矢量數據為止，每個分塊矩形在Y向長度為b×E，按此方法繼續再沿X正方向連續使用以上分配方法，直至所有矢量數據均被分塊矩形覆蓋，每個分塊矩形在X向的長度為a×E。在X，Y兩方向分配至最后1個矩形分塊，且不足1個標準分塊時，則按剩余矢量范圍的外包矩形作為分塊矩形大小。③ 分塊矩形的形狀。在分塊網格總數Sum變化不大的情況下，不斷調整a，b值，計算所有分塊面積和與原矢量地形圖的外包矩形面積的比值r，即：

r=（∑ⁿ_i=0a_i×E×b_i×E）/（A×B）

當r取得最小值時，此時a，b取值為最佳方案。

以上方法使河道等條帶型地形數據舍棄了DEM中大量無效數據，且同分辨率DEM的網格重合，不同分辨率DEM網格在邊長較大的網格處重合，大量簡化了不同分辨率下數據的接邊融合、低精度DEM插值、高精度DEM抽稀、DEM相減等工作，降低了與崩岸地形相關的計算量工作。

3.2數據引擎

數據引擎提供數據匯集、處理、更新、河道對象建模與實例化等功能，為算法與模型提供數據服務。實時動態監測數據一般由實時雨水情接收系統提供，通過接口實時獲取數據源。水文泥沙整編數據按照SL 324-2005《基礎水文數據庫表結構及標識符標準》組織重構處理后入庫。各類河道地形數據先根據不同精度統一轉換為不同網格大小的Grid型DEM，再按上述崩岸地形組織方法入庫。同時生成經過抽稀精度較低的DEM，用于大范圍顯示時加載；生成相應的坡度圖用于崩岸預測分析。

為保證數據時效性，在新增崩岸或其他河道對象實例后，數據引擎按數據模型構建規則同時自動裝配綁定相關動態與靜態數據，形成新的孿生體對象實例，為每個崩岸對象綁定相關數據源索引。在更新的數據后，數據引擎為各相關孿生體對象實例綁定新增數據源的索引，為數字孿生崩岸賦予生命活力。

3.3模型算法平臺構建

3.3.1算法服務平臺結構

崩岸分析預測等專業應用是由算法服務平臺提供的各類分析計算服務完成。例如，查看崩岸處任意斷面功能，根據用戶給出的斷面位置在崩岸點三維實體對象上進行切割，將結果以圖表形式輸出。輸入斷面位置、斷面切割三維實體、圖表繪制這3個步驟的業務邏輯，其中斷面切割崩岸地形包含直線切割DEM的GIS算法作為該功能中的核心算法。在更復雜的應用下，算法表現為各種計算預測模型，如在預測某崩岸段的崩塌可能性時需提供崩岸預測模型，根據崩岸段數字孿生對象的空間數據與相關描述作為輸入，通過模型的計算，得到該段崩塌的可能性。可以看出，平臺提供各項應用服務應由輸入數據的服務接口+算法或模型+業務邏輯耦合而成。計算時的核心驅動力是算法、模型或算法與模型、模型與模型的再組合。業務邏輯則是各種數據接口與算法按邏輯調用過程。算法服務平臺框架見圖4。

3.3.2多模型耦合算法服務

平臺基礎算法部分由數學算法、水文泥沙計算算法、河道地形分析GIS算法等組成，以庫的形式調用，以二進制方式交換數據。預測模型部分由水動力模型、泥沙預測模型、基于機理的斷面尺度崩岸預測模型、基于由多維度數據驅動的智能崩岸預測模型［8］等組成，以可執行程序形式或網絡服務形式調用，多以文件形式交換數據。將不同形式的算法模型統一封裝為微服務形式，通過數據異構轉換為算法與模型提供數據交換接口，使多算法模型形成耦合。例如，系統中崩岸預測核心算法服務包括多個基礎算法與模型間連續復雜調用與耦合。根據實時水情數據，由水動力模型預測來水數據，結合實時含沙量數據作為一維水沙模型輸入，根據預測來水來沙、斷面、河道地形與地質情況等多個外部條件，通過崩岸預測模型預測崩岸險情。崩岸預測多模型耦合見圖5。

4應用實例

本文以長江中游荊江崩岸預警系統為例進行實例分析，該系統主要提供數字孿生崩岸模型仿真、崩岸要素分析、崩岸預測、崩岸預警與發布四大應用功能。

4.1數字孿生崩岸模型仿真

以三維數字地球為載體，基礎地理信息數據為輔，按面向對象的方式實現在三維環境中對崩岸等數字孿生對象的實時動態反饋，由基于WebGIS的三維平臺實現數字孿生對象空間模型展示，附加相關描述信息，并由數據引擎保持其信息最新狀態的表達（圖6）。功能主要包括：數字孿生崩岸在某個時間點時，對象的空間與相關信息描述；利用河道對象數據切片模型，按時間軸展示河道對象空間形態與相關信息的變化過程；對比某兩個時間內河道對象空間與相關信息變化情況。崩岸要素預測示意見圖7。

4.2崩岸要素分析

按面向對象的方式提供對水文泥沙數據、斷面數據、地質等崩岸影響要素分析。水文泥沙方面包括水沙過程、水沙沿程、顆粒級配、來水來沙年際變化等分析；河道地質方面包括沿程地層結構、崩岸區域物探成果、鉆孔土壤成分等分析；河道地形方面包括崩岸地形演變分析、崩岸斷面套繪分析、地形與斷面坡度坡向分析。綜合分析包括根據崩岸級別、崩岸類型在三維數字地球上查看歷史崩岸所處位置；綜合分析崩岸處的水文泥沙、河道地形及地質條件等影響因素，分析多影響因素間的相關關系及不同區域崩岸的主要影響要素。

4.3崩岸預測

崩岸預測是系統的核心功能，崩岸預測關鍵依靠各類預測模型，利用水沙數據、崩岸地形、斷面數據、地質數據、相應的邊界條件與模型參數等進行計算或訓練實現。系統通過實時數據與預測水沙數據形成預測方案，為保持崩岸預測的及時性，崩岸預測模型服務隨實時監測數據的更新實時運行，在用戶不干預的情況下，一般可設為每日自動運行一次，預測結果將實時反饋；也可由用戶干預，提供來水來沙數據與邊界條件制定不同的預案，并提供不同預案下預測結果對比。預測結果包括左右岸的沿程崩退寬度、崩岸斷面形態變化、河岸潛水位變化、河岸安全系數等，為專業人員進行應急處置提供必要的依據。

4.4崩岸預警與發布

崩岸預警主要依靠半人工決策。通過對不同方案的預測結果進行對比，以模型預測成果為主要依據，從崩岸要素分析模塊同步顯示誘發崩岸主要因素的指標、從數字孿生崩岸模型仿真模塊同步顯示崩岸附近河道沖淤變化情況、涉水工程建設情況、現場照片等，綜合各項因素后對崩岸發生的等級與危害性進行綜合判定，實現崩岸預警。由不同權限的技術人員核定判定結果后，在數字孿生河道上給出表示不同崩岸等級的明顯標識，并自動生成格式化的崩岸預警簡報，實現崩岸預警信息發布（圖8）。

5結語

本文探討了基于數字孿生技術的長江崩岸預警平臺的設計方法。與傳統崩岸預測系統不同，提出了三級尺度的數字孿生崩岸數據模型與按時間順序組織的數據切片模型方案，設計了數據引擎為崩岸模型實例提供數據處理、新增與同步的方法；構建了集數據、算法與模型的多源異構數據服務接口和多模型耦合的算法服務平臺；該平臺使用優化分塊組織技術的崩岸地形DEM數據，降低了地形計算復雜度，使地形數據的顯示、處理與分析計算效率得到大幅優化；實現了高效的數據組織驅動、算法服務搭建與崩岸全生命周期的虛擬化過程展示方式。該平臺主要采用模型的方式進行崩岸的預測預警，預測手段欠豐富。隨著崩岸預警評估研究的深入，可在歷史崩岸成因的基礎上，建立崩岸預測知識圖譜，基于崩岸影響主要因子、崩岸監測指標［9-10］等預測方法的成熟與完善，為知識圖譜新增更多節點，形成以知識圖譜、機理模型、機器學習模型為算法平臺的綜合預測體系，結合數字孿生技術的高效表達能力，提高崩岸預測水平。

參考文獻：

［1］夏軍強，鄧珊珊，李諾，等.長江中游河道崩岸預警技術及其初步應用［J］.中國防汛抗旱，2022，32（9）：21-26.

［2］劉東風，呂平.安徽省長江崩岸預警技術研究與應用［J］.水利水電快報，2017，38（11）：91-95，118.

［3］曹雙，蔡磊，劉沛.崩岸預警綜合評估法研究與應用探討［J］.水利水電快報，2019，40（8）：21-28.

［4］張洪剛，姚磊，袁曉慶，等.數字孿生白皮書（2019年）［R］.北京：中國電子信息產業發展研究院，2021.

［5］TUEGEL E J，INGRAFFEA A R，EASON T G，et al.Reengineering aircraft structural life prediction using a digital twin［J］.International Journal of Aerospace Engineering，2011，11：1-4.

［6］黃艷.數字孿生長江建設關鍵技術與試點初探［J］.中國防汛抗旱，2022，32（2）：16-26.

［7］鄧宇，賴修蔚，郭亮.長江中下游崩岸監測及分析研究［J］.人民長江，2018，49（15）：13-17.

［8］許全喜，談廣鳴，張小峰.長江河道崩岸預測模型的研究與應用［J］.武漢大學學報（工學版），2004，37（6）：9-12.

［9］長江水利委員會.長江崩岸機理與防治研究報告［R］.武漢：長江水利委員會，2005.

［10］周建紅.荊江河道險工險段崩岸監測技術與預警方法探討［J］.水利水電快報，2017，38（12）：12-16.

（編輯：江文）

Design of bank collapse early warning system of Changjiang River based on digital twin technology

YUAN Song SHEN Jian2

（1.Bureau of Hydrology，Changjiang Water Resources Commission，Wuhan 430010，China；

2.Jingjiang Bureau of Hydrology and Water Resources Survey，Bureau of Hydrology，Changjiang Water Resources Commission，Jingzhou 434000，China）

Abstract：Affected by the operation of water storage in the Three Gorges Reservoir，the erosion of the riverbed in the middle and lower reaches of the Changjiang River had intensified.In order to improve the monitoring and early warning level of bank collapse in the Changjiang River，a digital twin bank collapse early warning platform was established，and a three-level scale digital twin bank collapse data model and a data slice model scheme organized in time order were proposed.Focusing all types of bank failure data on the physical entity of bank failure，the platform′s visualisation，analysis，prediction and other functions were efficiently implemented through the construction of a unified data model，combined with algorithms and models for optimising the topological organisation of bank failures，driving the static phenomenon of bank failures with the attributes of a change process.The informatization and intelligence of bank collapse prediction were improved，which was conducive to the in-depth analysis of the dangerous situation of bank collapse in the Changjiang River and efficient decision-making on early warning and rescue．

Key words：bank collapse early warning； digital twin； data engine； middle and lower reaches of Changjiang River