CN114997541B - 一种基于数字孪生技术的城市内涝预测方法及预警平台 - Google Patents
一种基于数字孪生技术的城市内涝预测方法及预警平台 Download PDFInfo
- Publication number
- CN114997541B CN114997541B CN202210924847.3A CN202210924847A CN114997541B CN 114997541 B CN114997541 B CN 114997541B CN 202210924847 A CN202210924847 A CN 202210924847A CN 114997541 B CN114997541 B CN 114997541B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- simulation
- urban
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 213
- 230000001788 irregular Effects 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 108
- 238000012544 monitoring process Methods 0.000 claims description 92
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 84
- 230000008595 infiltration Effects 0.000 claims description 24
- 238000001764 infiltration Methods 0.000 claims description 24
- 230000001960 triggered effect Effects 0.000 claims description 22
- 101710154918 Trigger factor Proteins 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000012800 visualization Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 101100001671 Emericella variicolor andF gene Proteins 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 51
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000013277 forecasting method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生技术的城市内涝预测方法及预警平台,属于城市内涝预测技术领域。现有仿真预测模型普适性较差,预测准确度不高,不利于推广使用。本发明的一种基于数字孪生技术的城市内涝预测方法,通过构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型,对未来一段时间内的城市内涝场景模拟预测。同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数,并将两个评价函数结合,得到目标函数,利用极小化算法求解目标函数,完成城市模型参数的自动率定,方案详尽、科学、合理,切实可行,能够有效提高仿真模拟计算的准确性,提升预测准确度。
Description
技术领域
本发明涉及一种基于数字孪生技术的城市内涝预测方法及预警平台,属于城市内涝预测技术领域。
背景技术
中国专利(CN109871621B)公开了一种城市暴雨内涝汇水区分析方法,其包括采用SMS地表水模拟***对任一选取的选定区域进行网格剖分得到计算区域;获取待研究区域的DEM数据,并将糙率和DEM数据赋给计算区域,计算每个网格的高程;向计算区域加入降雨数据,并采用前损后损法计算每个网格的降雨产汇流;根据每个网格的降雨产汇流,采用地表二维水力学模型计算每个网格的水深和水流速度;根据具有水深数据的网格的水流速度和与水流速度经过的网格边的边长,计算具有水深数据的网格的边流量;选取水深大于设定阈值的网格作为分析网格,并根据分析网格及与分析网格邻接的网格的水深、每条网格边的边流量大小和方向,判断分析网格是否为汇水区。
同时,中国专利(CN109190263A)公开了一种基于降雨径流及水动力模型预测全流域降水流量的方法,包括:读取全流域数据,通过分布式降雨径流模型计算各个子集水区的出流量,模拟降雨径流的空间分布;将各个子集水区的出流量收纳入河川水动力模型,通过计算河川水动力模型得到河川断面水位和流量。降雨入渗量通过含有降雨入渗率、初始入渗率、长期入渗率的公式进行计算。
上述内涝预测方案以及现有的内涝方案,其仿真数值模型的准确率都是依赖于模型参数的准确度,但上述方案都没有公开如何对模式参数进行确定以及校准,影响了模型预测的准确性,并且随着地形地貌、周边建筑以及管路的改变,其模型参数也会变化,因此固定参数的仿真模型普适性较差,预测准确度不高,不利于推广使用。
进一步,现有的内涝预测方案需要处理的数据量巨大,涉及的模型仿真较多,对计算资源具有极高的要求,计算过程中占用的内存较大,并且其仿真计算一直处于运行阶段,导致计算资源浪费,不利于节能减排。
发明内容
针对现有技术的缺陷,本发明的目的一在于提供一种通过构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测;同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数,并将两个评价函数结合,得到目标函数,利用极小化算法求解目标函数,完成城市模型参数的自动率定,进而实现观测结果与仿真结果相吻合的数字孪生,方案详尽、科学、合理,切实可行,能够有效提高仿真模拟计算准确性,提升预测准确度的基于数字孪生技术的城市内涝预测方法。
本发明的目的二在于提供一种利用数据同化模型,考虑仿真虚拟场和观测场之间的偏差,求得最佳的参数取值,实现模型参数的自动率定,从而使得模型参数可以随地形地貌、周边建筑以及管路的改变而改变,使得本发明的仿真模型具有极强普适性,利于推广使用的基于数字孪生技术的城市内涝预测方法。
本发明的目的三在于提供一种根据降雨预报数据、当前水深监测数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算,避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况,节约计算及储存资源,提高仿真效率,从而能够有效节能减排的基于数字孪生技术的城市内涝预测方法。
本发明的目的四在于提供一种设置节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块,对未来一段时间内的城市内涝场景模拟预测,方案简单、实用,便于生产制造的基于数字孪生技术的城市内涝预测方法及预警平台。
为实现上述目的之一,本发明的第一种技术方案为:
一种基于数字孪生技术的城市内涝预测方法,
包括以下步骤:
第一步:基于城市地表拓扑结构,构建不规则三角形网格单元模型;
所述不规则三角形网格单元模型,用于将城市地表拓扑结构分成若干节点,并在节点上构造数据矩阵;
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数;
第二步:根据第一步中的数据矩阵,以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件,构建水动力仿真数值模型,获得城市未来时间段内的虚拟场;
第三步:将第二步中的虚拟场与观测场进行对比,得到偏差值;
第四步,根据第三步中的偏差值,构建数据同化模型,用于对城市模型参数进行自动率定;
数据同化模型的构建,包括以下步骤:
步骤41,根据文献或先验值,得到城市模型初始参数,并将城市模型初始参数设置为初估背景值;
利用监测仪器测量得到的监测数据;
步骤42,根据步骤41中的初估背景值,构造预报误差协方差矩阵;
根据监测数据,构造观测协方差矩阵:
步骤43,取待求背景值与初估背景值的偏差,用步骤42中的预报误差协方差矩阵的逆进行加权,形成背景约束评价函数;
取虚拟场和观测场偏差,用观测误差协方差矩阵的逆进行加权,形成观测评价函数;
步骤44,将步骤43中的背景约束评价函数和观测评价函数进行结合,形成目标函数;
步骤45,对步骤44中的目标函数,进行极小化求解,得到待求背景值的求解值;
步骤46,根据步骤45中的求解值,得到城市模型优化参数,实现城市模型参数的自动率定;
第五步,将第四步中的城市模型优化参数,代入到水动力仿真数值模型中,得到水动力仿真数值优化模型;
第六步,将预报数据或监测数据输入到第五步中的水动力仿真数值优化模型中,进行未来一段时间内的城市内涝场景模拟预测。
本发明经过不断探索以及试验,构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测。同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数,并将两个评价函数结合,得到目标函数,利用极小化算法求解目标函数,完成城市模型参数的自动率定,进而实现观测结果与仿真结果相吻合的数字孪生,方案详尽、科学、合理,切实可行,能够有效提高仿真模拟计算的准确性,提升预测准确度。
进一步,本发明利用数据同化模型,考虑仿真虚拟场和观测场之间的偏差,求得最佳的参数取值,实现模型参数的自动率定,从而使得模型参数可以随地形地貌、周边建筑以及管路的改变而改变,使得本发明的仿真模型具有极强的普适性,利于推广使用。
作为优选技术措施:
所述第一步中,降雨量通过气象预报获得;
作为优选技术措施:
所述第二步中,水动力仿真数值模型的构建方法如下:
步骤21,获取地下管网数据;
步骤22,根据步骤21中的地下管网数据以及数据矩阵,构建一维水动力仿真数值单元,用于模拟计算城市排水过程,并得到一维水动力仿真结果;
步骤23,构建二维水动力仿真数值单元,用于模拟计算城市地表径流的过程,并将步骤22中的一维水动力仿真结果输入至二维水动力仿真数值单元中;
作为优选技术措施:
二维水动力仿真数值单元的计算公式如下:
其中,h为水深;Z为表面高程;t为时间;u和v分别为笛卡尔坐标系下沿x、y方向的平均速度值;ɡ为重力加速度;F x 和F y 为方程组的源项,包括底部摩擦、表面风应力、科氏力、大气压力;v e 为紊动粘性扩散系数。
作为优选技术措施:
所述第三步中,观测场为通过监测仪器测量返回的监测数据,其至少包括水深数据、流速数据和干地参数;
所述水深数据为通过河流中以及易涝点设立的水位计返回的监测值;
所述流速数据为通过河流中以及易涝点设立的流量计返回的监测值;
当节点处于河湖范围内,则干地参数 D(n)=0;
当节点不处于河湖范围内,则干地参数D(n)=1。
作为优选技术措施:
所述第四步中,预报误差协方差矩阵的计算公式如下:
所述观测协方差矩阵的计算公式如下:
目标函数的计算公式如下:
所述极小化求解的过程如下:
S41,通过敏感性分析的方法确定参数取值区间的上下限,得到参数率定的可行域:
S42,根据S41中的可行域,采用下降算法找到目标函数的最小化值,其计算公式如下:
其中, L为y的切线性算子,其计算公式如下:
w 为中间变量,其通过扰动方法进行求解,其计算公式如下:
其中, C由预报误差协方差矩阵获得,其计算公式如下:
式中,B为预报误差协方差矩阵。
作为优选技术措施:
所述第六步中,水动力仿真数值优化模型通过计算仿真触发逻辑变量,判断是否需要启动城市内涝场景模拟预测;
仿真触发逻辑变量的计算方法如下:
根据降雨量矩阵,计算得到降雨逻辑变量,其计算公式如下:
计算仿真触发逻辑变量,其计算公式如下:
作为优选技术措施:
还包括第七步,某时间间隔后,将预报数据或监测数据进行更新,重复进行第一步以及第六步,更新内涝场景预测结果;
时间间隔根据预报数据、监测数据的更新间隔以及水动力仿真数值模型模拟计算的时间长度决定。
为实现上述目的之一,本发明的第二种技术方案为:
一种基于数字孪生技术的城市内涝预测方法,包括以下步骤:
第一步,获取降雨预报数据、监测水深数据;并根据降雨预报数据、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算;
如果需要触发仿真模拟计算,则执行第二步;
如果不需要触发仿真模拟计算,则重新执行第一步;
第二步:基于城市地表拓扑结构,构建不规则三角形网格单元模型;
所述不规则三角形网格单元模型,用于将城市地表拓扑结构分成若干节点,并在节点上构造数据矩阵;
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数;
第三步:根据第二步中的数据矩阵,以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件,构建水动力仿真数值模型,获得城市未来时间段内的虚拟场;
第四步:将第三步中的虚拟场与观测场进行对比,得到偏差值;
第五步,根据第四步中的偏差值,构建数据同化模型,用于对城市模型参数进行自动率定;
第六步,将第五步中的城市模型优化参数,代入到水动力仿真数值模型中,得到水动力仿真数值优化模型;
第七步,将预报数据或监测数据输入到第六步中的水动力仿真数值优化模型中,进行城市内涝场景模拟预测。
本发明经过不断探索以及试验,根据降雨预报数据、当前水深监测数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算,避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况,节约计算及储存资源,提高仿真效率。
同时本发明构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测。
进一步,本发明的数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数,并将两个评价函数结合,得到目标函数,利用极小化算法求解目标函数,完成城市模型参数的自动率定,进而实现观测结果与仿真结果相吻合的数字孪生,方案详尽、科学、合理,切实可行,能够有效提高仿真模拟计算的准确性,提升预测准确度。
更进一步,本发明的模型参数可以随地形地貌、周边建筑以及管路的改变而改变,使得本发明的仿真模型具有极强的普适性,利于推广使用。
为实现上述目的之一,本发明的第三种技术方案为:
一种城市内涝预测预警平台,应用上述的一种基于数字孪生技术的城市内涝预测方法;
其包括节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块;
所述节点数据库模块,用于构建不规则三角形网格单元,并从降雨预报数据接口获得预测数据,从监测数据接口获得监测数据,将数据映射至每个节点中;
所述触发因子模块,用于遍历每个节点上的降雨预报、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真计算;
所述仿真模拟计算模块,用于获取不规则三角形网格单元的节点数据以及触发因子模块中新生成的初始场数据,并计算城市地表内涝过程,获得未来随时间变化的虚拟水深场和虚拟流速场;
所述数据同化模块,用于对摩擦系数与下渗系数进行自动率定;
所述数据输出及可视化模块,用于数据的可视化展示;
经过触发因子模块的判定,当需要触发仿真模拟计算时,将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块,并启动计算;
当不需要触发仿真模拟计算时,将当前的初始场数据传入数据输出及可视化模块,进行显示。
本发明经过不断探索以及试验,设置节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块,对未来一段时间内的城市内涝场景模拟预测。
进一步,本发明的触发因子模块能够根据降雨预报数据、当前水深监测数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算,避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况,节约计算及储存资源,提高仿真效率。
更进一步,本发明的数据同化模块,能够对摩擦系数与下渗系数进行自动率定,并且参数可以随地形地貌、周边建筑以及管路的改变而改变,使得本发明的仿真模型具有极强的普适性,进而实现观测结果与仿真结果相吻合的数字孪生,方案详尽、科学、合理,切实可行,能够有效提高仿真模拟计算的准确性,提升预测准确度,利于推广使用。
与现有技术相比,本发明具有以下有益效果:
本发明经过不断探索以及试验,构建不规则三角形网格单元模型、水动力仿真数值模型、数据同化模型、水动力仿真数值优化模型对未来一段时间内的城市内涝场景模拟预测。同时数据同化模型利用初估背景值以及取待求背景值与初估背景值的偏差分别构造评价函数,并将两个评价函数结合,得到目标函数,利用极小化算法求解目标函数,完成城市模型参数的自动率定,进而实现观测结果与仿真结果相吻合的数字孪生,方案详尽、科学、合理,切实可行,能够有效提高仿真模拟计算的准确性,提升预测准确度。
进一步,本发明利用数据同化模型,考虑仿真虚拟场和观测场之间的偏差,求得最佳的参数取值,实现模型参数的自动率定,从而使得模型参数可以随地形地貌、周边建筑以及管路的改变而改变,使得本发明的仿真模型具有极强的普适性,利于推广使用。
更进一步,本发明根据降雨预报数据、当前水深监测数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算,避免无降雨、无洪水时仍进行内涝仿真模拟计算的情况,节约计算及储存资源,提高仿真效率,从而能够有效节能减排。
再进一步,本发明设置节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块,对未来一段时间内的城市内涝场景模拟预测,方案简单、实用,便于生产制造。
附图说明
图1是本发明城市内涝预测方法的一种流程示意图;
图2是本发明不规则三角形网格单元的一种结构示意图;
图3是本发明城市内涝预测预警平台的一种数据处理流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明基于数字孪生技术的城市内涝预测方法的第一种具体实施例:
一种基于数字孪生技术的城市内涝预测方法
包括以下步骤:
第一步:基于城市地表拓扑结构,构建不规则三角形网格单元模型;
所述不规则三角形网格单元模型,用于将城市地表拓扑结构分成若干节点,并在节点上构造数据矩阵;
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数;
第二步:根据第一步中的数据矩阵,以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件,构建水动力仿真数值模型,获得城市未来时间段内的虚拟场;
第三步:将第二步中的虚拟场与观测场进行对比,得到偏差值;
第四步,根据第三步中的偏差值,构建数据同化模型,用于对城市模型参数进行自动率定;
数据同化模型的构建,包括以下步骤:
步骤41,根据文献或先验值,得到城市模型初始参数,并将城市模型初始参数设置为初估背景值;
利用监测仪器测量得到的监测数据;
步骤42,根据步骤41中的初估背景值,构造预报误差协方差矩阵;
根据监测数据,构造观测协方差矩阵:
步骤43,取待求背景值与初估背景值的偏差,用步骤42中的预报误差协方差矩阵的逆进行加权,形成背景约束评价函数;
取虚拟场和观测场偏差,用观测误差协方差矩阵的逆进行加权,形成观测评价函数;
步骤44,将步骤43中的背景约束评价函数和观测评价函数进行结合,形成目标函数;
步骤45,对步骤44中的目标函数,进行极小化求解,得到待求背景值的求解值;
步骤46,根据步骤45中的求解值,得到城市模型优化参数,实现城市模型参数的自动率定;
第五步,将第四步中的城市模型优化参数,代入到水动力仿真数值模型中,得到水动力仿真数值优化模型;
第六步,将预报数据或监测数据输入到第五步中的水动力仿真数值优化模型中,进行未来一段时间内的城市内涝场景模拟预测。
本发明基于数字孪生技术的城市内涝预测方法的第二种具体实施例:
一种基于数字孪生技术的城市内涝预测方法,包括以下步骤:
第一步,获取降雨预报数据、监测水深数据;并根据降雨预报数据、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算;
如果需要触发仿真模拟计算,则执行第二步;
如果不需要触发仿真模拟计算,则重新执行第一步;
第二步:基于城市地表拓扑结构,构建不规则三角形网格单元模型;
所述不规则三角形网格单元模型,用于将城市地表拓扑结构分成若干节点,并在节点上构造数据矩阵;
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数;
第三步:根据第二步中的数据矩阵,以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件,构建水动力仿真数值模型,获得城市未来时间段内的虚拟场;
第四步:将第三步中的虚拟场与观测场进行对比,得到偏差值;
第五步,根据第四步中的偏差值,构建数据同化模型,用于对城市模型参数进行自动率定;
第六步,将第五步中的城市模型优化参数,代入到水动力仿真数值模型中,得到水动力仿真数值优化模型;
第七步,将预报数据或监测数据输入到第六步中的水动力仿真数值优化模型中,进行城市内涝场景模拟预测。
如图1所示,本发明基于数字孪生技术的城市内涝预测方法的第三种具体实施例:
一种基于数字孪生技术的城市内涝预测方法,包括以下步骤:
S1:基于城市地表拓扑结构构建的不规则三角形网格单元,在每个单元节点上构造数据矩阵。
S2:遍历每个节点上的降雨预报数据,计算仿真触发逻辑变量,判断是否需要启动仿真计算。
S3:考虑当前水深流速场条件、河流的上下游边界条件、降雨预报数据、地形数据、地下管网数据、城市下垫面摩擦系数、下渗系数等,构建一维、二维水动力仿真数值模型,获得城市未来时间段内的虚拟场。
S4:将城市模型中不确定的参数作为背景值,将监测仪器测量得到的值作为观测场。考虑背景值在范围内的变化及仿真虚拟场和观测场之间的偏差,构建数据同化算法的代价函数,建立参数优化的数学模型。
S5:根据数据同化算法优化算法得到的最优城市模型参数,以及实时降雨预报数据、河流上下游边界预测数据、初始场数据等,使用仿真数值模型进行未来一段时间内的城市内涝场景模拟计算。
S6:某时间间隔后,预报数据或监测数据更新,则重复S2-S4更新内涝场景预测结果。
本发明构建不规则三角形网格单元的一种具体实施例:
在每个单元节点上的构造的数据矩阵包括该节点所在位置的地理信息数据,具体为:随时间变化的降雨量、高程、水深、干地参数、下渗系数、摩擦系数等数据。
流速数据为河流中以及易涝点设立的流量计返回的监测值,记为 。监测
数据作为仿真模拟计算的初始条件,也作为观测场数据。干地参数的确定则根据该节点是
否处于河湖区域来确定,若该节点处于河湖范围内,正常情况下不为干地,则 ;
若该节点不处于河湖范围内,正常情况是干地,则。下渗系数与摩擦系数则根据
政府相关部门提供的土地利用数据,根据相关文献或者先验值,设置该节点处的下渗系数
及摩擦系数。下渗系数与摩擦系数均为仿真模型中的不确定参数。
本发明仿真触发逻辑变量判定的一种具体实施例:
根据仿真触发逻辑变量,判断是否需要启动仿真计算,其具体步骤为:
本发明构建水动力仿真数值模型的一种具体实施例:
考虑初始水深流速场条件、河流的上下游边界条件、降雨预报数据、地形数据、地下管网数据、城市下垫面摩擦系数、下渗系数等,基于步骤S1构建的不规则三角形网格单元和单元节点上的数据,以及S2中新生成的初始场数据,构建地下管网的一维水动力仿真数值模型,模拟计算城市排水过程,构建地表二维水动力仿真数值模型,模拟计算城市地表径流的过程,获得未来随时间变化的虚拟水深场H 虚拟和虚拟流速场V 虚拟。
本发明城市模型参数自动率定的一种具体实施例:
将城市模型中不确定的参数作为背景值,将监测仪器测量得到的值作为观测场。考虑背景值在范围内的变化及仿真虚拟场和观测场之间的偏差,构建数据同化算法的目标函数,建立参数优化的数学模型。
根据文献或先验值确定的城市模型参数,如下渗系数和摩擦系数可能存在与实际不相符的情况,使用该参数进行仿真模拟计算得到的虚拟场与观测场存在较大差异,因此使用数据同化的方法进行不确定参数的自动率定。具体步骤为:
步骤42:取待求背景值x与初估背景值x b 的偏差,用预报误差协方差矩阵的逆进行
加权,形成背景约束评价函数。取水深虚拟场和水深观测场偏差,用观测误差协方差矩阵的
逆进行加权,形成观测评价函数。二者结合形成目标函数 :
其中,
步骤43:为了使观测场和仿真得到的虚拟场得到最优拟合,需要找到目标函数 J的最小化,采用下降算法完成极小化过程。首先定义变量w:
其中,C由预报误差协方差矩阵B获得:
根据 w的定义,目标函数改写为:
本发明城市内涝场景模拟计算的一种具体实施例:
根据数据同化算法优化算法得到的最优城市模型参数组合x,以及实时降雨预报数据、河流上下游边界预测数据、初始场数据等,使用仿真数值模型进行未来一段时间内的城市内涝场景模拟计算,得到虚拟水深场H 虚拟 和虚拟流速场V 虚拟 ,此时的虚拟场与观测场相吻合。
某时间间隔后,预报数据或监测数据更新,则重复S2-S4更新内涝场景预测结果。具体的时间间隔∆T根据预报数据、监测数据的更新间隔以及水动力仿真模拟计算的时间长度决定。
如图3所示,应用本发明基于数字孪生技术的城市内涝预测方法搭建的城市内涝预测预警平台的一种具体实施例:
一种市内涝预测预警平台,其包括节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块;
所述节点数据库模块,用于构建不规则三角形网格单元,并从降雨预报数据接口获得预测数据,从监测数据接口获得监测数据,将数据映射至每个节点中;
所述触发因子模块,用于遍历每个节点上的降雨预报、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真计算;
所述仿真模拟计算模块,用于获取不规则三角形网格单元的节点数据以及触发因子模块中新生成的初始场数据,并计算城市地表内涝过程,获得未来随时间变化的虚拟水深场和虚拟流速场;
所述数据同化模块,用于对摩擦系数与下渗系数进行自动率定;
所述数据输出及可视化模块,用于数据的可视化展示;
经过触发因子模块的判定,当需要触发仿真模拟计算时,将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块,并启动计算;
当不需要触发仿真模拟计算时,将当前的初始场数据传入数据输出及可视化模块,进行显示。
本发明节点数据库模块的一种具体实施例:
本模块基于城市地表拓扑结构构建的不规则三角形网格单元,并从降雨预报数据接口获得预测数据,从监测数据接口获得监测数据,将数据映射至每个单元节点。
将城市中的建筑物设置考虑为不可淹没区域,将其他区域考虑为可淹没区域,建立不规则三角形网格,如图2所示为不规则三角形网格单元的局部示意图。此时,每个网格节点仅包含坐标信息,随后需要在每个节点上构建包含以下数据的矩阵:
2.高程:通过读取包含地理高程信息数据的栅格文件,将对应坐标的高程映射至节点中。
3.水深:将河流、湖泊、易涝点等位置设置的水位计的返回的监测水深写入节点数据矩阵中,记为H(n) 监测 ,作为城市内涝仿真的初始条件,也作为数据同化时的观测场数据。
4.干地参数:根据该节点是否处于河湖区域来确定干地参数D的取值,若该节点处于河湖范围内,正常情况下不为干地,则 D(n)=0;若该节点不处于河湖范围内,正常情况是干地,则 D(n)=1。
5.下渗系数:本平台的仿真模拟使用了SCS-CN模型进行降雨径流计算,使用
值表征土地的下渗性质。根据政府相关部门提供的土地利用数据,以及相关文献,设置该节
点处的初估下渗系数。下渗系数为仿真模型中的不确定参数,需要使用数据同化进行
进一步率定。
6.摩擦系数:本平台的仿真模拟使用了曼宁模型进行摩擦阻力的计算,同样根据
政府相关部门提供的土地利用数据,以及相关文献,设置该节点处的初估摩擦系数 。摩
擦系数为仿真模型中的不确定参数,需要使用数据同化进行进一步率定。
本发明触发因子模块的一种具体实施例:
触发因子模块遍历每个节点上的降雨预报、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真计算,如果需要触发仿真模拟计算,则平台将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块,并启动计算;如果不需要触发仿真模拟计算,则将当前的初始场数据传入数据输出及可视化模块。
触发因子模块的计算流程如下:
本发明仿真模拟计算模块的一种具体实施例:
如果需要触发仿真模拟计算,则平台将节点数据库模块中的不规则三角形网格单元及单元节点数据传入本模块,并将触发因子模块中新生成的初始场数据传入本模块中,计算城市地表内涝过程,获得未来随时间变化的虚拟水深场和虚拟流速场。
1. 基于节点数据,构建地下管网的一维水动力仿真数值模型。并将节点中的降雨数据传入模型中,模拟计算城市排水,得到井口排水流量Q随时间的变化,并将数据储存至csv文件中,传入二维水动力模型进行计算。
2. 构建地表二维水动力仿真数值模型,触发因子模块中新生成的初始场作为初始条件,模拟计算城市地表径流的过程,获得未来24小时随时间变化的虚拟水深场 H 虚拟 和虚拟流速场V 虚拟 。
本发明数据同化模块的一种具体实施例:
由于模型中的摩擦系数与下渗系数 为初估值,并非符合实际情况,因此,
需要使用数据同化进行进一步率定。平台将包含虚拟水深场H 虚拟 和虚拟流速场V 虚拟 信息的
节点数据传入数据同化模块中。考虑摩擦系数与下渗系数在范围内的变化及仿真虚拟场和
观测场之间的偏差,构建数据同化算法的目标函数,建立参数优化的数学模型。
2.取待求背景值与初估背景值 的偏差,用预报误
差协方差矩阵的逆进行加权,形成背景约束评价函数。取水深虚拟场和水深观测场偏差,用
观测误差协方差矩阵的逆进行加权,形成观测评价函数。二者结合形成目标函数:
本发明数据输出及可视化模块的一种具体实施例:
如果不需要触发仿真模拟计算,平台将触发因子模块的初始场数据传入本模块;如果需要触发仿真模拟计算,平台将与观测场相吻合的虚拟场数据传入本模块。随后将这些数据在平台的前端进行可视化展示。
经测试,降雨预报数据更新频率为1小时;监测数据更新频率为5分钟,内涝仿真模拟计算时长为15分钟,数据同化时长为10分钟,因此,将平台整体刷新频率设置为2小时,每2小时更新预报数据及监测数据,重复上述步骤更新内涝场景预测结果。
应用本发明方法的一种设备实施例:
一种计算机设备,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的一种基于数字孪生技术的城市内涝预测方法。
应用本发明方法的一种计算机介质实施例:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的一种基于数字孪生技术的城市内涝预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于数字孪生技术的城市内涝预测方法,其特征在于,
包括以下步骤:
第一步:基于城市地表拓扑结构,构建不规则三角形网格单元模型;
所述不规则三角形网格单元模型,用于将城市地表拓扑结构分成若干节点,并在节点上构造数据矩阵;
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数;
第二步:根据第一步中的数据矩阵,以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件,构建水动力仿真数值模型,获得城市未来时间段内的虚拟场;
水动力仿真数值模型的构建方法如下:
步骤21,获取地下管网数据;
步骤22,根据步骤21中的地下管网数据以及数据矩阵,构建一维水动力仿真数值单元,用于模拟计算城市排水过程,并得到一维水动力仿真结果;
步骤23,构建二维水动力仿真数值单元,用于模拟计算城市地表径流的过程,并将步骤22中的一维水动力仿真结果输入至二维水动力仿真数值单元中;
二维水动力仿真数值单元的计算公式如下:
其中,h为水深;Z为表面高程;t为时间;u和v分别为笛卡尔坐标系下沿x、y方向的平均速度值;ɡ为重力加速度;F x 和F y 为方程组的源项,包括底部摩擦、表面风应力、科氏力、大气压力;v e 为紊动粘性扩散系数;
第三步:将第二步中的虚拟场与观测场进行对比,得到偏差值;
第四步,根据第三步中的偏差值,构建数据同化模型,用于对城市模型参数进行自动率定;
数据同化模型的构建,包括以下步骤:
步骤41,根据文献或先验值,得到城市模型初始参数,并将城市模型初始参数设置为初估背景值;
利用监测仪器测量得到的监测数据;
步骤42,根据步骤41中的初估背景值,构造预报误差协方差矩阵;
根据监测数据,构造观测协方差矩阵:
步骤43,取待求背景值与初估背景值的偏差,用步骤42中的预报误差协方差矩阵的逆进行加权,形成背景约束评价函数;
取虚拟场和观测场偏差,用观测误差协方差矩阵的逆进行加权,形成观测评价函数;
步骤44,将步骤43中的背景约束评价函数和观测评价函数进行结合,形成目标函数;
步骤45,对步骤44中的目标函数,进行极小化求解,得到待求背景值的求解值;
步骤46,根据步骤45中的求解值,得到城市模型优化参数,实现城市模型参数的自动率定;
预报误差协方差矩阵的计算公式如下:
所述观测协方差矩阵的计算公式如下:
目标函数的计算公式如下:
所述极小化求解的过程如下:
S41,通过敏感性分析的方法确定参数取值区间的上下限,得到参数率定的可行域:
S42,根据S41中的可行域,采用下降算法找到目标函数的最小化值,其计算公式如下:
其中, L为y的切线性算子,其计算公式如下:
w 为中间变量,其通过扰动方法进行求解,其计算公式如下:
其中, C由预报误差协方差矩阵获得,其计算公式如下:
式中,B为预报误差协方差矩阵;
第五步,将第四步中的城市模型优化参数,代入到水动力仿真数值模型中,得到水动力仿真数值优化模型;
第六步,将预报数据或监测数据输入到第五步中的水动力仿真数值优化模型中,进行未来一段时间内的城市内涝场景模拟预测。
3.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法,其特征在于,
所述第三步中,观测场为通过监测仪器测量返回的监测数据,其至少包括水深数据、流速数据和干地参数;
所述水深数据为通过河流中以及易涝点设立的水位计返回的监测值;
所述流速数据为通过河流中以及易涝点设立的流量计返回的监测值;
当节点处于河湖范围内,则干地参数 D(n)=0;
当节点不处于河湖范围内,则干地参数D(n)=1。
4.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法,其特征在于,
所述第六步中,水动力仿真数值优化模型通过计算仿真触发逻辑变量,判断是否需要启动城市内涝场景模拟预测;
仿真触发逻辑变量的计算方法如下:
遍历每个节点上的降雨预报数据,得到降雨量矩阵,降雨量矩阵的计算公式如下:
根据降雨量矩阵,计算得到降雨逻辑变量,其计算公式如下:
计算仿真触发逻辑变量,其计算公式如下:
5.如权利要求1所述的一种基于数字孪生技术的城市内涝预测方法,其特征在于,
还包括第七步,某时间间隔后,将预报数据或监测数据进行更新,重复进行第一步以及第六步,更新内涝场景预测结果;
时间间隔根据预报数据、监测数据的更新间隔以及水动力仿真数值模型模拟计算的时间长度决定。
6.一种基于数字孪生技术的城市内涝预测方法,其特征在于,
包括以下步骤:
第一步,获取降雨预报数据、监测水深数据;并根据降雨预报数据、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真模拟计算;
如果需要触发仿真模拟计算,则执行第二步;
如果不需要触发仿真模拟计算,则重新执行第一步;
第二步:基于城市地表拓扑结构,构建不规则三角形网格单元模型;
所述不规则三角形网格单元模型,用于将城市地表拓扑结构分成若干节点,并在节点上构造数据矩阵;
所述数据矩阵包括降雨量、高程、水深、干地参数、城市模型参数;
第三步:根据第二步中的数据矩阵,以及降雨预报数据、地形数据、水深流速场条件、地下管网数据、河流的上下游边界条件,构建水动力仿真数值模型,获得城市未来时间段内的虚拟场;
水动力仿真数值模型的构建方法如下:
步骤21,获取地下管网数据;
步骤22,根据步骤21中的地下管网数据以及数据矩阵,构建一维水动力仿真数值单元,用于模拟计算城市排水过程,并得到一维水动力仿真结果;
步骤23,构建二维水动力仿真数值单元,用于模拟计算城市地表径流的过程,并将步骤22中的一维水动力仿真结果输入至二维水动力仿真数值单元中;
二维水动力仿真数值单元的计算公式如下:
其中,h为水深;Z为表面高程;t为时间;u和v分别为笛卡尔坐标系下沿x、y方向的平均速度值;ɡ为重力加速度;F x 和F y 为方程组的源项,包括底部摩擦、表面风应力、科氏力、大气压力;v e 为紊动粘性扩散系数;
第四步:将第三步中的虚拟场与观测场进行对比,得到偏差值;
第五步,根据第四步中的偏差值,构建数据同化模型,用于对城市模型参数进行自动率定;
数据同化模型的构建,包括以下步骤:
步骤41,根据文献或先验值,得到城市模型初始参数,并将城市模型初始参数设置为初估背景值;
利用监测仪器测量得到的监测数据;
步骤42,根据步骤41中的初估背景值,构造预报误差协方差矩阵;
根据监测数据,构造观测协方差矩阵:
步骤43,取待求背景值与初估背景值的偏差,用步骤42中的预报误差协方差矩阵的逆进行加权,形成背景约束评价函数;
取虚拟场和观测场偏差,用观测误差协方差矩阵的逆进行加权,形成观测评价函数;
步骤44,将步骤43中的背景约束评价函数和观测评价函数进行结合,形成目标函数;
步骤45,对步骤44中的目标函数,进行极小化求解,得到待求背景值的求解值;
步骤46,根据步骤45中的求解值,得到城市模型优化参数,实现城市模型参数的自动率定;
预报误差协方差矩阵的计算公式如下:
所述观测协方差矩阵的计算公式如下:
目标函数的计算公式如下:
所述极小化求解的过程如下:
S41,通过敏感性分析的方法确定参数取值区间的上下限,得到参数率定的可行域:
S42,根据S41中的可行域,采用下降算法找到目标函数的最小化值,其计算公式如下:
其中, L为y的切线性算子,其计算公式如下:
w 为中间变量,其通过扰动方法进行求解,其计算公式如下:
其中, C由预报误差协方差矩阵获得,其计算公式如下:
式中,B为预报误差协方差矩阵;
第六步,将第五步中的城市模型优化参数,代入到水动力仿真数值模型中,得到水动力仿真数值优化模型;
第七步,将预报数据或监测数据输入到第六步中的水动力仿真数值优化模型中,进行城市内涝场景模拟预测。
7.一种市内涝预测预警平台,其特征在于,
应用如权利要求1-6任一所述的一种基于数字孪生技术的城市内涝预测方法;
其包括节点数据库模块、触发因子模块、仿真模拟计算模块、数据同化模块、数据输出及可视化模块;
所述节点数据库模块,用于构建不规则三角形网格单元,并从降雨预报数据接口获得预测数据,从监测数据接口获得监测数据,将数据映射至每个节点中;
所述触发因子模块,用于遍历每个节点上的降雨预报、监测水深数据,计算仿真触发逻辑变量,判断是否需要启动仿真计算;
所述仿真模拟计算模块,用于获取不规则三角形网格单元的节点数据以及触发因子模块中新生成的初始场数据,并计算城市地表内涝过程,获得未来随时间变化的虚拟水深场和虚拟流速场;
所述数据同化模块,用于对摩擦系数与下渗系数进行自动率定;
所述数据输出及可视化模块,用于数据的可视化展示;
经过触发因子模块的判定,当需要触发仿真模拟计算时,将节点数据库模块中的不规则三角形网格单元及节点数据传入仿真模拟计算模块,并启动计算;
当不需要触发仿真模拟计算时,将当前的初始场数据传入数据输出及可视化模块,进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924847.3A CN114997541B (zh) | 2022-08-03 | 2022-08-03 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924847.3A CN114997541B (zh) | 2022-08-03 | 2022-08-03 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997541A CN114997541A (zh) | 2022-09-02 |
CN114997541B true CN114997541B (zh) | 2022-11-08 |
Family
ID=83022409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924847.3A Active CN114997541B (zh) | 2022-08-03 | 2022-08-03 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997541B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169763B (zh) * | 2022-09-08 | 2022-11-29 | 广东广宇科技发展有限公司 | 一种内涝预测方法、数字孪生***、电子设备及存储介质 |
CN115587542B (zh) * | 2022-11-02 | 2023-06-16 | 四川奥凸水处理***工程有限公司 | 基于强化学习的地下水反演仿真方法、***、设备及介质 |
CN117113211B (zh) * | 2023-01-16 | 2024-03-12 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测***及其方法 |
CN116486027A (zh) * | 2023-04-25 | 2023-07-25 | 中国水利水电科学研究院 | 城市洪涝数字孪生推演方法 |
CN116484688B (zh) * | 2023-04-26 | 2023-10-13 | 中国水利水电科学研究院 | 一种城市内涝数值实验方法 |
CN116187106B (zh) * | 2023-04-27 | 2023-09-26 | 广东广宇科技发展有限公司 | 一种基于数字孪生的城市地下排污冲击模型构建方法 |
CN116776636B (zh) * | 2023-07-13 | 2023-12-22 | 汇杰设计集团股份有限公司 | 一种基于数字孪生的水旱灾害应急仿真方法和*** |
CN116882851B (zh) * | 2023-09-08 | 2023-11-28 | 浙江远算科技有限公司 | 基于多尺度耦合仿真的水库群防洪***评估方法与设备 |
CN116911215B (zh) * | 2023-09-08 | 2023-12-08 | 浙江远算科技有限公司 | 一种基于水库调洪耦合水动力的溃坝洪水仿真方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警*** |
CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007063849A (ja) * | 2005-08-31 | 2007-03-15 | Toshiba Corp | 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム |
CN110298076B (zh) * | 2019-05-27 | 2023-05-09 | 奥格科技股份有限公司 | 一种基于gis和swmm的城市内涝智能建模及分析方法 |
CN111369059B (zh) * | 2020-03-05 | 2023-10-20 | 山东大学 | 基于雨洪模拟耦合模型的城市内涝快速预测方法及*** |
CN111651885B (zh) * | 2020-06-03 | 2023-06-06 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
CN111898303A (zh) * | 2020-08-05 | 2020-11-06 | 苏州大圜科技有限公司 | 基于气象预报及水动力模拟的流域水位及内涝预报方法 |
CN114357716A (zh) * | 2021-12-06 | 2022-04-15 | 河海大学 | 一种基于数字孪生技术的流域水文模型参数动态估计方法 |
CN114240119A (zh) * | 2021-12-10 | 2022-03-25 | 浙江水利水电学院 | 基于数字孪生的国土空间全域全要素防洪防涝***及预警方法 |
CN114254561B (zh) * | 2021-12-17 | 2024-06-07 | 奥格科技股份有限公司 | 一种内涝预测方法、***及存储介质 |
CN114372685B (zh) * | 2021-12-28 | 2024-06-11 | 长江生态环保集团有限公司 | 一种基于swmm模型的城市暴雨内涝风险评估方法 |
-
2022
- 2022-08-03 CN CN202210924847.3A patent/CN114997541B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警*** |
CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114997541A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114997541B (zh) | 一种基于数字孪生技术的城市内涝预测方法及预警平台 | |
CN102289570B (zh) | 基于降雨-径流-洪水演进计算的洪水预报方法 | |
Ali et al. | Simulation of the impacts of land-use change on surface runoff of Lai Nullah Basin in Islamabad, Pakistan | |
CN111795681A (zh) | 一种山洪灾害预警方法、装置、服务器及存储介质 | |
CN113742910A (zh) | 基于中小流域洪水预报的水库来水量预警预报方法及*** | |
CN104851360A (zh) | 一种洪水风险图的生成方法和*** | |
CN109559098B (zh) | 一种海绵城市试点区低影响开发设施模拟方法 | |
CN103886135B (zh) | 基于二维非恒定流数值模型的电力工程选址方法 | |
CN110955996B (zh) | 一种淹没过程模拟方法及*** | |
Li et al. | Implementation and testing of routing algorithms in the distributed Hydrologiska Byråns Vattenbalansavdelning model for mountainous catchments | |
CN108009753A (zh) | 城市内涝预测方法、装置、终端及计算机可读存储介质 | |
CN114139258A (zh) | 城市内涝建模评估方法、***及计算机可读存储介质 | |
CN116401327A (zh) | 无资料地区中小流域设计暴雨洪水计算辅助*** | |
Yang et al. | Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect | |
Han et al. | A GPU-accelerated hydrodynamic model for urban rainstorm inundation simulation: a case study in China | |
Abdelmounim et al. | Implementation of distributed hydrological modeling in a semi-arid mediterranean catchment Azzaba, Morocco | |
CN103870699A (zh) | 基于双层异步迭代策略的水动力学洪水演进模拟方法 | |
Orellana et al. | A toolbox for the identification of parsimonious semi-distributed rainfall-runoff models: Application to the Upper Lee catchment | |
Kherde | Rainfall runoff modelling–modellers guide | |
Haddad | Extreme Rainfall-Runo Events Modeling Using HEC-HMS Model for Oued El Hachem Watershed, Northern Algeria | |
Aherwar et al. | Comparison of rainfall runoff simulation by SCS-CN and NAM model in Shipra river basin of Madhya Pradesh, India | |
Guan et al. | Rain fall predict and comparing research based on Arcgis and BP neural network | |
CN115062559B (zh) | 可嵌套水文模型的岩溶含水***蓄水库的定量表征方法 | |
Jiang et al. | A dynamic bidirectional coupled hydrologic-hydrodynamic model for flood prediction | |
Wu et al. | Rainfall‐Runoff Model for Typhoons Making Landfall in Taiwan 1 |
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 |