CN117332664A - 基于物理计算结果的地质灾害数字孪生实景显示方法 - Google Patents
基于物理计算结果的地质灾害数字孪生实景显示方法 Download PDFInfo
- Publication number
- CN117332664A CN117332664A CN202311635115.3A CN202311635115A CN117332664A CN 117332664 A CN117332664 A CN 117332664A CN 202311635115 A CN202311635115 A CN 202311635115A CN 117332664 A CN117332664 A CN 117332664A
- Authority
- CN
- China
- Prior art keywords
- landslide
- crack
- model
- physical
- calculation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 6
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000004088 simulation Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000012800 visualization Methods 0.000 description 8
- 238000011835 investigation Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 101100533322 Candida albicans (strain SC5314 / ATCC MYA-2876) SFL2 gene Proteins 0.000 description 3
- 101100428781 Human herpesvirus 6A (strain Uganda-1102) U8 gene Proteins 0.000 description 3
- 101100428786 Human herpesvirus 6A (strain Uganda-1102) U9 gene Proteins 0.000 description 3
- 101100126953 Oryza sativa subsp. japonica KCS20 gene Proteins 0.000 description 3
- 101150043825 SFL1 gene Proteins 0.000 description 3
- 101100538885 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) TUP1 gene Proteins 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 229910052612 amphibole Inorganic materials 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000001360 synchronised effect 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
一种基于物理计算结果的地质灾害数字孪生实景显示方法,属于地质灾害监测预警领域,具体包括以下步骤:构建滑坡变形特征族库;构建裂缝提取模块;构建实景显示模块;获取目标滑坡体的物理信息及物性参数、目标滑坡体裂缝分布;依据所述目标滑坡体的物理信息及物性参数,建立形成滑坡区域的滑坡地质模型;筛选计算参数并建立计算模型;在所述计算模型中输入预期工况,获得有限元计算结果云图,并利用所述裂缝提取模块获得所述预期工况下的裂缝体系;依据所述目标滑坡体所述滑坡区域的滑坡地质模型、所述预期工况下的裂缝体系,并利用所述实景显示模块,进行基于物理计算结果的数字孪生实景显示。
Description
技术领域
本发明属于地质灾害监测预警领域,特别涉及一种基于物理计算结果的地质灾害数字孪生实景显示方法。
背景技术
地质灾害监测预警***是一种利用传感器、数据采集和分析技术来监测地质灾害(如地震、滑坡、泥石流等)的发生和演化,并及时发出预警信息,以保护人民生命财产安全的一类***。利用所述预警***预警的步骤一般包括传感器布设——数据采集——数据传输——数据处理与分析——预警判定及发布——应对和应急响应等主要环节。地质灾害监测预警***的设计和实施需要综合考虑地质环境、传感器技术、数据处理和分析算法、通信技术以及灾种发育机理等特点。
数字孪生(Digital Twin)是物理实体或***的虚拟表示,它通过整合传感器数据、模拟和分析等技术来实现对实体或***的监测、仿真和优化,其主要步骤包括数据采集——数据处理与整合——数字孪生模型构建——可视化设计——数据呈现与交互——分析和优化等步骤。
上述两方面技术的特征及实施方式决定了两者在技术组合方面具有较好契合度。事实上,近年数字孪生技术在地质灾害监测预警中的应用不断加深,中国专利“一种基于数字孪生技术的滑坡监测***及方法”(ZL202210885360.9)、“一种基于数字孪生技术的崩塌监测***与方法”(ZL202211065374.2)、“一种基于数字孪生的泥石流监测***及方法”(ZL202211170033.1)等分别面向不同灾害类型,公开了针对滑坡、崩塌、泥石流的数字孪生体的构建路径和方法,属于地质灾害数字孪生领域面向不同灾种的整体解决方案。其中,中国专利“一种基于数字孪生的泥石流监测***及方法”(ZL202211170033.1)中提及对泥石流仿真计算结果进行实景VR显示,但未提及具体的技术路线和细节。
数字孪生计算结果实景可视化,其目标是通过视觉化方式呈现数字孪生模型的数据和计算结果,以便用户能够直观地理解和分析物理实体或***的状态、行为和性能。传统CAE数值仿***要形成位移云图、应力云图、应变云图等其他场云图,这些云图往往只能用于专业人士的观察和使用,并不能让非专业用户感受到计算结果对应的实体变化,远没有达到数字孪生计算结果可视化的要求;但是在地质灾害监测预警的应急响应场景中,应急会商的指挥人员及决策者往往需要有一个非专业化但形象化的地质灾害仿真结果呈现,以便首脑决策和指挥。以上情况构成地质灾害数字孪生计算结果实景可视化的一个切实需求。
另一方面,现有技术中一些动态还原地质灾害发生过程实景的视频动画,是基于对地质灾害发生机理的认识和学习,人工制作动画及影像,还原创作者设想地质灾害发育的过程;由于其未基于实时计算结果呈现实景显示的内容,脱离了计算云图的参考依据开展实景显示,因而不属于地质灾害数字孪生产品的范畴,并不能满足地质灾害监测数字孪生计算结果实景可视化的需求。
综上,数字孪生技术当前在地质灾害领域的应用逐渐被重视,基于各灾种的数字孪生解决方案不断发展;数字孪生计算结果实景可视化是数字孪生的重要维度,但是现有技术中并没有关于地质灾害数字孪生计算结果实景可视化方面的技术细节,存在明显短板。
发明内容
本发明的目的是提供一种地质灾害数字孪生计算结果实景化显示方法,主要针对地质灾害领域的滑坡灾害,以解决现有技术中仿真计算结果云图显示单一,不能满足地质灾害监测预警中应急决策和指挥非专业化但形象化的实景显示要求的问题。
本发明提供一种基于物理计算结果的地质灾害数字孪生实景显示方法,具体包括以下步骤:
获取目标滑坡体的物理信息及物性参数、目标滑坡体裂缝分布;
依据所述目标滑坡体的所述物理信息及物性参数,建立滑坡地质模型;筛选计算参数并建立计算模型;
在所述计算模型中输入特定工况,获得有限元计算结果云图,并利用裂缝提取模块获得所述特定工况下的裂缝体系;
其中,所述裂缝提取模块用于根据用户输入的有限元计算结果云图,提取所述滑坡内部的裂缝空间分布及裂缝的属性参数,形成裂缝体系;
依据所述目标滑坡体的所述滑坡地质模型、所述特定工况下的裂缝体系,并利用实景显示模块,进行基于物理计算结果的数字孪生实景显示;
其中,所述实景展示模块用于依据输入的所述滑坡地质模型生成实景滑坡模型,并依据输入的所述特定工况下的裂缝体系,调用滑坡变形特征族库,在所述实景滑坡模型上开展布尔运算,生成滑坡变形实景模型。
进一步地,所述滑坡变形特征族库依据滑坡类别及滑坡的变形特征构建。
进一步地,针对目标滑坡体,依据所述目标滑坡体的物理信息及物性参数,获得诱发所述目标滑坡体滑动时对应的有限元边界条件。
进一步地,所述特定工况为针对所述目标滑坡体的预期工况。
进一步地,所述特定工况为根据滑坡机理分析获得的诱发所述目标滑坡体滑坡的工况。
进一步地,所述计算模型的优化步骤如下:根据滑坡机理分析获得诱发所述目标滑坡体滑坡的工况,利用所述计算模型展开初始计算并获得初始计算结果,将所述初始计算结果输入到所述裂缝提取模块,提取出初始裂缝体系,通过比较所述初始裂缝体系及获取得到的所述目标滑坡体的滑坡体裂缝分布,调整优化所述计算模型。
进一步地,利用滑坡物理模型的室内物理试验结果及有限元计算结果训练基于机器学习的裂缝识别模型,构建裂缝提取模块。
进一步地,所述裂缝提取模块的构建主要包括以下步骤:
通过室内物理试验对滑坡物理模型施加各种工况及约束,观察记录所述滑坡物理模型的变形裂缝分布,并利用CT扫描形成所述滑坡的内部影像,标定记录所述内部影像中的裂缝位置、裂缝类别、以及裂缝大小信息;
建立与所述室内物理试验同比例尺的有限元滑坡模型,在所述有限元滑坡模型上施加与所述室内物理试验相对应的各种工况及约束,进行有限元计算,生成有限元计算结果,形成有限元计算结果云图;
建立基于机器学习的裂缝识别模型,利用所述室内物理试验结果及有限元计算结果训练所述裂缝识别模型,获得裂缝提取模块。
本发明的所述方法是以计算结果云图为依据的,基于云图进行裂缝提取,并将提取的裂缝体系与灾害(滑坡)实景数据同步映射,实现地质灾害数字孪生计算结果实景可视化的目的。本发明解决了现有技术中需要解决的问题,补齐地质灾害数字孪生基于计算结果的实景可视化显示方面的不足,扫除数字孪生技术在地质灾害方面的应用可视化方面的障碍。采用本发明所述的方法实现CAE计算云图与实体场景实时映射关系,能够使实景显示结果更具有科学性,属于数字孪生技术的重要依据。计算结果数据完成实景显示后,便于直接将实景的映射结果投射到实景模型之中,便于决策者直接评估结果,有利于应急指挥决策。
附图说明
为了更完整地理解本发明,现在将参考结合附图的以下描述,其中:
图1为本发明所述方法的流程示意图;
图2为本发明滑坡变形特征族库示意图;
图3为本发明实施例一中原始裂缝体系示意图;
图4为本发明实施例一中预期工况下的裂缝体系示意图。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用,使之便于本领域普通技术人员理解与实施,下面将结合本发明实施例及附图作进一步的详细阐述。显然,此处描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于物理计算结果的地质灾害数字孪生实景显示方法,利用有限元模块、裂缝提取模块、实景显示模块,将预期工况输入到有限元模块中,输出有限元计算结果,将有限元计算结果输入到裂缝提取模块,获得裂缝体系;实景显示模块依据所述裂缝体系生成实景,再将实景显示推送给用户端,最终实现数字孪生计算结果实景显示的最终目的。
所述预期工况包括但不限于预想的、近期大概率发生的、以及推演设定的各类工况,例如不同持续时间及强度降雨、人工堆载、库水位以某速率下降等可能发生的各类情况及这些工况下的三类边界条件。
所述有限元计算模块主要包括有限元几何模型、网格剖分模型、渗流模型、断裂模型等与计算有关的所有物理及数学模型。
所述裂缝提取模块属于基于深度学习技术形成的大模型。依据大量土工试验结果,以及同步有限元计算结果,将有限元计算结果和所述土工试验结果对比,将对比结果作为训练数据集和验证集,通过深度学习训练形成裂缝提取模块。
所述实景显示模块为基于计算机图形学的图像展示模块,其输入为滑坡地质模型及裂缝体系,输出为对应裂缝体系下的滑坡变形实景,并融合显示、纹理贴合及渲染等技术增加逼真效果。
以下详细说明本发明所述基于物理计算结果的地质灾害数字孪生实景显示方法,该方法的流程参见图1,具体包括以下步骤:
步骤S01、依据滑坡类别及滑坡的变形特征,构建滑坡变形特征族库。
确定滑坡的类别,根据滑坡发生的类别可以分为推移式滑坡和牵引式滑坡两类。在所述两类滑坡类别的基础上,依据滑坡全生命阶段的变形特征,进一步地,可将滑坡的变形分为后缘拉裂缝、后缘壁、滑坡台坎、侧翼剪胀裂缝(雁列式)、前缘隆胀裂缝等,可参见图2。
本发明所述滑坡变形特征族库包括但不限于上述变形特征,根据滑坡可能的其他类型可动态丰富所述滑坡变形特征族库。
滑坡的每种所述变形特征均具有属性特征。以裂缝为例,所述属性特征包括裂缝类型、裂缝深度(裂缝发育的纵向深度)、发育方向(裂缝向下发育的倾角及裂缝倾向)、裂缝形态(裂缝法向量)、裂缝边界、裂缝之间的关系运算(裂缝合并兼容及贯通)等。
步骤S02、利用滑坡物理模型的室内物理试验及有限元计算结果训练基于机器学习的裂缝识别模型,构建裂缝提取模块;所述裂缝提取模块用于根据用户输入的滑坡在各工况下的有限元计算结果云图,提取所述滑坡内部的裂缝空间分布及裂缝的各项属性参数,形成裂缝体系。
具体而言,可包含以下步骤:
步骤S201、数据收集和预处理。
设计室内工程试验,通过室内物理试验对滑坡物理模型(缩放比例不小于1:1000)施加各种工况及约束(不少于10种组合),观察记录所述滑坡物理模型的变形裂缝分布,并利用CT扫描形成所述滑坡坡体的内部影像,标定记录CT扫描形成影像中的裂缝位置、裂缝类别、裂缝大小信息。
与此同时,建立与所述室内工程试验同比例尺的有限元滑坡模型,在所述有限元滑坡模型上施加与所述室内物理试验相对应的各种工况,进行有限元计算,生成所述有限元滑坡模型的位移、应变、应力等计算结果,形成有限元计算结果云图。
对比所述室内物理试验记录的结果和所述有限元计算结果云图,对比的内容包括裂缝位置、裂缝类别、裂缝大小等。
步骤S202、建立基于机器学习的裂缝识别模型,利用所述室内物理试验及有限元计算结果训练所述裂缝识别模型,获得裂缝提取模块。
基于步骤S201中获得的所述对比结果,采用卷积神经网络(ConvolutionalNeural Networks,CNN)及支持向量机(Support Vector Machines,SVM)算法,建立基于机器学习的裂缝识别模型训练体系,利用所述对比结果数据集中85%的数据作为训练集,训练所述裂缝识别模型;利用所述对比结果数据集中15%的数据作为验证集,以保证所述裂缝识别模型具有良好的泛化能力。
根据验证结果和实际应用反馈,不断改进所述裂缝识别模型,提升所述裂缝识别模型的识别性能。
进一步地,利用数据集进行裂缝训练模型训练后,可根据需要进行超参数调整以获得更好的性能。
训练及调整完成后的所述裂缝识别模型构成本发明所述裂缝提取模块。
所述裂缝提取模块用于根据用户输入的滑坡在各工况下的有限元计算结果云图,提取出所述滑坡内部的裂缝空间分布及裂缝的各项属性参数。所述滑坡内部的裂缝类型、空间分布、以及其他所述属性参数均以列表形式存储,并辅以变形特征简图,共同构成裂缝体系。
同时,所述裂缝提取模块形成所述裂缝体系时,识别裂缝分布及属性后,可以依据所述滑坡变形特征族库将不完整的裂缝属性补充完整。
步骤S03、构建实景显示模块;所述实景展示模块用于依据输入的滑坡地质模型生成实景滑坡模型,并依据输入的裂缝体系,调用步骤S01中形成的所述滑坡变形特征族库,在所述实景滑坡模型上开展布尔运算,生成滑坡变形实景模型,实现标准化的快速显示。
采用画家算法对所述滑坡变形实景模型进行整体显示,在此基础之上增加光照模型、纹理贴皮,并进行图形的渲染及更新,以及增强裂缝在所述滑坡变形实景模型更为形象化地显示。
所述滑坡变形实景模型能够展示对应裂缝体系下的滑坡实景,可三维显示,并支持视角切换、旋转、放大等功能。
步骤S04、获取目标滑坡体的物理信息及物性参数、滑坡体裂缝分布,并获得诱发所述目标滑坡体滑动时对应的有限元边界条件。
获取目标滑坡体的物理信息及物性参数。可采用现场勘测等手段。通过现场勘测获得所述目标滑坡体范围内的等高线图,包括以该等高线图为底图圈定的滑坡边界、各变形区域范围、滑坡临空面、主滑方向等;通过无人机航测获得点云数据图;沿所述目标滑坡体主滑面及与所述主滑面垂直的两个方向布置若干个取芯钻孔,形成钻孔柱状图;针对所述目标滑坡体取土样进行土工试验获得所述目标滑坡体的物性参数,形成土工试验表。
获取所述目标滑坡体的滑坡体裂缝分布。所述滑坡体裂缝分布由整体到局部包括强变形区与弱变形区、各变形区裂缝发育特征、以及主要控制裂缝特征。所述滑坡体裂缝分布以所述目标滑坡体中的每个裂缝为调查记录对象,每个裂缝包括裂缝的各项特征,包括裂缝位置、裂缝的宽度、裂缝的长度、裂缝的延伸方向等。
此外,结合工程地质经验以及计算力学知识,从滑坡诱因的角度分析,推测和记录所述目标滑坡体诱发滑动时对应的有限元边界条件。
步骤S05、依据步骤S04获得的所述目标滑坡体的物理信息及物性参数,建立形成滑坡区域的有限元地质模型,筛选计算参数并建立计算模型。
利用步骤S04中收集的所述点云数据图,获得滑坡区域地表的高程数据;通过步骤S04中形成的钻孔柱状图连线插值估计滑坡区域的地层数据;结合现场实地踏勘资料在高程数据中标定滑坡体的范围及边界。
利用步骤S04中所述土工试验表,获得滑坡体的数值仿真所需要的参数,如粘聚力c,抗剪强度t、内摩擦角f、容重g 等。
依据上述数据,建立形成滑坡区域的有限元地质模型。可采用本领域常用的有限元地质建模软件,例如GOCAD三维地质建模软件,进行建模。通过导入高程数据形成地面模型,嵌入勘查标定的滑坡体范围及边界数据确立滑坡体轮廓,导入钻孔坐标点位及地层柱状图,运行插值算法形成所述滑坡区域的有限元地质模型。
对所述滑坡区域的有限元地质模型进行网格剖分,将剖分好的网格信息转换成用于有限元计算的网格模型备用。
将以上模型导入有限元计算软件,依据步骤S04中获得的所述有限元边界条件,在有限元计算软件中设置边界条件。
步骤S06、利用初始计算结果及所述滑坡体裂缝分布调整优化所述计算模型,并依据调整优化后的所述计算模型生成原始裂缝体系。
利用步骤S05中获得的所述计算模型,加载根据滑坡机理分析获得的诱发滑坡的工况,展开初始计算,将初始计算的结果输入到所述裂缝提取模块,提取出初始裂缝体系。
将所述初始裂缝体系与步骤S04中获得的所述滑坡体裂缝分布进行对比,以所述滑坡体裂缝分布为标准率定所述计算模型,并基于新调试的所述计算模型再次开展计算并进行对比,直至计算结果与所述滑坡体裂缝分布基本吻合后可以结束此步骤。率定所述计算模型时,调试的方向可以为模型的物性参数、增加模型的结构面、重点区域网格剖分的加密、调整边界条件等。
优选地,由于计算模型率定时人工工作量较为繁杂,可以考虑采用机器学习程序化自动执行。
调整优化后的所述计算模型以及最终采用的有限元计算平台构成所述有限元模块。
利用调整优化后的所述计算模型生成原始裂缝体系。
步骤S07、在所述有限元模型中输入预期工况,获得有限元计算结果云图,并利用所述裂缝提取模块获得所述预期工况下的裂缝体系。
对所述目标滑坡体进行分析,从未来数据及可能产生的破坏类型角度出发,分析预想的、近期大概率发生的推演设定的各类工况,及这些工况下的边界条件,形成预期工况。所述各类工况包括,例如,不同持续时间及不同强度降雨、人工堆载、以某速率下降的库水位变化等可能发生的各类情况。
将所述预期工况输入到所述有限元模块中并开展计算,形成包括位移云图、应力云图及应变云图的计算结果,并将上述计算结果输入到所述裂缝提取模块中,生成该预期工况下的裂缝体系。
步骤S08、依据所述滑坡区域的有限元地质模型、所述预期工况下的裂缝体系,并利用所述实景显示模块,进行基于物理计算结果的数字孪生实景显示。
将步骤S05中生成的所述滑坡区域的有限元地质模型输入到步骤S03中构建的所述实景显示模块中。将步骤S06中获得的所述原始裂缝体系输入到所述实景显示模块中,实景显示模块结合输入的裂缝体系,调用S01中构建的所述族库,进行标准化显示,生成实景显示1;将步骤S07中获得的所述预期工况下的裂缝体系输入到所述实景显示模块中,相同原理可生成实景显示2。
将上述两个实景显示推送给用户端,完成显示任务。
为了更加清楚地表达本发明的方法和步骤,以下述实施例为例,详细阐述本发明所述方法。
实施例
西南地区存在某超大型滑坡A,经过初步评估在某预期工况的情况下可能再次滑动而引发危险,决策部门需要对突发情况下滑坡发展态势进行预判,以做到提前谋划。经过项目经济性价比分析,决定采用本发明所述方法建立滑坡的数字孪生体,利用仿真手段推演滑坡的变形,以仿真计算结果为依据,开展计算后结果的实景显示,以便呈现决策团队参考。
步骤S01~步骤S03按照上述步骤进行,在此不再赘述。
步骤S04、获取目标滑坡体的物理信息及物性参数、滑坡体裂缝分布,并获得诱发所述目标滑坡体滑动时对应的有限元边界条件。
采用现场踏勘调查的方式确立A滑坡的基本情况为:典型水库型滑坡,位于水库沿岸,典型的牵引型滑坡,由于库水位的骤降,导致岸坡前缘部分的坡地滑动,形成初步的临空面,临空面给古滑坡创造了有利牵引条件,导致古滑坡向岸坡方向滑动。
收集物探成果资料1份,物探资料显示该滑坡体的厚度在7-16m之间,后缘较薄,中部鼓起覆盖较厚,下部覆盖适中。
收集钻探成果资料1份(5个钻孔),钻孔资料显示滑坡A地层主要由三部分构成:表层为粉质粘土及坡积物;其下为昔格达组的泥岩,遇到水软化,为滑带土;底部为石英闪长岩。
利用无人机完成现场测绘,形成现场数字高程模型(Digital Elevation Model,DEM)数据1份。
现场实地调查表明该滑坡体后方发现了两组裂缝,前方发现三组裂缝,标出滑坡A的主滑方向,滑坡A的边界;发现滑坡A西侧存在强变形区,强变形区的后侧出现张拉裂缝,滑坡A的两侧局部地区出现羽状剪张裂缝。
结合计算力学及工程地质学的相关经验,确定滑坡初始计算边界条件。
步骤S05、依据步骤S04获得的所述目标滑坡体的物理信息及物性参数,建立形成滑坡区域的有限元地质模型,筛选计算参数并建立计算模型。
本实施例采用的是油气领域的GOCAD地质建模软件。其中,利用所给的5个钻孔分层数据插值形成各个地层岩性分界面,依据地层分界面生成实体模型。通过勘察资料获取滑坡体土工试验中天然自重物性参数,如粘聚力c,抗剪强度τ,内摩擦角Φ,容重r等,如下表所示。
表 实施例一中滑坡体物性参数
步骤S06、利用初始计算结果及所述滑坡体裂缝分布调整优化所述计算模型,并依据调整优化后的所述计算模型生成原始裂缝体系。
经过分析,滑坡A所在的岸坡前存在较高的库水位,起初库水位对岸坡具有反压作用,岸坡整体稳定,在步骤S05中建立的所述计算模型的前缘施加一个垂直水压力。经计算,从位移云图来看,岸坡前缘未发生滑动,说明步骤S05的所述计算模型符合这步工况。
步骤S04的调查结果表明,在库水位骤降时,A滑坡所在的岸坡前缘出现临空状态,前缘的局部区域在较好的临空条件下产生滑动并伴随有张拉裂缝,中部伴随有鼓胀。所以,在滑坡模型前缘撤销水压力荷载,施加重力,同时,对水位下降后土体的容重进行调整,开展计算。发现首次计算结果是并未产生前方变形张拉的效果。依据计算结果调整所述计算模型。根据经验分析,变形区出现的主要原因是该区域土体强度低下,在荷载条件下应力集中而发生较大的变形。因此在所述计算模型的局部区域后方增加直接添加一个结构面。经过几轮调试得到较为理想的计算结果。
将上述计算结果与步骤S04中标定的裂缝进行对比,发现计算结果中分别存在后缘两处裂缝JBL1和JBL2以及前缘3处裂缝JFL1、JFL2、JFL3,该现象和实地的调查发现的裂缝体系相吻合。最终生成裂缝分布简图及每个对象(裂缝及变形要素)的列表,形成原始裂缝体系,如图3所示。图中,1——滑坡边界;2——滑坡体;3-1——裂缝SBL1;3-2——裂缝SBL2;4-1——裂缝SFL1;4-2——裂缝SFL2;4-3——裂缝SFL3;5——变形区;6——侧翼剪张裂缝;7——后缘张拉裂缝;8——***带;9——主滑方向。
步骤S07、在所述有限元模型中输入预期工况,获得有限元计算结果云图,并利用所述裂缝提取模块获得所述预期工况下的裂缝体系。
对滑坡体A进行分析,从未来数据及可能产生的破坏类型角度出发,分析预想的、近期大概率发生的推演设定的各类工况。
确立预期工况为:处于9至10月的非蓄水期,发生持续降雨800mm,降雨从后方的裂缝入渗,造成上部昔格达组地层的抗剪强度显著降低;与此同时,底部的水库由于处于非蓄水期,下部的临空面没有水压力反压作用,给滑坡体滑动创造了良好的临空条件。原有的裂缝体系可能产生显著变化,也有可能形成新的裂缝体系。
将上述预期工况输入到有限元模块中并开展计算,形成包括位移云图、应力云图及应变云图的计算结果,并将这个计算结果输入到裂缝提取模块中,经过该模块的作用,形成该预期工况下的裂缝体系,如图4所示。图中,1——滑坡边界;2——滑坡体;3-1——裂缝SBL1;3-2——裂缝SBL2;4-1——裂缝SFL1;4-2——裂缝SFL2;4-3——裂缝SFL3;4-4——裂缝SFL4(新增);5——变形区;6——侧翼剪张裂缝;7——后缘张拉裂缝;8——***带;9——主滑方向。
步骤S08、依据所述滑坡区域的有限元地质模型、所述预期工况下的裂缝体系,并利用所述实景显示模块,进行基于物理计算结果的数字孪生实景显示。
参见图3及图4,经过分析可知,在预期工况输入以后,滑坡A裂缝体系的变化为后缘的裂缝JBL1与JBL2发生了拓展,其中裂缝JBL2拓展后与变形区的后缘张拉裂缝连通,前缘的裂缝SFL1变化不明显,SFL2与SFL3均发生拓展后连通,在新的工况下前缘产生了新的裂缝SFL4,中部***带进一步***。
将上述裂缝体系输入到实景显示模块。将原始裂缝体系的裂缝体系输入到实景显示模块中,生成实景显示1。将预期工况的裂缝体系输入到实景显示模块中,生成实景显示2。将上述两个实景显示推送给用户端。本次用户终端为市政灾害应急中心显示大屏。完成显示任务。
对于本领域技术人员而言,显然本发明并不限于上述示范性实施例的细节,而且在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一方面来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述实施例的说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (8)
1.一种基于物理计算结果的地质灾害数字孪生实景显示方法,具体包括以下步骤:
获取目标滑坡体的物理信息及物性参数、目标滑坡体裂缝分布;
依据所述目标滑坡体的所述物理信息及物性参数,建立滑坡地质模型;筛选计算参数并建立计算模型;
在所述计算模型中输入特定工况,获得有限元计算结果云图,并利用裂缝提取模块获得所述特定工况下的裂缝体系;
其中,所述裂缝提取模块用于根据用户输入的有限元计算结果云图,提取所述滑坡内部的裂缝空间分布及裂缝的属性参数,形成裂缝体系;
依据所述目标滑坡体的所述滑坡地质模型、所述特定工况下的裂缝体系,并利用实景显示模块,进行基于物理计算结果的数字孪生实景显示;
其中,所述实景展示模块用于依据输入的所述滑坡地质模型生成实景滑坡模型,并依据输入的所述特定工况下的裂缝体系,调用滑坡变形特征族库,在所述实景滑坡模型上开展布尔运算,生成滑坡变形实景模型。
2.根据权利要求1所述的方法,其特征在于,
所述滑坡变形特征族库依据滑坡类别及滑坡的变形特征构建。
3.根据权利要求1所述的方法,其特征在于,
针对目标滑坡体,依据所述目标滑坡体的物理信息及物性参数,获得诱发所述目标滑坡体滑动时对应的有限元边界条件。
4.根据权利要求1所述的方法,其特征在于,
所述特定工况为针对所述目标滑坡体的预期工况。
5.根据权利要求1所述的方法,其特征在于,
所述特定工况为根据滑坡机理分析获得的诱发所述目标滑坡体滑坡的工况。
6.根据权利要求1所述的方法,其特征在于,
所述计算模型的优化步骤如下:根据滑坡机理分析获得诱发所述目标滑坡体滑坡的工况,利用所述计算模型展开初始计算并获得初始计算结果,将所述初始计算结果输入到所述裂缝提取模块,提取出初始裂缝体系,通过比较所述初始裂缝体系及获取得到的所述目标滑坡体的滑坡体裂缝分布,调整优化所述计算模型。
7.根据权利要求1所述的方法,其特征在于,
利用滑坡物理模型的室内物理试验结果及有限元计算结果训练基于机器学习的裂缝识别模型,构建裂缝提取模块。
8.根据权利要求1或7所述的方法,其特征在于,
所述裂缝提取模块的构建主要包括以下步骤:
通过室内物理试验对滑坡物理模型施加各种工况及约束,观察记录所述滑坡物理模型的变形裂缝分布,并利用CT扫描形成所述滑坡的内部影像,标定记录所述内部影像中的裂缝位置、裂缝类别、以及裂缝大小信息;
建立与所述室内物理试验同比例尺的有限元滑坡模型,在所述有限元滑坡模型上施加与所述室内物理试验相对应的各种工况及约束,进行有限元计算,生成有限元计算结果,形成有限元计算结果云图;
建立基于机器学习的裂缝识别模型,利用所述室内物理试验结果及有限元计算结果训练所述裂缝识别模型,获得裂缝提取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311635115.3A CN117332664B (zh) | 2023-12-01 | 2023-12-01 | 基于物理计算结果的地质灾害数字孪生实景显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311635115.3A CN117332664B (zh) | 2023-12-01 | 2023-12-01 | 基于物理计算结果的地质灾害数字孪生实景显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332664A true CN117332664A (zh) | 2024-01-02 |
CN117332664B CN117332664B (zh) | 2024-02-09 |
Family
ID=89279701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311635115.3A Active CN117332664B (zh) | 2023-12-01 | 2023-12-01 | 基于物理计算结果的地质灾害数字孪生实景显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332664B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111473779A (zh) * | 2020-03-17 | 2020-07-31 | 北京工业大学 | 一种滑坡-隧道体系变形的识别和联动监测的方法 |
KR20210115245A (ko) * | 2020-03-12 | 2021-09-27 | 이용 | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 |
CN113868904A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云自动化生成既有结构有限元模型的方法 |
CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测***及方法 |
CN115130356A (zh) * | 2022-09-01 | 2022-09-30 | 北京云庐科技有限公司 | 一种基于数字孪生技术的崩塌监测***与方法 |
CN115830805A (zh) * | 2022-10-24 | 2023-03-21 | 武汉大学 | 基于数字孪生的公路边坡监测预警***及设备 |
KR102550707B1 (ko) * | 2022-10-12 | 2023-06-30 | 부경대학교 산학협력단 | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 |
-
2023
- 2023-12-01 CN CN202311635115.3A patent/CN117332664B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210115245A (ko) * | 2020-03-12 | 2021-09-27 | 이용 | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 |
CN111473779A (zh) * | 2020-03-17 | 2020-07-31 | 北京工业大学 | 一种滑坡-隧道体系变形的识别和联动监测的方法 |
CN113868904A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云自动化生成既有结构有限元模型的方法 |
CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测***及方法 |
CN115130356A (zh) * | 2022-09-01 | 2022-09-30 | 北京云庐科技有限公司 | 一种基于数字孪生技术的崩塌监测***与方法 |
KR102550707B1 (ko) * | 2022-10-12 | 2023-06-30 | 부경대학교 산학협력단 | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 |
CN115830805A (zh) * | 2022-10-24 | 2023-03-21 | 武汉大学 | 基于数字孪生的公路边坡监测预警***及设备 |
Non-Patent Citations (1)
Title |
---|
朱樟柳: "攀枝花中坝乡回蚌滑坡稳定性评价", 中国优秀硕士学位论文全文数据库 基础科学辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332664B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190325642A1 (en) | Computer platform for pooling and viewing digital data | |
Vukomanovic et al. | Not seeing the forest for the trees: Modeling exurban viewscapes with LiDAR | |
CN111339691A (zh) | 一种基于voxler软件的智慧岩土工程参数三维分析与评价***及方法 | |
CN108153985B (zh) | 一种轨道交通岩土工程三维智能信息*** | |
KR20160061445A (ko) | 기하학적 증폭계수를 고려한 지진시 산사태 재해도 도출방법 및 도출시스템 | |
CN112925865B (zh) | 矿区地表移动变形3D WebGIS预计分析方法及*** | |
Chen et al. | Application of group decision-making AHP of confidence index and cloud model for rock slope stability evaluation | |
Wu et al. | A BIM-based monitoring system for urban deep excavation projects | |
CN106709987B (zh) | 一种三维地质剖面模型动态构建方法 | |
CN116486025A (zh) | 一种基于大数据云计算技术的城市地质数据处理平台 | |
CN107423455A (zh) | 一种公路自动建模方法及*** | |
CN113052967A (zh) | 一种基于数字三维可视化的地质勘察成果表达方法 | |
Donati et al. | Using pre-failure and post-failure remote sensing data to constrain the three-dimensional numerical model of a large rock slope failure | |
WO2024103695A1 (zh) | 一种基于三维gis的岩土工程bim应用*** | |
CN106453468B (zh) | 一种基于gis技术的煤矿突水预警方法 | |
CN102881045A (zh) | 块体理论赤平投影的三维可视化方法 | |
Sengani et al. | Advanced analysis of road-slope stability in a brittle and faulted rockmass terrain by several techniques | |
CN105184862B (zh) | 一种三维地层模型动态构建方法 | |
CN117332664B (zh) | 基于物理计算结果的地质灾害数字孪生实景显示方法 | |
CN117932721A (zh) | 基于三维场模型的煤矿安全预测模型的构建与应用 | |
Baojun et al. | A simple approach to 3D geological modelling and visualization | |
Piacentini et al. | Rockfall runout, mount cimone area, Emilia-Romagna region, Italy | |
Wahono | Applications of statistical and heuristic methods for landslide susceptibility assessments: A case study in Wadas Lintang Sub District, Wonosobo Regency, Central Java Province, Indonesia | |
Song et al. | Intelligent early-warming platform for open-pit mining: Current status and prospects | |
Juckette et al. | Using Virtual Reality and Photogrammetry to Enrich 3D Object Identity |
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 |