基于GIS+BIM+IoT数字孪生的堤防工程安全管理平台研究

饶小康，马 瑞，张 力，徐志敏

（1.长江勘测规划设计研究有限责任公司，武汉 430010；2.长江空间信息技术工程有限公司（武汉），武汉 430010；3.湖北省水利信息感知与大数据工程技术研究中心，武汉 430010）

0 引 言

我国堤防工程线路长、险情复杂、溃堤致灾影响重大、险情演化与致溃机理复杂多变，其安全影响因素众多，既有内因和外因，又有自然因素和人为因素。堤防工程风险识别和安全预警的研究，将对堤防工程的稳定与安全显得极为重要。

BIM（建筑信息模型）是项目从设计、施工到运行、管理乃至拆除、全生命周期内的信息模型，同时也是一个大的数据库，包含项目所有的物理和功能信息，实现各学科相互协调、协同作业［1］。

GIS（地理信息系统）是对空间地理信息进行采集、存储、转换、分析、描述、管理等操作的技术系统，因其强大的数据管理、空间定位、空间分析、多元表达能力被广泛应用于城市规划、环境监测等领域［2］。

IoT（物联网）通过传感器、RFID（射频识别技术）等各种装置与技术，实时采集实体或过程的各类信息，建立人物、物物的泛在连接，实现实体和过程的智能识别、感知、和管理的技术［3］。

数字孪生（Digital Twin，DT），亦被称作数字镜像，指充分利用现实数据和实体模型、集成多学科、多专业知识在数字空间内完成“孪生镜像”、反映现实物理世界运行过程的数字映射系统。相比以往数据库管理或二维平面管理模式中存在信息缺失、精度不够、反馈滞后、表达单一等问题，数字孪生充分利用实时数据、历史数据、孪生数据以及实体模型，集成多维模拟过程，在数字空间内针对物理空间场景中的人、机、物、工况、环境等要素进行全生命周期的描述与建模，构建融合交互、高效协同的数字孪生体，最终实现物理空间资源配置和运行的按需响应、快速迭代和动态优化［4，5］。

本文借助GIS、BIM、IoT、人工智能等新兴技术，利用数字孪生技术在信息空间中对堤防工程、外部工况、环境等实体进行忠实复刻，构建相应的堤防工程安全管理数字孪生平台。通过数字孪生体与物理实体在位置、几何、行为、规则等方面精确的映射关系，并结合实时数据、历史数据、孪生数据和基于深度学习的险情识别模型，以堤防工程管涌险情为例，针对险情识别和安全预警进行实时、交互的参数模拟、模型计算、仿真推演、预测预警、优化决策，为堤防工程安全管理的仿真、评估、优化、预报和决策提供有力的数据和模型支撑。

1 GIS+BIM+IoT数字孪生融合与集成

1.1 GIS+BIM+IoT数据融合与集成

BIM 是动态管理建筑物本身全生命周期信息的技术，具有完整的内部信息，但缺少定位、轨迹等空间位置信息，无法进行大范围的建筑群空间信息管理；GIS是处理空间信息、进行相关空间地理分析的技术，但仅停留在获取建筑物的空间位置信息，无法进一步获取建筑物内部属性信息。将微观领域的BIM信息与宏观领域的GIS 信息进行融合与交换，使GIS 从室外走进室内、从地面走进地下、从宏观走进微观，可在多个领域得到深层次的应用。同时，IoT 数据本身无法与建筑物实体的空间位置信息和几何信息产生关联，需利用GIS 建立宏观的地理环境信息，利用BIM 建立微观的建筑模型信息，进行三者有机融合，构建数字孪生全要素信息，如图1 所示。与GIS、BIM、IoT 单独应用相比，三者的集成与融合在建模质量、仿真精度、决策效率、渲染表达等方面都有着明显的优势［6，7］。

图1 GIS+BIM+IoT数据融合与集成Fig.1 GIS+BIM+IoT data fusion and integration

平台针对大规模空间地理数据、BIM 模型数据以及物联网数据，研究GIS数据和BIM 数据之间几何差异和语义信息差异，分析了二者数据结构（IFC、cityGML 等）之间的差异，通过几何数据、坐标系统、属性信息等的转换实现BIM 模型与3D GIS 模型的转换融合，最终实现GIS、BIM、IoT的集成与融合。

利用自主研发的三维GIS 平台，支持AUTODESK 、BENTLEY、CATIA 等BIM 主流数据的无损接入，超百万级部件的BIM 模型实时加载，通过实例化技术、LOD（多细节层次）技术、轻量化处理技术以及三维缓存技术等，对BIM 性能进行优化，解决BIM 精细化模型在大场景展示时资源浪费、加载卡顿等问题；同时利用WebGL 技术，通过对计算机底层GPU 的调用实现三维场景的可视化渲染，建立BIM 模型与3DGIS 服务集成方法，结合Web 及移动端技术，实现跨平台、跨终端的三维场景分析及管理服务。

1.2 数字孪生机制

堤防工程安全管理数字孪生集成先进的物联感知、大数据、云计算、无线通信和自动控制技术，通过在信息空间内对物理实体从位置、几何、行为、规则等方面进行多维度描述与建模，建立物理空间与信息空间的动态链接和实时交互，实现基于数据流动的状态感知、实时分析、科学决策、精准执行的闭环过程，其运行机制如图2所示。

图2 数字孪生运行机制Fig.2 Digital twin operating mechanism

堤防工程安全管理数字孪生平台基于物联网采集的水雨工情、地质等信息，结合汛期水文预报与防洪调度等专业模型，在三维地理空间内与实体BIM 模型建立空间交互融合关系，对各类工况、环境、参数条件下堤防安全进行模拟仿真，生成相应险情识别方案及安全预警成果，并及时进行会商发布提供决策支持。基于孪生系统的全面感知、信息交互、深度分析和科学决策，可提升整个工程的组织和决策能力，实现整体资源优化配置、各功能模块统一调度，提高孪生平台协作效率。

1.3 数字孪生可视化表达

空间地理数据、BIM 模型数据和物联网感知数据是堤防工程安全管理数字孪生的数字底板，是物理空间堤防各类信息在信息空间中的孪生重建。如何在信息空间中对堤防险情复杂的环境、工况和演进进行全方位、多视角、深层次的可视化表达是数字孪生研究的关键内容。

平台针对海量时空数据、BIM 模型、物联网监测数据，研究了多种可视化表达方法。其中包括①三维复杂模型自动简化，提高三维场景的存储优化和加载效率；②全空间三维信息可视化，保证模型在不同场景下无缝衔接；③场景自适应可视化，满足不同用户视角场景下模型加载效率；④物理环境仿真可视化，实现信息空间真实环境高逼真渲染。

基于自主研发的三维GIS 平台进行数字孪生可视化表达，无缝集成海量时空数据、BIM 模型数据和物联网数据，建立宏观、中观、微观一体化管理、大规模三维场景集成调度、全空间多尺度表达方法，实现信息空间数字孪生重建，如图3所示［8］。

图3 数字孪生可视化方法Fig.3 Visualization method of digital twin

2 堤防风险识别深度学习模型建立

堤防工程各类险情和溃决一般均由管涌、崩岸或滑坡、接触冲刷及漫溢等引起，如1998年长江大洪水导致的较大险情中，管涌占51.2%；2013年黑龙江大洪水期间干堤险情中管涌占92.4%。这些险情的发生、发展以及导致的溃堤与河势、堤防结构型态、土层结构及其物理力学特性、水力条件等密切相关，其致溃机理各不相同，且复杂多变，是一个多元非线性的复杂问题，本文以常见的管涌险情为例，建立深度学习模型进行堤防风险识别研究。

2.1 深度学习模型介绍

深度信念神经网络（DBN）作为一种新型的深度学习方法，可模拟人脑的学习过程，通过低层结构向高层结构扩展，并对低层特征进行分析和学习以获得更强的高层特征或属性，具有较强的抽象和表达能力，在高质量本质特征提取、分类和回归领域具有更好的精度和效率。

DBN由若干个RBM（受限玻尔兹曼机）组成元件串联而成，由低到高逐层训练。针对上一个RBM进行充分训练，得出上一个RBM 的隐层，并作为下一个RBM 的显层，即上一个RBM 的输出作为下一个RBM的输入，直至最后一层。深度信念网络的训练过程可以分为预训练和微调两个步骤，先通过单独预训练每一层RBM 网络获取模型初始化参数最优值，再通过BP 神经网络等传统方法对参数进行微调，其核心过程主要包括：①网络权值预训练。②利用权值微调［9］。当前，DBN 模型鲜有应用于堤防险情识别之上，本文将采用DBN方法对其进行研究。

2.2 堤防风险识别深度学习模型建立

堤防工程险情之一的管涌通常发生于背水坡脚附近或者较远的坑塘附近，多呈现冒水冒砂现象，随着水位上涨及时间变化，亦会出现大量的涌水翻砂，严重时会导致堤坝地基土壤破坏、孔道扩大，造成溃决、垮坝等严重后果。管涌现象的产生与地层组成成分、结构、水力梯度、发生距离、深度、黏土层内摩擦角、覆盖层厚度、黏滞系数、土的饱和度、浸泡时间等因素有关，是一个多元且复杂的问题。本文通过特征选择方法和实际工程经验，最终选取水位高度差、弱透水层覆盖层厚度、有效凝聚力、有效内摩擦角、土体压缩系数、弱透水覆盖层渗透系数、土体孔隙比、允许比降共8 个特征作为影响堤防管涌发生的主要因子构建DBN 模型，同时构建BP 神经网络、SVM 模型，实现险情识别模型的对比验证，如图4所示。

采用Spark 机器学习组件建立的DBN 预测管涌模型，模型由三层RBM 和一个BP 网络组成，第一层RBM 显层为8 个影响因子的输入，由于这些因子之间量纲等不同，为了使模型收敛迅速，此模型将数据归一化在［0，1］之间，如公式（1）所示［10］。

式中：x′表示归一化后的特征值；max(x)和min(x)分别是特征的最大值和最小值；x表示特征值。

为高效获取特征，设置模型中间为三层隐含层，神经元个数分别是230、260、235，是否发生管涌为输出层，其中“0”为不发生，“1”为发生。模型迭代次数设置为200，权值学习率、可视节点偏置学习率和隐含节点偏置学习率都为0.01。

3 GIS+BIM+IoT 数字孪生的堤防工程安全管理平台总体设计实现

3.1 平台总体架构

平台基于B∕S 结构进行总体架构设计，包含物理层、数据层、业务逻辑层、数字孪生体和用户交互层五部分，通过相关标准规范体系和安全保障体系实现平台的规范、安全和高效运行，总体架构图如图5所示。

图5 平台总体架构Fig.5 Overall platform architecture

3.2 平台总体设计与实现

GIS+BIM+IoT 数字孪生的堤防工程安全管理平台基于GIS、BIM、IoT 结合的数字孪生技术，解决了当前堤防工程数据库管理或二维平面管理模式中存在的信息缺失、精度不够、反馈滞后、表达单一等问题，对物理实体在位置、几何、行为、规则等方面进行全要素重建，实现外部环境下的仿真、决策、优化、调整、可视等应用［11］。平台主要包括物理层、数据层、业务逻辑层、数字孪生体、用户交互层5个层级。

（1）物理层。物理层是整个数字孪生体系的基础支撑，包含各类感知设备和实体模型，负责信息高效采集与安全传输。感知设备包括水位、流量、降雨、流速、渗流渗压、应力应变、水文气象、地下水、物探传感器、RFID、摄像头等各类终端；物理实体包括研究堤防工程安全管理体系所涉及的堤防、河流、湖泊、地形、水库、水文站、雨量站、水位站、泵站、闸门、险工段、地质体等实体对象；二者共同支撑在信息空间中各类实体、环境、信息等全要素、全生命周期的描述和建模。

（2）数据层。数据层主要实现数据交换、融合、存储、处理、共享等功能，同时集成大数据、云计算、虚拟化等技术，为整个孪生平台提供基础数据支撑。包括物理世界相关实体的GIS、BIM、IoT 等镜像模型数据、实时数据、历史数据和孪生数据，具备大吞吐量和高可用性等处理性能。

（3）业务逻辑层。业务逻辑层借助GIS、BIM、IoT 数据融合与集成、人工智能、仿真模拟、决策控制、数字孪生可视化，通过孪生体与物理实体在位置、几何、行为、规则等方面精确的映射关系，构建信息空间中各类实体、环境、参数的模拟仿真和决策支持模型，实现堤防工程在不同工况、环境下的险情识别、安全评估和预报预警。

（4）数字孪生体。数字孪生体与物理实体对象一一对应，包括在各类工况下与堤防工程安全管理平台互为镜像的三维一张图、KPI 综合展示、综合查询、险情识别、安全预警，实现虚实之间的信息实时互动、孪生体更新、安全仿真决策。

（5）用户交互层。用户交互层以Web 门户终端、移动端、VR∕AR∕MR端等多端形式提供业务管理和交互界面。

GIS+BIM+IoT 数字孪生的堤防工程安全管理平台基于自主研发的三维GIS 平台框架，集成空间地理数据（影像、地形、矢量、专题数据、三维实景模型等）、BIM 模型数据、物联网监测数据，采用先进、主流的前后端分离的开发模式进行总体构建。前端选用Angular 平台框架进行用户交互展现、后台选用Java WEB 体系架构进行业务逻辑开发、数据库则采用PostgreSQL、MongoDB实现空间数据、BIM数据和属性数据的存储与管理，以此构建堤防工程安全管理数字孪生平台，并基于HTTP 协议的REST Web 服务架构实现各类专业模型的数据交换和模型集成。总体实现方式确保整个数字孪生平台具备扩展性、兼容性和先进性。

由于堤防工程堤线长、分布广，且多为不同历史时期的产物，所在区域自然地理条件、社会经济状况等存在明显差异，其险情种类繁多、致灾机理复杂，故堤防工程安全管理是一个复杂的系统工程。《堤防工程设计规范》（GB5028-2013）规定：“堤防安全评价应包括现状调查分析、现场检测和复核计算工作”，具体包括“复核堤顶高度、堤坡的抗滑稳定、堤身堤基渗透稳定、堤岸的稳定及穿堤建筑物安全等”的复核［12，13］。本文结合《堤防工程安全评价导则》（SLZ 679-2015）等指导意见，针对工程建设与管理运行的特点，将堤防工程安全管理主要指标划分为工程质量、运行管理、防洪安全、渗流安全和结构安全等五大类进行安全管理评价，如图6所示。

图6 堤防工程安全管理主要指标Fig.6 Main indicators of dike project safety management

堤防工程安全管理需整合工程设计、施工、管理以及与安全评价相关的社会经济、水文、气象、地形、地质等资料，并建立相应安全评价体系、评价指标、评价方法和预警机制，对堤防工程安全进行综合评价［14］。基于GIS+BIM+IoT 数字孪生的堤防工程安全管理平台集成了堤防工程相关的实时数据、历史数据、孪生数据以及险情识别和风险预警模型，可实现堤防工程险情识别和安全预警在外部环境下的仿真、决策、优化、调整和可视，为堤防工程安全管理提供数据基础和决策支持。

4 基于数字孪生的堤防工程安全管理平台应用实践

基于数字孪生的堤防工程安全管理平台实现了长江流域典型堤段的空间地理数据、BIM模型数据、三维实景模型数据以及实时水雨工情、险情、地质、渗流等物联网数据的融合，集成了堤防工程险情识别和安全预警等模型，通过在信息空间里建立与物理世界互为映射关系的数字孪生体，构建了多尺度、多层级的堤防工程安全管理监测、诊断、分析、决策和预测平台。平台主要包括系统登录、KPI展示、三维一张图、信息查询、险情识别、安全预警、系统管理等子模块。部分功能页面如图7～10所示。

图7 平台主体界面Fig.7 The main interface of the platform

图8 长江流域主要水系KPI信息Fig.8 Main water systems KPI information in the Yangtze River Basin

选取水位高度差、覆盖层厚度、有效凝聚力、有效内摩擦角、土体压缩系数、渗透系数、土体孔隙比、允许比降等8个相对重要的堤坝管涌影响因子，构建堤防工程险情识别DBN 深度学习模型，对堤防险情之一的管涌险情进行分类识别。同时，为了验证模型预测精度，选取BP 神经网络和SVM 模型进行对比验证，将三者计算输出结果进行可视化对比分析。

图9 三维实景模型集成Fig.9 3D real scene model integration

图10 长江流域堤防险工段空间位置信息Fig.10 Spatial location information of the dangerous section of the dike in the Yangtze River Basin

通过点击三维场景内典型堤防断面实体，输入险情识别模型参数，调用险情识别预测模型进行在线计算（如图11、12），待计算完成，输出如图13、14的模型计算结果和评价指标，并生成相应安全预警信息。计算结果表明：三类模型决定系数（R2）分别为0.912、0.759、0.897，DBN模型预测精度优于其他两类模型。

图11 长江流域堤防典型断面空间分布Fig.11 Spatial distribution of sections in typical sections of levees in the Yangtze River Basin

图12 堤防风险识别深度学习模型参数输入Fig.12 Dike risk identification deep learning model parameter input

图13 堤防风险识别深度学习模型计算结果Fig.13 Calculation results of the deep learning model of dike risk identification

图14 堤防风险识别深度学习模型方案评价Fig.14 Evaluation of deep learning model for dike risk identification

结果表明：相对于传统的BP 神经网络以及SVM 模型，DBN深度学习模型具有较高精度，且计算速度较快，具有避免陷入局部最优解等优点，可为堤防工程险情识别与安全管理提供决策参考。

5 结 语

本文借助GIS、BIM、IoT、人工智能等技术，利用数字孪生在信息空间中对堤防工程、外部工况、实体环境等进行描述建模，实现物理空间与信息空间的动态链接和实时交互，建立相应的堤防工程安全管理数字孪生体。相比传统堤防工程数据库管理或二维平面管理模式中存在的信息缺失、精度不够、反馈滞后、表达单一等问题，基于数字孪生的堤防工程安全管理平台可针对物理实体在位置、几何、行为、规则等方面的全要素重建，结合实时数据、历史数据、孪生数据和基于深度学习的险情识别模型，并根据险情实际发生状况和防洪形势等内外环境的变化，构建堤防工程物理世界与信息世界的交互融合的孪生系统，实现堤防工程险情识别和安全预警在外部环境下的仿真、决策、优化、调整和可视，提供能够应对外部复杂环境变化的有效决策，完善堤防险情演化机制和变化形势的识别、预警体系，最终达到堤防工程以虚控实的安全管理目的。

数字孪生实现了工业制造、建筑、水利方面的虚实交互、共同演化，在一些领域处于探索阶段，普及程度尚有欠缺，借助当下5G、区块链等新兴技术在数据采集和处理方面的优势，可进一步增强实体间各要素之间的联系，促进各要素之间的融合，最终构建更为完善、强大的数字孪生体，诸如智慧城市、智慧工地、智慧流域、智慧管廊等基于数字孪生的应用场景也将大有可为。 □