基于数字孪生技术的长江崩岸预警平台设计

原松　沈健

摘要：受三峡水库运行影响，长江中下游河床冲刷加剧。为提高长江崩岸监测预警水平，建立了基于数字孪生技术的长江崩岸预警平台，并以长江中游荆江崩岸预警系统为例进行实例分析。提出了三级尺度的数字孪生崩岸数据模型与按时间顺序组织的数据切片模型方案，使崩岸各类数据通过构建统一的数据模型聚焦于崩岸物理实体，结合优化崩岸地形组织的算法与模型，驱动平台可视化、分析、预测等各功能高效实现，使静态的崩岸现象有变化过程的属性，提高了崩岸预测的信息化与智能化程度，有助于实现对长江崩岸险情的深度分析与预警抢险的高效决策。

关键词：崩岸预警； 数字孪生； 数据引擎； 长江中下游

中图法分类号：TV697.2+3

文献标志码：A

DOI：10.15974/j.cnki.slsdkb.2023.12.017

文章编号：1006-0081（2023）12-0101-06

0引言

长江中下游河道是长江崩岸发生的主要区域。三峡水库蓄水后，长江中下游干流河道来沙锐减，河道严重冲刷，增大了崩岸发生诱因。影响崩岸的因素较多，如水流动力条件、河床边界条件和人类干扰等，因其研究所需相关数据庞大、理论方法众多，导致研究过程复杂。崩岸预测是崩岸预警的主要手段，长期以来，众多学者致力于从崩岸形成的机理出发研究崩岸物理预测模型［1］与崩岸预警的综合评估方法［2-3］，通过人工手段干涉，基于崩岸形成的专业理论，利用模型对影响崩岸的要素进行分析预测与合理决策。随着机器学习技术的发展，数智化系统平台方式对崩岸的预测与预警提供了更丰富的技术支撑。

数字孪生是以数字化的形式在虚拟空间中构建与物理世界一致的模型镜像，实现对物理世界状态的感知评估、问题诊断以及未来趋势预测，从而对物理世界进行调控［4-5］。本文利用崩岸这一真实世界对象，建立崩岸数据底座，搭建崩岸预测算法服务，设计了基于数字孪生技术的长江崩岸预警平台。

1平台设计

基于数字孪生技术的长江崩岸预警平台融合了崩岸预警系统的静态数据与预测模型等资源与实时感知数据，以算据、算法、算力建设为支撑，以防御崩岸险情为目标，依靠强大的算力，实现“能实时算、能动态看”的长江河道与崩岸数字化服务场景。平台总体框架如图1所示，主要建设内容为：① 数据底板。以现有崩岸与河道地形数据和空间数据、诱发崩岸产生的各类实时感知数据、地层土质物探背景数据，影像文字资料数据等。将各类数据按不同尺度组织，构建数字孪生崩岸数据模型。由模型实例化后，形成崩岸实体数据底座，并由数据感知器负责数据底座的初始化与更新，为算法与模型计算提供数据支撑。② 算法模型平台。融合各类河道演变、断面变化算法、水沙与崩岸预测数学模型和机器学习模型搭建运算服务，数据服务接口在数据底座、运算服务间提供数据耦合，将数据转换为成果，为构建业务应用提供智力驱动平台。③ 业务应用与仿真平台，面向用户提供数字孪生崩岸模拟仿真场景的可视化载体与崩岸及相关要素的查询、分析、计算、预测等功能，实现崩岸随时间在外界条件变化的影响下全生命周期的同步仿真与迭代，在崩岸形成的临界条件下预警。

2数据底板构建

数据底座是支撑数字孪生崩岸系统的算据。按照系统业务的实际需求，数据底座建设应包括数据库、数据模型、数据引擎构建，数据库存储与崩岸业务相关信息数据；数据模型为数据库提供各类崩岸相关感知数据的更新服务与各类崩岸算法和模型的数据组织服务。

2.1数据分类与组织

基础信息数据按内容可划分为4类，包括河道地形、断面与基础地理信息数据，水文泥沙数据，地质背景数据，其他文字视频等非结构化资料数据。以崩岸频发的长江中下游流域为例，根据崩岸对象所在空间特点，按空间范围将不同特性的数据组织成全流域、区段与点3个尺度［6］（图2）。

（1） L1级流域宏观尺度数据，针对长江中下游流域。采用覆盖流域内每5 a一测次的1∶10 000长程河道地形、沿岸高分辨率卫星遥感影像、低精度地形数据（30 m的DEM地形数据）、多测次断面数据，由河道地形形成的全河道坡度抽稀数据，沿岸重点地区涉水工程、涉水建筑物、历史崩岸点等位置标识数据，为数字孪生数字化场景构建提供大尺度的统一空间数据基础。

（2） L2级重点区域中观尺度数据，针对河段、崩岸段、险工险岸段等。采用1∶2 000每年多测次河道地形，在L1级数据基础上，整合重点河段、重点险工段与崩岸段区域的岸边与水下三维河道模型与坡度图、该区域的水文泥沙数据、地质调查数据与地层信息数据。

（3） L3级崩岸点微观尺度数据，针对崩岸点。采用岸点处断面数据、1∶500地形或水陆地形三维一体化高精度点云数据［7］，从不同维度精细表达崩岸形态。在L2级数据基础上增加崩岸处钻孔数据信息、流场数据、远程实时监测的崩岸形变数据，基于 BIM技术，制作的崩岸影响范围内的涉水建筑物的三维模型，实现崩岸点的精细化数字化描述。

2.2数据模型构建与实例化

数据模型构建是将各类与河道、崩岸段、险工段、崩岸点等实体空间对象相关数据进行有机绑定的逻辑过程。以各尺度三维地形为核心载体，建立河道对象L1，L2，L3三级数据模型，以时间、测次信息为联系，将动态监测数据、静态基础数据与之绑定，所有数据均可视为归属于不同河道对象的数据成员。对于不同尺度模型，将不同来源的实体对象三维空间数据融合（如将1∶10 000长江中下游长程河道地形数据与沿岸30 m的DEM地形数据融合），形成完整的空间实体对象，绑定其范围内的所有水文、泥沙、流场、河床边界条件等动态数据，地层、物探、钻孔等静态数据，人类活动调查、相关文档及有关图片、视频录像等资料数据，形成对孪生体的抽象模型。再以时间为索引，以日为时间节点，通过数据抽取、插值、增益等方式制作河道空間对象日数据切片模型，形成崩岸全过程同步映射的数据基础。数据模型的实例化是将各崩岸点、险工段等对象按模型结构将物理存储数据通过索引关联的过程。例如，水文泥沙等数据以所属水文站编码、监测数据类型与数据时间为索引，河道地形数据以地形数据编号与施测时间为索引。系统中所有功能的实现均以各类模型对象实例为分析、计算、显示为操作对象。

3关键技术

3.1崩岸地形组织

崩岸地形是数字孪生崩岸预警数据底板的核心，在系统中以DEM形式频繁使用，如数字孪生崩岸的空间数据由各种不同精度地形数据构成，需对其进行接边融合；在远距离大范围显示地形数据时可由近及远不同程度抽稀数据，达到用户视觉感受与显示算力的平衡；在计算崩岸土方量、河道冲淤变化情况时需将不同测次河道DEM相减等。按传统行列划分的河道DEM分块方法不能保证存取与计算效率。为改善上述情况，本文提出了一种优化DEM分块的组织方法（图3），具体步骤如下。

步骤1：设定DEM分块大小。将原始矢量地形图划分为若干形状相等连续分布的矩形分块用于生成分块DEM，每个分块DEM由X方向网格数为a，Y方向网格个数为b，边长为E的正方形网格组成，每个DEM分块中均有网格数为Sum，即Sum=a×b。Sum大小应根据计算机性能决定，以4 000 000左右为宜。

步骤2：设定DEM网格宽度。组成DEM的网格边长E由原矢量图比例尺决定。根据比例尺大小可分别选择0.5，1，2，4，8 m等2倍间隔的网格边长，如1∶10 000地形设E=8，1∶2 000地形图设E=2，崩岸点云图设E=0.5等。

步骤3：生成DEM分块。设所有矢量数据的外包矩形X方向、Y方向长度为A，B，需将其分为若干个相同的矩形分块后分别生成DEM，且每个分块DEM均由X方向上a个、Y方向上b个网格组成。分块生成方法如下：① 第一个分块的起点。起点S（X_S，Y_S）可在原矢量地形图的外包矩形的任意一角附近，假设为左下角点M（X₀，Y₀），则M（X₀，Y₀）需满足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（」为向下取整符号）。② 生成分块。以起点S为分块矩形的一个顶点，先从Y正方向连续分配分块矩形，直至未能框选任何矢量数据为止，每个分块矩形在Y向长度为b×E，按此方法继续再沿X正方向连续使用以上分配方法，直至所有矢量数据均被分块矩形覆盖，每个分块矩形在X向的长度为a×E。在X，Y两方向分配至最后1个矩形分块，且不足1个标准分块时，则按剩余矢量范围的外包矩形作为分块矩形大小。③ 分块矩形的形状。在分块网格总数Sum变化不大的情况下，不断调整a，b值，计算所有分块面积和与原矢量地形图的外包矩形面积的比值r，即：

r=（∑ⁿ_i=0a_i×E×b_i×E）/（A×B）

当r取得最小值时，此时a，b取值为最佳方案。

以上方法使河道等条带型地形数据舍弃了DEM中大量无效数据，且同分辨率DEM的网格重合，不同分辨率DEM网格在边长较大的网格处重合，大量简化了不同分辨率下数据的接边融合、低精度DEM插值、高精度DEM抽稀、DEM相减等工作，降低了与崩岸地形相关的计算量工作。

3.2数据引擎

数据引擎提供数据汇集、处理、更新、河道對象建模与实例化等功能，为算法与模型提供数据服务。实时动态监测数据一般由实时雨水情接收系统提供，通过接口实时获取数据源。水文泥沙整编数据按照SL 324-2005《基础水文数据库表结构及标识符标准》组织重构处理后入库。各类河道地形数据先根据不同精度统一转换为不同网格大小的Grid型DEM，再按上述崩岸地形组织方法入库。同时生成经过抽稀精度较低的DEM，用于大范围显示时加载；生成相应的坡度图用于崩岸预测分析。

为保证数据时效性，在新增崩岸或其他河道对象实例后，数据引擎按数据模型构建规则同时自动装配绑定相关动态与静态数据，形成新的孪生体对象实例，为每个崩岸对象绑定相关数据源索引。在更新的数据后，数据引擎为各相关孪生体对象实例绑定新增数据源的索引，为数字孪生崩岸赋予生命活力。

3.3模型算法平台构建

3.3.1算法服务平台结构

崩岸分析预测等专业应用是由算法服务平台提供的各类分析计算服务完成。例如，查看崩岸处任意断面功能，根据用户给出的断面位置在崩岸点三维实体对象上进行切割，将结果以图表形式输出。输入断面位置、断面切割三维实体、图表绘制这3个步骤的业务逻辑，其中断面切割崩岸地形包含直线切割DEM的GIS算法作为该功能中的核心算法。在更复杂的应用下，算法表现为各种计算预测模型，如在预测某崩岸段的崩塌可能性时需提供崩岸预测模型，根据崩岸段数字孪生对象的空间数据与相关描述作为输入，通过模型的计算，得到该段崩塌的可能性。可以看出，平台提供各项应用服务应由输入数据的服务接口+算法或模型+业务逻辑耦合而成。计算时的核心驱动力是算法、模型或算法与模型、模型与模型的再组合。业务逻辑则是各种数据接口与算法按逻辑调用过程。算法服务平台框架见图4。

3.3.2多模型耦合算法服务

平台基础算法部分由数学算法、水文泥沙计算算法、河道地形分析GIS算法等组成，以库的形式调用，以二进制方式交换数据。预测模型部分由水动力模型、泥沙预测模型、基于机理的断面尺度崩岸预测模型、基于由多维度数据驱动的智能崩岸预测模型［8］等组成，以可执行程序形式或网络服务形式调用，多以文件形式交换数据。将不同形式的算法模型统一封装为微服务形式，通过数据异构转换为算法与模型提供数据交换接口，使多算法模型形成耦合。例如，系统中崩岸预测核心算法服务包括多个基础算法与模型间连续复杂调用与耦合。根据实时水情数据，由水动力模型预测来水数据，结合实时含沙量数据作为一维水沙模型输入，根据预测来水来沙、断面、河道地形与地质情况等多个外部条件，通过崩岸预测模型预测崩岸险情。崩岸预测多模型耦合见图5。

4应用实例

本文以长江中游荆江崩岸预警系统为例进行实例分析，该系统主要提供数字孪生崩岸模型仿真、崩岸要素分析、崩岸预测、崩岸预警与发布四大应用功能。

4.1数字孪生崩岸模型仿真

以三维数字地球为载体，基础地理信息数据为辅，按面向对象的方式实现在三维环境中对崩岸等数字孪生对象的实时动态反馈，由基于WebGIS的三维平台实现数字孪生对象空间模型展示，附加相关描述信息，并由数据引擎保持其信息最新状态的表达（图6）。功能主要包括：数字孪生崩岸在某个时间点时，对象的空间与相关信息描述；利用河道对象数据切片模型，按时间轴展示河道对象空间形态与相关信息的变化过程；对比某两个时间内河道对象空间与相关信息变化情况。崩岸要素预测示意见图7。

4.2崩岸要素分析

按面向对象的方式提供对水文泥沙数据、断面数据、地质等崩岸影响要素分析。水文泥沙方面包括水沙过程、水沙沿程、颗粒级配、来水来沙年际变化等分析；河道地质方面包括沿程地层结构、崩岸区域物探成果、钻孔土壤成分等分析；河道地形方面包括崩岸地形演变分析、崩岸断面套绘分析、地形与断面坡度坡向分析。综合分析包括根据崩岸级别、崩岸类型在三维数字地球上查看历史崩岸所处位置；综合分析崩岸处的水文泥沙、河道地形及地质条件等影响因素，分析多影响因素间的相关关系及不同区域崩岸的主要影响要素。

4.3崩岸预测

崩岸预测是系统的核心功能，崩岸预测关键依靠各类预测模型，利用水沙数据、崩岸地形、断面数据、地质数据、相应的边界条件与模型参数等进行计算或训练实现。系统通过实时数据与预测水沙数据形成预测方案，为保持崩岸预测的及时性，崩岸预测模型服务随实时监测数据的更新实时运行，在用户不干预的情况下，一般可设为每日自动运行一次，预测结果将实时反馈；也可由用户干预，提供来水来沙数据与边界条件制定不同的预案，并提供不同预案下预测结果对比。预测结果包括左右岸的沿程崩退宽度、崩岸断面形态变化、河岸潜水位变化、河岸安全系数等，为专业人员进行应急处置提供必要的依据。

4.4崩岸预警与发布

崩岸预警主要依靠半人工决策。通过对不同方案的预测结果进行对比，以模型预测成果为主要依据，从崩岸要素分析模块同步显示诱发崩岸主要因素的指标、从数字孪生崩岸模型仿真模块同步显示崩岸附近河道冲淤变化情况、涉水工程建设情况、现场照片等，综合各项因素后对崩岸发生的等级与危害性进行综合判定，实现崩岸预警。由不同权限的技术人员核定判定结果后，在数字孪生河道上给出表示不同崩岸等级的明显标识，并自动生成格式化的崩岸预警简报，实现崩岸预警信息发布（图8）。

5结语

本文探讨了基于数字孪生技术的长江崩岸预警平台的设计方法。与传统崩岸预测系统不同，提出了三级尺度的数字孪生崩岸数据模型与按时间顺序组织的数据切片模型方案，设计了数据引擎为崩岸模型实例提供数据处理、新增与同步的方法；构建了集数据、算法与模型的多源异构数据服务接口和多模型耦合的算法服务平台；该平台使用优化分块组织技术的崩岸地形DEM数据，降低了地形计算复杂度，使地形数据的显示、处理与分析计算效率得到大幅优化；实现了高效的数据组织驱动、算法服务搭建与崩岸全生命周期的虚拟化过程展示方式。该平台主要采用模型的方式进行崩岸的预测预警，预测手段欠丰富。随着崩岸预警评估研究的深入，可在歷史崩岸成因的基础上，建立崩岸预测知识图谱，基于崩岸影响主要因子、崩岸监测指标［9-10］等预测方法的成熟与完善，为知识图谱新增更多节点，形成以知识图谱、机理模型、机器学习模型为算法平台的综合预测体系，结合数字孪生技术的高效表达能力，提高崩岸预测水平。

参考文献：

［1］夏军强，邓珊珊，李诺，等.长江中游河道崩岸预警技术及其初步应用［J］.中国防汛抗旱，2022，32（9）：21-26.

［2］刘东风，吕平.安徽省长江崩岸预警技术研究与应用［J］.水利水电快报，2017，38（11）：91-95，118.

［3］曹双，蔡磊，刘沛.崩岸预警综合评估法研究与应用探讨［J］.水利水电快报，2019，40（8）：21-28.

［4］张洪刚，姚磊，袁晓庆，等.数字孪生白皮书（2019年）［R］.北京：中国电子信息产业发展研究院，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］黄艳.数字孪生长江建设关键技术与试点初探［J］.中国防汛抗旱，2022，32（2）：16-26.

［7］邓宇，赖修蔚，郭亮.长江中下游崩岸监测及分析研究［J］.人民长江，2018，49（15）：13-17.

［8］许全喜，谈广鸣，张小峰.长江河道崩岸预测模型的研究与应用［J］.武汉大学学报（工学版），2004，37（6）：9-12.

［9］长江水利委员会.长江崩岸机理与防治研究报告［R］.武汉：长江水利委员会，2005.

［10］周建红.荆江河道险工险段崩岸监测技术与预警方法探讨［J］.水利水电快报，2017，38（12）：12-16.

（编辑：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