本發(fā)明涉及高拱壩風(fēng)險(xiǎn)預(yù)測(cè)領(lǐng)域，具體涉及一種基于數(shù)字孿生模型的高拱壩風(fēng)險(xiǎn)預(yù)測(cè)方法。

背景技術(shù)：

1、高拱壩因其卓越的超載能力、抗震性能及輕韌壩體結(jié)構(gòu)，在全球水資源工程中得到廣泛應(yīng)用。近年來(lái)，中國(guó)建成了一批超高拱壩，如錦屏一級(jí)、小灣、白鶴灘和烏東德等，其安全性對(duì)流域水資源管理至關(guān)重要。然而，高拱壩的復(fù)雜結(jié)構(gòu)、時(shí)變特性及空間變異性，使得結(jié)構(gòu)健康監(jiān)測(cè)與風(fēng)險(xiǎn)評(píng)估極具挑戰(zhàn)。當(dāng)前，基于hst理論的統(tǒng)計(jì)模型及淺層機(jī)器學(xué)習(xí)方法是主流數(shù)據(jù)驅(qū)動(dòng)手段，但難以捕捉復(fù)雜非線性關(guān)系，且泛化能力受限。深度學(xué)習(xí)(如lstm、gru和gcn)提升了變形預(yù)測(cè)能力，但其依賴有限測(cè)點(diǎn)數(shù)據(jù)，難以全局解析壩體狀態(tài)。機(jī)理驅(qū)動(dòng)方法以有限元為核心，能從物理機(jī)制角度評(píng)估壩體安全，但存在計(jì)算復(fù)雜、實(shí)時(shí)性差的問(wèn)題。此外，工程不確定性因素的影響尚未充分量化。工業(yè)4.0時(shí)代的數(shù)字孿生技術(shù)有望融合數(shù)據(jù)驅(qū)動(dòng)與機(jī)理驅(qū)動(dòng)優(yōu)勢(shì)，實(shí)現(xiàn)高拱壩結(jié)構(gòu)健康監(jiān)測(cè)的智能化、精準(zhǔn)化。但當(dāng)前技術(shù)仍處于探索階段，存在建模精度、數(shù)據(jù)融合及實(shí)時(shí)交互等挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于數(shù)字孿生模型的高拱壩風(fēng)險(xiǎn)預(yù)測(cè)方法解決了現(xiàn)有技術(shù)在全域狀態(tài)推測(cè)誤差大、安全評(píng)估空間一致性約束不足、破壞評(píng)估功能不足等問(wèn)題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于數(shù)字孿生模型的高拱壩風(fēng)險(xiǎn)預(yù)測(cè)方法，包括以下步驟：

3、s1：構(gòu)建測(cè)點(diǎn)監(jiān)控模型，將基于hst模型提取的環(huán)境影響因子作為測(cè)點(diǎn)監(jiān)控模型的輸入，獲得高拱壩變形過(guò)程的預(yù)測(cè)值；

4、s2：構(gòu)建測(cè)點(diǎn)映射模型，并使用動(dòng)態(tài)監(jiān)測(cè)損失函數(shù)進(jìn)行模型訓(xùn)練；

5、s3：構(gòu)建數(shù)字孿生模型，通過(guò)測(cè)點(diǎn)監(jiān)控模型將高拱壩變形過(guò)程的預(yù)測(cè)值輸入訓(xùn)練后的測(cè)點(diǎn)映射模型，獲得三維全域變形情況；

6、s4：構(gòu)建變形-應(yīng)力預(yù)測(cè)模型，采用主成分分析法對(duì)三維全域變形情況進(jìn)行降維處理，經(jīng)變形-應(yīng)力預(yù)測(cè)模型獲得三維全域的大主應(yīng)力、中間主應(yīng)力和小主應(yīng)力的預(yù)測(cè)值；

7、s5：構(gòu)建破壞風(fēng)險(xiǎn)分析模型，使用蒙特卡洛dropout方法，模擬模型在不同權(quán)重配置下的預(yù)測(cè)分布，并進(jìn)行隨機(jī)dropout采樣，獲得高拱壩失效風(fēng)險(xiǎn)預(yù)測(cè)值，完成基于數(shù)字孿生模型的高拱壩風(fēng)險(xiǎn)預(yù)測(cè)。

8、進(jìn)一步地，所述s1中測(cè)點(diǎn)監(jiān)控模型為：

9、

10、其中，h0為輸入到圖卷積特征提取器的環(huán)境特征，和為時(shí)間t的水利荷載影響因子、溫度影響因子和時(shí)效影響因子的集合，w0為可訓(xùn)練的權(quán)重矩陣，h(·)為節(jié)點(diǎn)的影響因子特征矩陣，l為節(jié)點(diǎn)層數(shù)，σ為非線性激活函數(shù)，為歸一化的度矩陣，a～為加上自連接的影響因子鄰接矩陣，w(·)為可訓(xùn)練的權(quán)重矩陣。

11、進(jìn)一步地，所述s2中測(cè)點(diǎn)映射模型為：

12、

13、θ＝(θ1,θ2)

14、其中，為測(cè)點(diǎn)映射模型的預(yù)測(cè)值，w為可學(xué)習(xí)的權(quán)重，b為可學(xué)習(xí)的偏差，為lstm輸出狀態(tài)，為傳感器測(cè)量值的輸入點(diǎn)，flstm(·)為lstm網(wǎng)絡(luò)，θ1為lstm網(wǎng)絡(luò)的參數(shù)，θ2為w和b的參數(shù)，θ為測(cè)點(diǎn)映射模型所有參數(shù)。

15、進(jìn)一步地，所述s2中動(dòng)態(tài)監(jiān)測(cè)損失函數(shù)ldigitaltwin包括精度損失函數(shù)laccuracy和空間變異性損失函數(shù)lspace，公式為：

16、ldigitaltwin＝λ1laccuracy+λ2lspace

17、

18、其中，λ1和λ2為權(quán)重參數(shù)，n為全域計(jì)算點(diǎn)總數(shù)，i為第i個(gè)全域計(jì)算點(diǎn)，l為損失函數(shù)計(jì)算方法，和為測(cè)點(diǎn)映射模型預(yù)測(cè)值與數(shù)值模擬結(jié)果的空間梯度，α為損失平衡參數(shù)，為傳感器測(cè)點(diǎn)對(duì)應(yīng)有限元節(jié)點(diǎn)的損失，為傳感器測(cè)點(diǎn)的損失，為所有有限元節(jié)點(diǎn)的損失。

19、進(jìn)一步地，所述s3中數(shù)字孿生模型為：

20、

21、其中，為時(shí)間t的數(shù)字孿生預(yù)測(cè)值，fsynapse(·)為測(cè)點(diǎn)映射模型，fcellbody(·)為測(cè)點(diǎn)監(jiān)控模型，θdigitaltwin為測(cè)點(diǎn)映射模型的預(yù)訓(xùn)練參數(shù)，和為水利荷載影響因子、溫度影響因子和時(shí)效影響因子的集合。

22、進(jìn)一步地，所述s4中變形-應(yīng)力預(yù)測(cè)模型為：

23、

24、

25、其中，為應(yīng)力預(yù)測(cè)值，fσ(·)為變形-應(yīng)力預(yù)測(cè)函數(shù)，ωσ為變形-應(yīng)力預(yù)測(cè)模型的參數(shù)，lσ為變形-應(yīng)力預(yù)測(cè)模型損失，σ1、σ2和σ3為大主應(yīng)力、中間主應(yīng)力和小主應(yīng)力的計(jì)算值，δdigitaltwin為數(shù)字孿生預(yù)測(cè)值，ω為變形-應(yīng)力預(yù)測(cè)模型的參數(shù)，為降維后的變形數(shù)據(jù)，pca(·)為降維處理操作，ht為隱藏狀態(tài)，ot為記憶狀態(tài)，r為一個(gè)與ht維度相同的伯努利隨機(jī)變量，其值為1的概率為p，lstm(·)為lstm框架，ht-1為下一時(shí)刻隱藏狀態(tài)，ot-1為下一時(shí)刻記憶狀態(tài)，⊙表示逐元素相乘，bernoulli(·)為伯努利隨機(jī)，和為大主應(yīng)力、中間主應(yīng)力和小主應(yīng)力的預(yù)測(cè)值。

26、進(jìn)一步地，所述s5中破壞風(fēng)險(xiǎn)分析模型為：

27、

28、其中，為破壞風(fēng)險(xiǎn)分析模型在t時(shí)刻的第i次抽樣結(jié)果，和為t時(shí)刻的大主應(yīng)力、中間主應(yīng)力和小主應(yīng)力，為變形-應(yīng)力預(yù)測(cè)函數(shù)進(jìn)行隨機(jī)dropout采樣，t為隨機(jī)dropout采樣次數(shù)，為高拱壩失效風(fēng)險(xiǎn)預(yù)測(cè)值，p(·)為指示函數(shù)，為全域的drucker-prager屈服函數(shù)值，n為塑性單元存在連接的個(gè)數(shù)。

29、本發(fā)明的有益效果是：

30、(1)本發(fā)明構(gòu)建了一種基于神經(jīng)網(wǎng)絡(luò)與有限元方法融合的高拱壩數(shù)字孿生模型，實(shí)現(xiàn)了從測(cè)點(diǎn)監(jiān)測(cè)到全域變形的映射，并進(jìn)一步結(jié)合深度學(xué)習(xí)與有限元模擬預(yù)測(cè)壩體應(yīng)力分布。這一方法在提升預(yù)測(cè)精度的同時(shí)，避免了傳統(tǒng)有限元方法對(duì)大量物理參數(shù)的依賴，減少了復(fù)雜迭代計(jì)算所帶來(lái)的計(jì)算資源消耗，從而顯著提高了模型的實(shí)時(shí)性和計(jì)算效率。

31、(2)相較于現(xiàn)有的數(shù)字孿生方法，本發(fā)明引入了空間變異性約束和跳躍連接策略，并通過(guò)消融實(shí)驗(yàn)驗(yàn)證了其有效性。這一優(yōu)化策略能夠更準(zhǔn)確地捕捉壩體變形的空間分布特征，優(yōu)化數(shù)據(jù)傳輸路徑，避免信息在深度網(wǎng)絡(luò)中的衰減，從而提升預(yù)測(cè)的穩(wěn)定性和泛化能力。此外，基于降維技術(shù)構(gòu)建的變形-應(yīng)力預(yù)測(cè)模型，實(shí)現(xiàn)了壩體全域應(yīng)力狀態(tài)的精準(zhǔn)推演。同時(shí)，該方法支持模型的動(dòng)態(tài)更新，能夠針對(duì)未知極端工況進(jìn)行外推預(yù)測(cè)，彌補(bǔ)了傳統(tǒng)深度學(xué)習(xí)方法在處理超出訓(xùn)練集分布工況時(shí)的泛化能力不足問(wèn)題，從而增強(qiáng)了結(jié)構(gòu)安全監(jiān)測(cè)的適應(yīng)性。

32、(3)本發(fā)明提出的全域塑性破壞風(fēng)險(xiǎn)評(píng)估方法結(jié)合了不確定性量化分析，有效應(yīng)對(duì)高拱壩結(jié)構(gòu)監(jiān)測(cè)過(guò)程中存在的多源不確定性問(wèn)題，實(shí)現(xiàn)了對(duì)壩體結(jié)構(gòu)安全性的實(shí)時(shí)評(píng)估?；谠摲椒ㄟM(jìn)行的80萬(wàn)次隨機(jī)采樣試驗(yàn)表明，在不同dropout率條件下，壩體塑性破壞概率始終保持在安全閾值范圍內(nèi)，驗(yàn)證了本發(fā)明在復(fù)雜工況下的魯棒性。

33、(4)本發(fā)明突破了傳統(tǒng)“點(diǎn)監(jiān)測(cè)”模式的局限，實(shí)現(xiàn)了對(duì)高拱壩全域變形的實(shí)時(shí)感知、預(yù)測(cè)及預(yù)警，并能夠結(jié)合塑性破壞分析等機(jī)理方法進(jìn)行實(shí)時(shí)結(jié)構(gòu)安全評(píng)估。相較于現(xiàn)有數(shù)值模擬與統(tǒng)計(jì)監(jiān)測(cè)方法，該方法不僅提升了預(yù)測(cè)精度、計(jì)算效率與泛化能力，還優(yōu)化了數(shù)據(jù)安全性與實(shí)時(shí)監(jiān)測(cè)能力，為高拱壩的智能化、精細(xì)化安全管理提供了一種經(jīng)濟(jì)高效的解決方案，具有廣闊的工程應(yīng)用前景。