0 引言
随着全球城市化速度的加快 ,地面空间的有限性 问题日益凸显 ,城市地下空间的开发利用成为缓解城市地面压力、提高城市功能性的重要途径[1-2]。地下空间主要包括地铁站、隧道、地下商业设施和地下管廊等,这些设施在提高城市交通效率、促进经济活动、增强城市的综合承载能力等方面发挥着至关重要的作用[3]。随着地下空间的开发和利用逐渐变得多样化、 深入化及复杂化 ,相关运维问题也随之增加 ,例如水患、火灾、电气故障、结构损伤、空气质量恶化、通风系统不足、安全设施老化以及信息系统故障等。因此,城市地下空间的精细化、智能化运维工作受到相关学者的关注。
近年来 ,国内外研究人员对地下空间精细化、智能化运维进行了大量研究 。潘良波等[4] 开发了城市地 下空间信息集成管理与服务平台 ,通过统一管理地上 地下数据保证地下空间的安全运维 。此平台的优点在 于数据一体化处理能够提高管理效率 ,缺点是对数据 更新的要求极高 ,稍有滞后就会影响决策的准确性。赵阳等[5]通过对深圳地下空间的实际调研,强调了优化空间使用和智慧化管理的必要性。Wang等[6] 从更广的角度综合评审了城市地下基础设施的建设和运维问题,特别关注数字技术(如数字孪生、半监督学习和预测性维护) 的应用前景。这些技术能够显著提高预防性维护的能力和自动化水平,虽然初期投资较大 ,但长远来看有助于减少维护成本,提高安全性。
当前,地下空间的精细化、智能化运维管理面临环境复杂、封闭与限制性访问、信息不对称及高安全风险等挑战;同时,信息化管理水平不足,表现在信息管理分散、精细化程度不高、三维集成可视化不够发达以及安全运维应用缺乏方面。在这一背景下 ,数字孪生 (digital twin,DT)技术的引入为解决这些问题提供了 新的思路和可能[6]。通过建立地下设施的数字化孪生体,可以实现对其结构健康、运营效率和安全性的全面监控与分析,从而大大提高地下空间的管理水平和响应能力。
尽管数字孪生技术在城市空间中已有广泛应用, 但其在城市地下空间运维方面的应用尚处于初步探索阶段。本文系统总结数字孪生技术在城市地下空间运维中的应用现状和研究进展,探讨其在地下管线、地下交通设施及地下建筑物等地下空间中的应用和面临的挑战,以及未来的发展趋势和潜在的研究方向,期望推 动数字孪生技术在城市地下空间运维中的深入研究和应用。
1 数字孪生技术的发展与应用现状
1.1 数字孪生技术的概念
数字孪生技术是一种创新工具 ,通过创建物理对象、系统或过程的虚拟模型,实时模拟其在真实世界中 的行为和状态。这种技术结合了传感器数据采集和高精度建模,从而能够实现在不干扰实际运营的情况下进行测试与优化,并预测维护需求。数字孪生技术可以进行深入的分析和预测,极大提高决策效率和操作性能[7-8]。数字孪生概念示意如图1所示。
图 1 数字孪生概念示意图
随着技术的不断进步 ,尤其是物联网(internet of things,IoT)技术的发展 ,数字孪生技术在多个行业中得到了广泛应用和快速拓展。通过物联网技术可以将大量传感器安装于各类设备上,实时收集数据。这些数据为数字孪生模型的更新和维护提供支持,使模型 能更精确地反映实体状态。数字孪生技术不仅在航空航天领域得到广泛的发展,也在制造业、建筑业、医疗及城市管理等领域展现出更高的应用价值。
1.2 数字孪生技术的应
在当今世界中,城市正在迅速成为经济社会发展 的核心平台和创新中心。随着经济的快速增长,城市面临着减排降碳、应急防灾及基础设施维护等日益严峻的挑战。联合国提出的到2030年应达到的17个可持续发展目标中“ 可持续的城市和人类住区”等目标[9]的实现,既依赖数字技术创新,又需要政策环境支持。随着第四次工业革命的发展,以数字技术为主要驱动力、以数据为核心生产资料的城市发展和转型之路越来越清晰。数字孪生技术正成为物理世界和数字世界之间的桥梁。
2002年,Michael Grieves 教授在美国密歇根大学提出了“信息镜像模型”概念,为数字孪生技术奠定了 基础。此后,该技术在工业界得到了广泛的应用 ,并受美国航空航天局阿波罗计划中的概念启发,进一步定义了数字孪生及其体系[10]。2017年,佐治亚理工学院提出了“智慧城市数字孪生体”概念[11],这是一个支持物联网且数据丰富的虚拟平台,用于模拟真实城市中的变化,提升城市的韧性、可持续发展和宜居性。
2 文献检索与分析
2. 1 文献检索
在数据库选择方面,Scopus 被认为在针对性和及时性方面优于Web of Science 或 Google Scholar[12-13]。 因此,本文选择Scopus作为搜索引擎。 目前 ,数字孪生技术已经广泛应用于各行各业,本文选取“数字孪生”“城市地下空间”“运维管理”作为文献检索主题, 并与布尔运算符号结合,构成了检索关键词,见表 1。
2016—2024 年城市地下空间领域各阶段和运维阶段数字孪生技术相关文献数量如图2所示。虽然数字孪生的概念在2003年就被正式提出 ,但直到2019年, 城市地下空间中的数字孪生研究才受到广泛关注,当前的研究主要集中于运营和维护阶段。因此,确定检索的时间范围为2019年1月1日至2024年4月21日。
图 2 2016—2024 年城市地下空间领域各阶段和运维阶段数字孪生技术相关文献数量
2.2 文献分析
将目标文献分为不同的研究主题, 然后利用VOSviewer软件对文献进行分析。VOSviewer是一种 广泛应用于综述研究的可视化软件工具[14],可用于关键词分析,获取频次和关键词网络,从统计的角度客观地辅助研究主题的划分,生成的关键词共现网络如图3所示。
图 3 关键词共现网络
根据VOSviewer获取的关键词频次,城市地下空间运维阶段数字孪生的关键技术可大致分为数据层、 模型层及仿真层。通过总结各类别中关键词的共性,基于专业分工与功能需求,关键词的共性与差异性、系统性和互联性 ,研究与实践的效率提升原则,本文将城市地下空间运维的数字孪生技术应用分为结构健康监测与管理、设施监控与管理、能源与环境管理以及灾害评估与应急管理4个主题。
3 数字孪生动态更新关键技术
数字孪生技术的架构通过整合多层面的功能,包括数据采集、通信、处理、模拟、分析、可视化和系统集成等,创建实体对象的虚拟副本。该技术收集实体通过传感器和 IoT 设备获得的数据,通过云平台进行高效处理,并构建精确的三维模型进行实时仿真分析。通过这种方式可以实现实时监控、性能优化和维护预 测,极大提高运维效率、降低成本。数字孪生技术架构如图4所示。
3DGIS ( 3D geographic information system ) —三维地理信息系统 ; BIM ( building information modeling ) —建筑信息模型; WebGL ( web graphics library)—一种用于在网页中呈现交互式3D图形的技术 ; UE(unreal engine)—虚幻引擎 ; Unity(Unity 3D)—Unity引擎 ; WiFi(wireless fidelity)—无线 网络技术;Zigbee—一 种低功耗、低数据速率的无线通信协议; NBIoT ( narrowband Internet of Things ) —窄带物联网; RFID ( radio frequency indentification)—射频识别。
图 4 数字孪生技术架构
在技术进步驱动下,城市地下空间数字孪生技术在运维阶段的应用面临多个技术挑战,主要集中在数据采集管理、信息模型构建和仿真分析决策3个关键环节。首先 ,数据采集管理需要部署大规模传感器网络,保证数据的实时同步,难点在于处理地下环境的复杂性及信号干扰问题;其次,信息模型构建需精确反映复杂地下结构和功能,模型的精确度和更新速度是主要的技术难点;最后,为了优化资源配置并做出精确的智能运维决策,仿真分析决策需要整合大量动态数据进行高效处理和预测。综上可知,这些环节的高度协同是成功实施地下空间数字孪生的关键,并且对数字孪生技术的开发和应用提出了更高的要求。
3. 1 数据层
对物理世界的感知是构建虚拟映射的基础。被感知对象包括几何信息、物理信息和来自运维对象的信息[15-18]。数字孪生技术中的数据采集是运维管理的核心,其中几何数据的获取尤为关键,因为其为其他所有信息提供了定位基础。几何数据涵盖了物理实体的构造特征和地理位置等关键维度,是构建高精度数字孪生模型的基础。为有效收集这些几何数据,目前主要采用 的技术为: 1)测量技术。包括传统的测绘方法和现代的激光扫描,这些技术可以高精度地捕获物理对象的细节和尺寸。2)传感器数据采集技术。传感器能够实时监测运维对象的物理和化学属性(如表2所示) ,这些数据对于确保运维过程中的安全和效率至关重要。使用高级传感器,例如光纤传感器和压力传感器,可以提供 精确和连续的监测 ,确保数据的实时更新和准确性。3) 基于建筑图纸的人工建模方法。对于存在详尽建筑文档的城市,可以通过将图纸信息转化为数字模型,在没实地测量的情况下重建物理空间的几何结构。
此外 ,广泛部署的传感器和全面连接的智能化设 备构成了数字孪生技术实施的基础 ,设备的集成、通讯、控制与互动构成了物联网的核心功能 。然而 ,在数字孪生技术要求全面感知的情况下 ,实现现有及新增 设备与平台的百分之百双向通信较为复杂 。为了应对来自不同源的异构通信协议 ,物联网平台通常采用设 备直连、通过网关接入或云对云接口3种策略[18-20],以建立高并发、稳定、可靠及安全的通信环境。数字孪生设备接入方法如图5所示。
MQTT(message queuing telemetry transport)—消息队列遥测传输协议; HTTP(S) (hyper text transfer protocol (secure) ) —超文本传输协议(安全版) ; CoAP(constrained application protocol)—受限应用协议 ; AMQP (advanced message queuing protocol)—高级消息队列协议 ; Modbus—工业通信协议 ; RS485(recommended standard 485)—串行通信标准 ; OPC(open platform communications)—开放平台通信 ; BLE(bluetooth low energy)—蓝牙低功耗 ; BACnet(building automation and control network)—楼宇自动化和控制网络。
图 5 数字孪生设备接入方法
3.1.1 物理世界的感知
对物理世界的感知是数字孪生数据的主要来源。建筑信息模型(BIM)能够直接获取设计和施工过程中形成的信息,从而成为获取运维阶段几何信息直接和有效的方法[21]。但是,BIM 提供的数据可能存在不够详尽或不是最新的情况,因此需要运用先进的测量技术,以确保获得精确的几何信息。目前,3D 扫描是收集现有物体几何信息的常用技术,主要收集构筑物这类单体结构的全部或部分几何信息[22-23]。此外,对地下基础设施的检查通常可借助各种设备手动进行,设备包括视觉设备[24]、电磁和射频设备[25]、声学设备等。
3.1.2 物理信息的集成
数字孪生模型的物理信息主要包括运维对象的环境、材质和机械状态。其中 ,环境信息主要通过传感器采集,传感器可以监测室内的各种环境状态并实现信息的实时采集。Hull等[32]通过在南非斯泰伦博斯的一个温室隧道内部署传感器,成功地模拟了隧道内的温度,说明数据驱动的热模型可以精确预测隧道内部温度,极大提高了隧道环境运维管理的效率。 Shahinmoghadam等[33]结合BIM、物联网和 VR(virtual reality) ,提出了一种评估建筑围护结构内舒适度的方法。Lee等[34]利用内部图像传感器提取空间对象,采用多模态图像传感器识别物体 ,可用于检测位移和处 理未来异常情况 ,为地下空间管理提供了有效方法。 Kim等[35]开发了基于数据驱动的隧道运营和维护框架,旨在优化维护方案,以提高隧道结构的可靠性和降 低成本 。该框架通过数据融合技术整合维护过程中的多个步骤,确保隧道运行的安全性和可靠性。此外,有限元建模FEM(finite element modeling)是描述数字孪生物理信息机械状态的重要技术。Liu等[36]除了收集 钢结构机械状态数据外,还进行了FEM模拟,为数字孪生数据提供了支持。Lydon等[37]介绍了一种热设计耦合模拟方法 ,用于集成结构的供暖和制冷系统,利用数字孪生技术通过数据更新计算模型。
3.1.3 行为信息的分析
行为信息主要描述物理实体的行为和变化,包括人员行为、设备运行状态、结构的力学响应等。物联网是现有研究中收集行为信息的主要技术[38]。Liu等[39]提出在运维阶段使用传感器直接感知结构的力学状态 ,结合3D扫描和BIM,构建建筑结构的数字孪生模型。Wang等[40]提出基于数字孪生的绿色建筑维护系统框架,通过传感器监测设备的运行状态。
3.1.4 对物理世界的控制
数字孪生的目标是增强和控制物理世界中的物体 ,因此对物理世界的控制是一个非常重要的方面。主要涉及软件系统平台将处理后的数据结果显示出来,然后向物理世界的管理者提供决策依据或通过物联网设备对物理实体进行反馈控制。Bartos 等[41]结合传感器数据和基于过程的物理模型,构建城市排水环境的数字孪生模型,以提高排水系统的性能,并在软件平台系统上实现对排水系统的调度与控制。Cai等[42]提出巡检机器人不仅可以收集数字孪生数据 ,而且未来还可以对巡检设施进行维护和修理。Loy-Benitez等[43]在首尔的某地铁站实施了一种基室外空气质量变化的增益调度控制策略,通过内部模型控制方法调整动态通风系统,与传统手动系统相比, 采用该策略能效提高了9%,每天节省158kW·h电能,并减少了0.268t的二氧化碳排放。这一改进使得年度能源成本降低了4325美元,同时确保了室内颗粒物水平对敏感群体保持在安全限度( 150 μg/m3 ) 以下。
综上可知,在城市地下空间运维领域已经有很多技术可以支持数字孪生系统下实现虚拟环境感知和现实物理世界控制。虚拟环境感知技术包括传感技术、 电子识别技术、测量技术和机器人技术 。现实物理世界控制技术包括机器人、软件平台技术和智能终端。与虚拟环境感知技术相比,当前针对现实物理世界的 控制技术研究相对匮乏,对现实物理世界的控制和提升才是数字孪生的最终目的。因此,对于物理世界的控制技术是未来必须进一步研究的技术。
3.2 模型层
在数字孪生技术中,信息建模不仅是视觉上的可视化展示,而且是一个涉及实景三维模型和语义模型的复杂过程。实景三维模型精确还原物理世界的结构和外观,为用户提供直观的人机交互界面;语义模型在此基础上加入深层次的理解,通过提炼关键信息和构建知识图谱,支持高级功能如AI算法开发和信息检索,真正体现了数字孪生的本质与内涵。这2种模型的结合,为数字孪生技术提供了一个全面而精确的虚拟镜像,使其成为不仅仅是表象的工具,而且是一个功能强大的决策和分析平台。数字孪生信息模型构建流程如图6所示。
图 6 数字孪生信息模型构建流程
Fig. 6 Process of constructing digital twin information model
Assis 等[26] 利用无人机和数字孪生技术进行准确的几何数据采集 ,通过使用无人机摄影测量方法和多机器人系统等技术 ,成功进行了地下隧道几何形状的数字重建 ,结果表明该方法能够真实再现地下隧道的细节 。Georgios 等[27]参与了 Schöneich 隧道的翻新 ,通过建立数字孪生模型和使用建筑信息模型(BIM)方法进行生命周期管理 。该项目使用激光扫描技术调查隧道的内部几何形状 ,并通过 openBIM 方法和结构化数 据管理系统 ,优化了隧道的运营和维护信息管理。 Li 等[28] 提出了一种基于移动增强现实 ( mobile augmented reality , MAR ) 和布里渊光纤传感器 (brillouin fiber optic sensor,BFOS) 的方法 ,用于构建地下管道的数字孪生 ,通过现场试验验证了其对地下管道结构安全的定量评估和预测的可靠性。结果显示 , 分布式传感器网络和数据物理驱动模型相结合 ,能够 更准确地估计地下管道的应力状态;MAR 可实现更直观、高效、自动化的运维 ,未来可考虑引入机器人系统进一步完善 。Seghezzi 等[29] 为监测建筑空间的使用情况 ,通过对基于物联网技术的摄像头传感器系统进行数据采集、校准和测试 ,建立了以使用情况为中心的数字孪生建筑管系统 , 以优化建筑运营阶段 。Kim 等 [30] 通过使用 BLK360固定光检测与测距 ( light detection and ranging,LiDAR)设备并结合二维全景图像和3D点云技术,有效解决了无人机建模和GPS接收不足的局限 ,为铁路设施的维护提供了时间序列数据支持。Romanovich 等[31]使用激光扫描技术创建地铁站的数字孪生模型,以识别二维绘图无法捕捉到的碰撞等问题,证明了在设计阶段使用激光扫描能够有效检测错误及潜在问题。
3.2.1 几何模型
BIM技术支持建立包括隧道[44]、地铁站[45]及地下管廊[46]在内的单一物体的几何模型,这些模型可以通过手工建模或从点云数据转换而来[47]。点云模型本身可直接用作地理信息源以评估物体的当前状态。此外,还可以结合建筑信息模型(BIM) 和地理信息系统(GIS)技术创建数字孪生模型,为物体状态评估提供更全面的分析方法。例如: Han等[48]设计了一种地铁车辆段智能控制系统,以数字孪生技术为核心、BIM技术为支撑,在BIMFACE平台上构建了智能维护平台。通过集成数据处理的数字孪生六维模型 ,该平台实现了 Web、PC 和移动3种部署方式 ,为地铁车辆段的实际管理提供了有效解决方案,提高了运营效率。Yin等[49]提出了一个基于建筑信息模型(BIM) 的框架 ,以促进地下综合管廊的可持续运维。该框架包括 BIM 模型、运维数据库和监控系统3个模块 , 旨在整合信息并改善管廊的管理效率。研究表明该框架在信息集成和通信方面具有可行性 ,为公用隧道的可持续运维提供了一种通用解决方案。Lee 等[50]数字孪生技术创建了地下公用设施隧道模型,并开发了一 种结合光检测与测距(LiDAR)技术的算法来识别空间物体 。Li 等[51] 提出了一种基于图像和点云数据的 3D 隧道信息模型构建方法,通过 YOLO-T 目标识别方法 和点云处理技术 ,可以高效、精准地构建隧道数字模 型 ,精度高于0.7 cm,提高了盾构隧道数字孪生建模的效率 。Zhu 等[52]开发了一种多维高效时空索引方法 ,专为铁路隧道的数字孪生模型设计。通过设计与 时间、里程和语义多维度相关的3D瓦片数据结构和 多粒度时空索引的方法,显著提高了在长铁路隧道模型数据中的检索效率,并支持高性能的可视化和分析应用。
总体而言,建筑信息模型(BIM) 和地理信息系统 (GIS)等技术均能支持几何模型的建立。目前,建模过程仍主要依赖人工操作。虽然关于3D扫描等逆向建模技术的研究已经开始,但这些技术研究仍处于初期阶段。因此,未来的发展重点应是提高建模过程的自动化程度和效率。此外 ,当前研究主要集中于建立初始模型,而及时更新数字孪生的几何形态以保持其与实际对象的同步,仍是一个具有挑战性的任务,对于几何模型的持续更新还需进行更深入的研究[53]。
3.2.2 物理模型
物理模型主要通过有限元分析方法和计算流体动力学方法进行模拟和显示 。有限元模型通常通过人工建模形成 ,只能在本地计算机上模拟和处理数值。利用物联网技术可以对传感器采集的力学数据进行有限元力学分析 ,进行实时显示和预测 。Kim 等[54]提出了 一种结合传感器信号和有限元分析的海上浮动风力发电机结构健康监测方案 ,并认为其是未来实现数字孪生的基础技术。Wang等[55]提出了一种基于数字孪生的复杂 3D 地质建模方法 ,利用多源数据和协同克里格算法的位场插值技术,实现了复杂地质构造的准确三维表示 。这种方法结合施工过程中的实时数据对模型进行局部修正 ,有效提升了地质模型的精确性和实用性 ,从而为隧道及地下空间工程提供了可靠的安全保障。Shi 等[56] 提出了一种名为 IC-XGBoost3D 的数据驱动和深度学习方法,利用有限的现场钻孔数据和 反映先前地质知识的二维训练图像 ,构建三维地质模型 ,有效生成具有高预测准确性的各向异性三维地质模型 ,并对模型性能进行了示例验证;同时,该方法还能量化评估相关的三维地层。
3.2.3 行为模型
行为模型主要包括人员行为、设备运行状态、环境变化等运维信息 。信息主要通过文字、数据、图表、图形或颜色的方式显示。例如 : 设备的运行状态可以通过平台上的图表来显示 ;环境行为的一些变化可以通过模型属性的变化来表现 ; 火灾环境行为变化可以通过颜色变化来表示;3D 动画可以直接显示行为模型。 Vodyaho等[57]针对复杂分布式网络物理系统的数字孪生和数字线程应用问题 ,构建了一个3层模型来描述其生命周期 ,该方法可推广至智慧城市等其他领域。Kim等[58]通过使用空间句法理论构建基于代理的模 型 ,分析了首尔江南站的日常行人数据 ,并验证了该模型在解释地铁站内尤其是在票务闸门与站入口之间最短路径上行人行为的有效性。Xing 等[59]开发了基于路段交通数据的超长隧道车辆轨迹预测模型,其通过调整车辆跟随模型的参数并重新优化驾驶员敏感性系数完成预测 ,车速预测的平均准确率为 94.14% ,轨迹预测的准确率为 95.45%。Wu等[60] 探讨了智能隧道工程中数字孪生模型的建立和更新问题,针对隧道地质环境的复杂性和动态性提出了一种基于线性分割的 多级因素表示方法。
3.2.4 规则模型
规则模型通过设定相关的规则和程序 ,例如行为 数据的阈值或者人类行为的活动范围 ,直接限制行为的变化。经过训练的 AI 模型是运维管理中常用的规则模型 。例如 : BP 神经网络模型[61] 和贝叶斯模型[62] 被训练后可以评估结构和设施故障的成熟规则 ,LSTM (long short-term memory)模型[63]被训练后可以识别火灾状态 。另外 ,普通编码的逻辑规则也可以在数字孪生模型中构建规则模型。例如 : Kaewunruen等[64]提出的一项研究中 ,二氧化碳排放量是通过数字孪生模型中的数据根据定义的公式计算的 。Yu 等[65] 为了 实现隧道设施复杂问题的自动分析 ,开发了一个基于规则的推理引擎来分析由扩展的 COBie 标准组织的隧道孪生数据 ,基于规则的推理引擎是由计算机程序构建的关键规则模型。 目前常见的规则模型构建方法有 AI 模型和普通程序。Lee 等[66]介绍了利用数字孪生技术管理地下综合管廊的方法,其特别关注于灾害响应和设施维护,研究的创新之处在于如何通过配置数据采集、建模和服务等主要层次结构顺序实现数字孪生 ,为未来地下设施的实施和管理提供了有效的参 考和训练工具。
3.2.5 模型更新
由于物理现实空间是实时变化 ,为了对物理实体的运行状态进行预测 ,虚拟模型必须具备不断更新模型参数的能力。利用贝叶斯网络赋予虚拟模型动态更新的能力是一种比较实用的方法。动态贝叶斯网络在故障诊断与预测中表现出良好的应用前景 ,可以跟踪和校正时变变量的演变,预测未来发生故障的概率。 Ye等[67]提出了一种用于结构寿命跟踪的数字孪生框架 。该框架由离线阶段和在线阶段2部分组成 。在该框架下 ,利用动态贝叶斯网络将具有不确定参数的裂纹扩展模型与观测到的裂纹数据进行集成 ,更新模型参数和预测裂纹长度 。Li等[68] 利用动态贝叶斯网络建立了设备故障诊断的概率模型 ,实现了裂纹的准确诊断和预测 。Yu等[69] 提出了一种基于非参数贝叶斯 网络的数字孪生模型来表示健康状况的动态退化过程和认知不确定性的传播 ,其提供了一种实时模型更新技术 ,通过使用增强的高斯粒子和狄利克雷过程的混合模型提高了模型的灵活性。
综上所述,数字孪生技术通过实景三维模型和语义模型的结合 ,已经在城市地下空间管理中显示出其巨大的应用潜力。这种技术不仅提供了精确的物理世界视觉复制 ,还通过深度语义分析增强了决策和分析功能 ,使其成为高级功能如人工智能开发和数据检索的支持平台 。尽管数字孪生技术的应用在逐步深入 , 但目前仍面临一些挑战 ,例如 : 1)创建和维护高精度的三维模型成本较高 ,这依赖于复杂的数据采集和处理技术 ,例如点云数据的集成和高级图像处理;2) 现有技术在实时数据同步和模型更新方面还存在一定的局限性,尤其是在大规模基础设施的实时更新中。要解决这些问题,一种方法是进一步发展自动化技术 ,减少人工干预 ,例如通过增强机器学习和人工智能算法来自动识别和处理数据 ;另外一种方法是利用物联网技术实现更有效的数据实时同步 ,以增强模型的实时更新能力 。通过这些技术的应用和发展 ,数字孪生技术将更有效地支持城市基础设施的管理和维护 ,提高其效率和准确性。这些改进不仅能够增强数字孪生技术的实用性 ,也将为城市管理提供更为可靠和先进的决策支持工具。
3.3 仿真层
数据分析是探索从数据中获取知识和潜在价值的关键。数据处理最常见的方法是以数据为指标 ,或者针对不同情况设定阈值来实现分类 ,然后使用通用算法对数据进行编程处理 ,得到相应的运维建议 。此外, 基于现有历史数据使用 AI 算法对记录的数据进行数据挖掘也是一种常见的数据分析方法 ,可以分析物理实体的实时状态并准确预测物理实体的未来状态。除了使用 AI 算法对历史数据挖掘 ,仿真推演也是一种常见的分析工具 ,其在城市地下空间中的应用如图7所示。通过历史数据和实时数据以及假设条件的输入和 仿真算法的运行 ,确定最优的可用策略 ,支持决策制定。
图 7 仿真推演在城市地下空间中的应用
数字孪生仿真服务是实现数字孪生功能和价值最 直接的环节 ,主要包括历史追溯与分析、实时监测与评估、未来预测与决策3个方面 。数字孪生仿真服务的主要支撑来自于设定阈值、预设程序算法、人工智能算法。
3.3.1 历史追溯与分析
历史追溯与分析的作用在于为数字孪生技术提供 基础数据框架和参考模型 ,使得未来的预测和实时监 测可以在确定的历史数据上进行 。Foria 等[70] 研究了 数字孪生技术在隧道项目运营中的应用 ,特别强调了在完全遵守健康和安全准则的前提下 ,如何利用数字环境进行效率性和经济性的测试和验证;并通过德国现有隧道项目分析 ,展示了如何整合 BIM、资产管理和 交通控制等多种系统和数据 ,从而优化了设计验证、操作和维护培训等多个工作流程 。Cheng等[71]探讨了数字孪生技术在地下工程基础设施中的应用 ,特别是在信息技术限制和工程数据独特背景下的应用 ,通过创建五维综合框架,并以温州实际项目为案例 ,展示了数字孪生技术如何促进地下基础设施的全生命周期管理 ,实现了动态运维管理的高效集成。
3. 3. 2 实时监测与评估
实时监测与评估是数字孪生中的实时反馈机制 ,通过动态传感器数据和人工智能算法实时监控设施的状态 ,从而实时反馈可能的风险或故障 。Zhang 等[72]提出了一种基于动态传感器数据和人工智能物联网技术的实时隧道消防安全管理数字孪生框架 ,通过使用Transformer网络训练的深度学习模型和Unity 3D开发的3D数字孪生平台 ,能够准确预测和可视化火灾位置与规模, 从而优化疏散、消防和紧急救援设计。 Kobayashi等[73]开发了一种基于数字孪生的智能导航系统 ,根据用户的偏好动态调整建筑物的图形结构,并利用 Dijkstra 方法自动计算最短路径 。Choi等 [74] 介绍了针对釜山城市地铁的数字孪生仿真模型,通过离散事件系统规范 ,利用该模型分析了铁路拥堵情况 ,并利用粒子群优化推导出新的时刻表以降低拥堵。
3. 3. 3 未来预测与决策
未来预测与决策的功能是利用历史数据和实时监测结果 ,通过算法模型预测未来的状态变化 ,从而为决策提供科学依据。Shao 等[75]综合运用数字孪生技术、 层次分析法和贝叶斯网络 ,对城市地下空间的安全事故风险进行评估及防灾监测。Li 等[76]提出了数字孪生技术的成熟度模型 ,为评估、推进和实施数字孪生技术提供了定性评价体系和定量分析方法。Pokusaev等[77]基于地铁客流的离散事件建模系统 ,构建地铁系统数字孪生模型 ,该模型可用于预测交通系统的负载 , 应对紧急情况下的运输系统管理组织。Tu 等[78] 建立了数字孪生技术下的交通基础设施管理效率评估DEA(data envelopment analysis)模型 ,将其应用于江苏省12个地级市的交通基础设施管理效率评估中,并利用长短期记忆(LSTM)交通流预测模型进行了交通流 预测 ,结果表明其预测准确性优于其他模型 。Chen等[79]提出了数字孪生移动分析(digital twin mobility profiling,DTMP)框架 ,利用数字孪生技术来学习移动网络的节点配置文件 ,以解决移动性分析中的问题 ;通过构建对齐图和设计扩张对齐卷积网络 ( dilated alignment convolution network,DACN) ,成功捕获了交通场景中复杂的时空特征,并在3个真实世界的数据集上验证了DTMP方法的有效性。
总的来说 ,数字孪生技术在城市地下空间的运维中正发挥越来越关键的作用,特别是在仿真层面 ,其不仅限于简单的数据可视化 ,而且扩展到了复杂的数据分析和决策支持 。通过结合实时数据和历史数据,数字孪生能够提供更深入的洞察 ,支持从日常运维到紧急响应的多方面决策 。尽管数字孪生技术在多个方面具有广泛的应用前景 ,但也存在一些挑战和局限 : 1) 高级数据分析和仿真依赖大量的数据输入 ,数据的质 量和完整性直接影响结果的准确性 ; 2)尽管利用 AI 和机器学习算法能够增强预测和分析能力,但这些技术术的实现和维护需要专业知识 ,且算法的透明度和解释性不足。为解决这些问题 ,未来的研究可以着重于开发更为高效和自动化的数据清理和集成工具 ,以提高数据质量和处理速度;同时,应致力于提升 AI 算法的解释性 ,使得非专家用户也能理解和信任这些算法提供的决策支持 ;此外,加强数字孪生平台的模块化和标准化设计也将有助于简化技术操作 ,使其更容易适 应不同规模和需求的城市基础设施项目。
4 运维阶段数字孪生应用场景
根据应用领域、关键词网络聚类和细读的关键词列表 ,详细探讨数字孪生技术在城市地下空间运维阶段的多种应用场景 ,包括结构健康监测与管理、设施监控与管理、能源与环境管理、灾害评估与应急管理等方面 ,揭示数字孪生技术如何帮助城市更安全、更高效地管理地下资源。
4. 1 结构健康监测与管理
作为城市地下空间运维阶段的主要挑战 ,结构物的健康管理直接关系到运维阶段的安全。由于结构物的数字孪生模型能够反映结构的健康状态并随时预警潜在风险 ,受到了结构工程领域相关人员的高度关注 , 具体实现流程如图8所示。
图 8 基于数字孪生的结构健康监测方法
4.1.1 结构状态监测
在城市地下空间运维领域 ,结构健康监测的基础做法是建立一个反映结构物理状态的数字模型。 Machado 等[80] 通过创建隧道检查信息数据库和隧道适用性指数 ,结合随机退化模型和反指数方程,开发了一种预测民用基础设施退化和必要干预时间的方法 , 并已成功应用于铁路隧道 。Zhou 等[81] 引入了数字孪 生技术 ,构建了智能地铁服务平台 ,该平台通过集成数据收集、预警和维护管理功能 ,支持地铁运营和维护决策 ,有效地监控和管理隧道的结构健康 ,提高了地铁系统运行的可靠性。Foria 等[70] 通过使用创新的多维调 查系统和风险管理工具 ,结合无损测试和数字化工具 Open Tunnel,实现了现有隧道结构的快速监测评估和数字孪生建模。
4.1.2 建模逆向分析
基于逆向建模得到的数字孪生模型进行结构分析也是一个重要的研究方向。地下空间中既有构筑物的数字孪生几何信息获取方法包括3D扫描、倾斜摄影、 激光雷达扫描等 。Xu等[82]研究了盾构隧道的几何变形监测方法 ,提出了一种基于 free-form B-spline 算法的隧道断面特征识别技术 ,通过使用残差分类方法和 均方根误差分布分析可知 ,该方法能够智能识别干扰 目标并进行点云特征的聚类 ,对于提高隧道维护效率和减少人力成本具有重要意义 。Li 等[83]聚焦于盾构隧道数字孪生建模中的关键问题 ,提出了一种基于图像和点云数据的三维隧道信息模型构建方法 ,以应对高精度隧道三维模型构建这一具有挑战性的工程难题。
4.1.3 结构分析方法
数字孪生的主要价值是根据数字孪生数据分析结构健康状况。传统上,基于有限元的结构健康分析是评估结构状态的典型方法。而随着人工智能的发展, 机器学习逐渐成为从数字孪生数据中挖掘信息用于结构健康监测和管理的另一种关键方法。Tan 等 [84] 提出了一种由大数据技术驱动的智能信息系统 ,用于基 础设施的智能管理 。该系统包括数据采集与存储、数据分析以及数据表达模块 , 旨在通过机器学习算法优化海量监测数据 。此研究有助于推动土木工程行业的智能化发展 ,特别是水下盾构隧道等工程的实时监测和数据分析领域。Gu等[85]探讨了地下电力综合管廊中结构沉降和裂缝的智能监测方 ,通过使用智能巡检机器人和改进的反向传播神经网络算法 ,能有效识别和预警管廊墙体裂缝。试验结果证明 ,该方法在地下电力管廊的结构安全监测中具有高识别率和高检测效率 。Zhang等 [86]结合粒子群优化 ( particle swarm optimization,PSO ) 算法和人工神经网络 ( artificial neural network,ANN)预测隧道和地下空间巷道的稳定 性 。ANN-PSO 模型使用了 2006 年至 2019 年收集的 5 座隧道和地下矿山的数据 ,并与其他智能方法进行比较 ,结果显示 ANN-PSO 模型在准确性和性能上优于其他模型 。Ahmed等 [87]研究了利用机器学习技术预测美国隧道劣化的决策支持工具的可行性 。研究包括收集和标准化联邦公路管理局的数据 ,使用 K 最近 邻算法(KNN)、随机森林(random forest,RF)、人工神 经网络(ANN) 和支持向量机(support vector machine , SVM)等算法开发分类模型 ,并优化模型精度 。结果表 明 ,随机森林模型在所有模型中表现最佳 ,精确度达到 85. 38% ,可帮助交通部门评估隧道状况并优化维护 计划。
4.1.4 结构状况预测
预测当前结构状况有助于减少检查时间和成本 , 但这种被动维护模式不足以提前避免结构可能出现的问题 。因此 ,需要预测未来基础设施的状况并提供适当的维护策略。为了选择最佳维护策略, Abraham等[88]提出了一种综合下水道管理系统 ,其中包括网络识别和分类、状况评级、劣化建模、状况预测以及下水 道修复成本优化 。该系统应用于印第安纳波利斯市的 下水道 ,使用动态规划来确定不同阶段下水道的修复 方法 。Sinha 等[89] 提出了基于概率的综合管道管理系 统 ,该系统结合标准管道状况评级、时间依赖的马尔可 夫预测模型及成本效益的优先排序方案 ,辅助市政工 程师做出关于管道维护和修复的战略性投资决策。 Wang 等[90] 提出了一种盾构隧道维护框架 ,通过评估 结构性能和生命周期成本 ,以及进行结构可靠性分析 和研究劣化模型的影响 ,成功指导了主干排水管道的 合理维护计划选择。
总的来说 ,数字孪生技术在城市地下空间的运维阶段对结构物的健康管理起着至关重要的作用 ,其通过集成实时数据反映结构的健康状况并预警潜在风险 。该技术利用高精度的 3D 扫描和激光雷达等手段获取结构几何信息 ,配合先进的算法进行隧道特征识别 ,极大提高了隧道等地下结构的维护效率和精度。 尽管如此 ,数字孪生技术的应用还面临着成本高和技术复杂的挑战 。数据采集成本高以及依赖高端设备使 得数字孪生技术在资源有限的区域难以普及 。此外 , 现有的模型和算法需要进一步优化以适应复杂的实际 应用环境 。为应对这些挑战 ,未来研究可以考虑开发 更经济的数据采集技术 ,例如 : 使用成本较低的传感 器网络 ,探索开源软件工具以降低技术门槛 。另外 ,研 究应加强算法的实用性和鲁棒性 ,利用机器学习等智 能技术提升数据分析的效率和准确性 。通过这些研 究 ,数字孪生技术将更好地服务于城市地下空间的维 护管理 ,有助于提升公共安全和城市运行的可靠性。
4.2 设施监控与管理
设施监控与管理是城市地下空间运维的另一重要方面 ,直接关系到城市运行的效率和安全。利用数字孪生技术可以构建一个全面、动态的设施管理系统 ,该系统不仅能够监控设施状态 ,还能预测和处理潜在的运维问题。基于数字孪生的设备运维管理系统如图9所示。
图 9 基于数字孪生的设备运维管理系统
基于数字孪生模型的设施监控与管理服务方式主要有2种 : 一是基于数字孪生数据分析的管理模式 , 可以反映设施的实时运行状态 ,并提供设施的维护建议 ;二是基于数字孪生并借助扩展现实 ( extended reality,XR)技术的设施监控和管理的新视觉效果。
4.2.1 数据分析技术应用
Chen 等[91] 概述了水下管道数字孪生体的应用现状和挑战 ,并讨论了如何利用多物理建模和数据分析在设计、建设、使用寿命及寿命延长评估中实现实体管道与虚拟模型之间的实时镜像 。Wang 等[92]提出了一种基于压力信号的管道数字孪生模型 ,用于在线更新物理信息和参数、实时显示管道状态 ,并通过支持向量机 (SVM ) 训练模型高效识别和处理管道泄漏。 Lu 等[21] 提出了一种基于贝叶斯优化的变化点检测方法来分析数字孪生数据并识别设施中的异常情况。 Yu 等[65] 建立了隧道运维的数字孪生模型 ,整合了隧道生命周期时空数据 ,开发了基于规则的推理引擎 ,分析了隧道内结构和设备出现的异常问题及其影响 ,提 高了隧道运维决策能力 。Chen 等[93] 将数字孪生技术 与公路隧道机电设备运维深度融合 ,构建了多维度、多尺度的智能运营架构体系 ,并在实际隧道环境中成功应用 ,验证了其在提升运维效率和故障预警方面的有效性 。Zheng 等[94]介绍了城市轨道交通供电系统智能化建设及数字孪生技术 。Guo 等 [95] 结合数字孪生技 术分析了城市轨道交通牵引供电混合网络中各部件的 特性 ,建立了数学模型 ,并在 MATLAB/Simulink 环境下 ,构建了源-网络-负载-存储交互模型 ,进而建立了系统的仿真模型 。Qin 等 [96] 基于 LED (light emitting diode)技术的 4 种隧道照明控制策略 ,发现智能控制策略在长期使用中具有最佳经济效益 ,这些结果对隧 道照明系统的设计和决策具有重要指导意义。
此外 ,应用雷视融合感知采集隧道行车数据 ,运用数字孪生技术实时还原隧道内车辆运行状态 ,动态跟踪车辆行驶轨迹 ,能够实现对隧道交通状况的全域可视化和精准感知。赵国辉等[97]设计了一种集成雷达、 GPS 及视觉技术的多维信息融合雷视一体机 ,利用深度学习技术实现机动车实时检测 ,并通过加权梯度搜索算法对融合后的数据进行优化 ,从而显著提高了路口车辆运行轨迹的感知精度和平滑度 。朱鹏浩等[98]提出了一种基于多传感器融合的隧道智能巡检系统 ,通过模块化数据采集、粒子群优化的神经网络火灾监测技术及帧差法事故图像识别技术 ,显著提升了隧道内异常情况的识别和处理效率 ,有效预防了二次交通事故 ,且 系统具备高度的定制化和泛化能力。
4.2.2 扩展现实技术应用
Xie 等[99] 提出利用BIM、增强现实 ( augmented reality,AR)、分布式传感器网络、数字孪生技术为运维管理提供先进的技术支撑 ,并提出基于 AR 的自动异常和故障检测, 帮助设施管理人员解决环境问题。 Shen 等[100]利用VR和数值模拟确定虚拟世界中的照明参数 ,然后将该方案应用到真实场景中进行测试和验证 ,以改进隧道照明设备的设计 。Zhao 等[101]开发了一种隧道交通数字孪生系统 ,以区域沉浸式光引导为技术突破口 ,提高了数字隧道交通的运维效率和动态交通引导的完善性 。该系统通过创建的 3D 模型与现实世界相映射的数字孪生平台和实施局部 3D 调光/色温动态控制 ,能够连接大量外部设备 ,响应速度高 ,并且可以同步精度 ,显著提升了系统的可靠性和先进性。
目前 ,在城市地下空间的设施监控与管理中 ,数字孪生技术已经展示出巨大的潜力 ,通过建立动态的管理系统不仅能实时监控设施状态 ,还能预测和处理潜在问题。此技术结合变化点检测、时空数据整合以及智能化故障预警系统等,极大提高了隧道及其他基础设施的运维决策能力和效率。此外 ,扩展现实(XR)技术的融入为设施监控带来了新视觉效果和更强的交互性 ,例如 : 通过 AR 和 VR 技术进行故障检测和照明设备设计优化。尽管如此 ,这些高端技术的应用也面临着一些挑战 ,例如成本高、技术复杂以及依赖专业技术人员 。此外 ,现有系统的数据处理和分析能力还需进 一步提高 ,以应对日益增长的数据量和运维需求 。解决这些问题的策略包括开发效益更高的监控技术 ,降低技术应用门槛 ;此外 ,优化数据处理算法和增强系统 的自动化水平也是关键 ,可以通过引入更先进的机器 学习技术来实现 。这些改进将使数字孪生技术更加普及 ,以提升城市地下空间设施的安全性和运行效率。
4. 3 能源与环境管理
全球城市化过程中化石燃料 CO2 排放量占全球总排放量的 70% 以上[102] 。随着气候变化 ,能源和环境问题越来越受到人们的关注 。运维阶段作为城市地下空间整个生命周期中持续时间最长的阶段 ,也是能耗和碳排放最高的阶段[103] 。因此 ,利用数字孪生技术对城市地下空间基础设施运维阶段的能源消耗和碳排放进行详细管理 ,对于实现节能减排具有重要意义[104] 。基于数字孪生的绿色能耗评估系统如图10所示。
图 10 基于数字孪生的绿色能耗评估系统
4.3.1 能耗与资源管理
对于能源管理 ,数字孪生技术主要应用在能源监测、能源优化及风险评估和预测方面。
对于能源监测 ,通过实时数据收集与分析 ,实现能源使用的透明化和可视化 ,帮助管理者及时了解能源消耗情况 。Su等[105] 建立了基于理论分析和实际运营数据的地铁站能耗子系统模型 ,通过输入实际项目中容易获取的参数来计算各系统的能耗 ,并应用该模型评估了6个地铁站的运行状况及节能措施,有效指导了实际项目中的节能改造。
对于能源优化 ,利用高级算法和模型对能源系统进行优化配置 , 以实现能源使用效率的最大化。Heo 等[106] 提出了一种基于深度强化学习 ( deep reinforcement learning,DeepRL) 的智能通风控制系统 , 利用深度 Q 网络(deep Q-network,DQN)算法优化地铁站的室内空气质量。该系统在虚拟环境中进行训练,能够根据室内外空气质量动态调整通风策略 。研究结果显示 ,该系统能有效降低能耗14. 4% ,并显著改善室内空气质量至可接受水平。Yin 等[107] 基于现场测试数据,从能耗、负荷和温度3个方面分析了地铁站通
风与空调系统的变化规律 ,并指出了系统运行管理中存在的问题 ,提出了3种通用模型和7种节能策略 ,优化后的系统能耗降低超过 30% ,为地铁热环境理论研究和环境控制系统设计提供了宝贵的实测数据。
此外 ,风险评估和预测也是能源管理中不可或缺的一部分 ,通过预测模型评估未来能源市场的变化和潜在风险 ,为能源策略的制定提供科学依据 。这些应用不仅促进了能源的节约和高效利用 ,还增强了能源系统的安全性和可靠性。Wang等[40]提出了一种基于数字孪生技术的列车牵引能耗模型 ,并采用群体智能优化算法修正模型参数 ,试验结果表明 ,修正后的模型能够准确预测列车能耗 ,提高地铁运营系统的安全性。
4.3.2 碳排放与环境管理
除了能源使用效率外 ,运维阶段的碳排放对环境也有重要影响。因此 ,城市地下基础设施碳排放评估是将数字孪生技术应用于环境控制的另一个重要方面 。Kaewunruen 等[108] 引入了数字孪生方法辅助对地 铁站进行全生命周期成本估算和碳排放评估 ,通过集成3D模型 ,获得施工进度、成本估算、碳排放计算和其他信息模型数据 。Sun 等[109] 拓展了预防性维护调度问题 ,考虑了社会影响、环境影响和整个规划范围内 的意外维护 ,提出了一种随机双目标整数规划模型 ,以最小化总成本和整个规划范围内隧道维护的碳排放 , 并通过粒子群优化 ( PSO ) 和遗传算法 ( genetic algorithm,GA) 的混合算法模型实现对隧道工程的运维管理分析 。Song 等[110] 探讨了隧道照明在安全、视觉舒适、节能和低碳方面的研究进展 ,通过文献计量分析和 CiteSpace 工具 ,总结了当前灯具布置、视觉舒适 度优化及低碳技术的应用 。尽管在隧道照明领域已取得一定成果 ,但如何实现碳中和全智能控制的集成系 统仍需进一步研究 。Liu 等[111] 提出了基于数字模型的公路隧道隐含碳排放评估框架 ,以确定隧道建设过程中 的碳排放边界 ,并实现其快速计算和可视化 ,通过分析 2 个地区的典型公路隧道案例 ,揭示了材料生产阶段以及混凝土和钢材是隧道碳排放的主要来源。
数字孪生技术还可以应用于室内环境管理 ,以保证环境舒适度和低能耗 。Kalla 等[112] 提出了一种使用数字孪生技术生成虚拟现实场景的方法 ,以评估火车站绿化对公众健康的影响。Lin 等 [113] 提出了一种环境监测系统 ,利用 WSN(wireless sensor network)和 BIM 技术实现数字孪生 ,应用数字孪生技术对多层停车场的温度、湿度、一氧化碳等环境参数进行监测 ,并将采集到的数据进行传输 。Agostinelli 等[114]结合计算机 视觉和 BIM 构建数字孪生照明系统 ,以提高能源使用效率 。Wang 等[115]提出了使用SensorML来丰富 BIM 的语义 ,以支持建筑环境自动化感知和监测 。Gnecco等 [116]将 BIM 模型与物联网系统的监测信息集成 ,构建数字孪生模型 ,所有信息源通过图神经网络集成 在一个视觉平台中 , 以帮助分析人体舒适度和能源行为。
基于以上内容 ,在城市地下空间的能源与环境管理中,通过实时数据监控和先进算法优化 ,实现能源使用的透明化、可视化及效率最大化。此外 ,结合扩展现实技术(如 AR 和 VR) ,数字孪生技术能更有效地进行故障检测和环境控制 ,提升室内空气和整体环境质量。 尽管数字孪生技术在能源和环境管理方面有显著优势 ,但其实施和维护仍面临一些挑战 ,技术复杂、成本高及对专业技术人员的高依赖性是主要障碍 ;另外 ,对于大规模和复杂的城市基础设施 ,数据的集成和分析
往往存在处理延迟和准确性不足的问题。为克服这些挑战 ,研究和开发更为经济有效的数字孪生实施方案至关重要。此外,优化数据处理算法、提高系统的自动化和智能化水平 ,例如通过深度学习和机器学习技术增强数据分析的实时性和准确性 ,将是进一步研究的重点。通过这些研究 ,数字孪生技术将能更广泛地应用于城市地下空间的能源和环境管理中 ,有效支持城市的可持续发展目标。
4.4 灾害评估与应急管理
在运维阶段 ,尤其是在城市地下空间灾害评估与应急管理方面 ,数字孪生技术的应用不仅可以提高响应速度 ,还能显著提升决策的精准性和有效性。基于数字孪生的灾害评估与应急管理主要流程如图11所示。
图 11 基于数字孪生的灾害评估与应急管理主要流程
4.4.1 风险评估
在灾害的风险评估领域 ,数字孪生技术通过实时数据采集和虚拟模拟分析 ,能显著提高安全管理的效率和准确性 。Yang 等[117] 分析了公路隧道运营监控数据的特点 ,并设计了一种基于 CNN-LSTM-attention 模型的多模态信息融合方法 ,用于开发数字孪生系统以支持公路隧道的运营。该系统不仅解决了信息服务能力弱和数据应用不足的问题 ,还实现了公路隧道运营的精准感知、风险评估、决策预警和应急管理的闭环管理 , 显著提升了隧道交通安全和管理效率。 Park 等[118]探讨了数字孪生技术在城市基础设施地下综合管廊灾害安全管理中的应用 ,并对 Dense Depth 迁 移学习方法和地板平面投影的坐标系转换方法 2 种深度估计方法进行了比较。结果显示 ,地板平面投影方法在长距离管廊工程中的精确度较高 ,更适合于在地下综合管廊的数字孪生模型中进行物体位置的精确同步 。Jeong 等[119] 提出了针对地下公用设施的公共事业数字孪生系统 ,以满足24h监控的需求 ,并弥补人力资源的短缺 。通过将物理空间和虚拟空间概念结合 ,并根据任务需求设计系统功能 ,该系统能够有效预警灾害并维持城市的生命线功能 。Wu 等[63] 开发了智能系统和数字孪生技术 。该系统由 4 个主要组件构成 ,可以准确地收集、处理和可视化火灾数据 ,能在大型数值数据库的支持下通过人工智能模型成功预测火灾的规模和位置 。该系统的准确率高达 98% ,并且在极端情况下即使部分传感器失效也能有效工作 ,显示出极高的及时性和稳健性 ,对智能消防技术的发展具有重要意义 。张东[120] 提出了一种基于雷视一体机数据的隧道交通安全风险评估模型 ,通过分析驾驶行为特征和应用高精度数据挖掘技术 ,成功识别了不良驾驶行为 ,并构建了具有高准确率的交通安全风险分级系统。
4.4.2 应急管理
在灾害的应急管理方面 ,数字孪生技术为处理复杂灾害情景提供了前所未有的动态可视性和实时数据分析能力 。Fan 等[121] 通过跨学科融合、集成人工智能算法改善灾害评估与决策制定 ,并增强复杂灾害管理和人道行动的网络动态可视性 ,以促进危机信息学和信息通信技术在灾害管理领域的发展 。Han 等[122] 提出了一种基于数字孪生技术的引导系统 ,以提高狭窄走廊或隧道等细长形状基础设施中的疏散效率。Guo 等 [123] 结合随机森林(RF) 和非支配排序遗传算法Ⅲ (NSGA-Ⅲ)提出了一种模拟方法 ,用于优化和评估地铁车站的疏散过程,实现了对地铁车站疏散的动态模拟和多目标优化。
同时 ,AR和VR技术也广泛应用于地下空间应急演练中 。Liu 等[124] 通过虚拟现实在应急培训中的应用 ,指出基于 VR 的培训相较于传统方法具有更好的培训效果 ,但提供个性化的培训内容仍然是一个挑战。 石来等[125] 开发了一个集成火灾动态模拟和热感单元的逃生 VR 系统 ,通过 PyroSim 软件模拟火灾并利用 Unity 进行场景交互设计 ,实现了高度真实的火灾逃生体验 。安文娟等[126] 为提高公路隧道火灾场景下的疏散训练生态效度 ,研发了一种基于内嵌 Inside-out 定位技术的 VR 一体机的 6DoF(six degrees of freedom) 人员疏散试验系统。
综上所述 ,数字孪生技术在城市地下空间灾害评估与应急管理领域已显示出显著优势 ,其能够提高应急响应速度并精确化决策过程 。数字孪生技术通过模 拟和实时数据分析 ,有效预警并应对潜在风险 ,增强了 隧道及其他基础设施的安全监控与管理能力 ,结合机器学习和深度学习算法可以实现对复杂数据的精准处理和风险评估 。尽管数字孪生技术极大提高了灾害评估与应急管理的效率 ,但其应用也面临着数据集成、系统复杂以及实时数据处理的挑战 ;此外 ,技术的高成本和对专业技术人员的高度依赖也限制了其应用 。总的来说 ,未来研究需要集中于简化数字孪生系统的架构和操作 ,降低技术实施的成本 ,提高系统的用户友好性 ;同时 ,应加强算法的优化和自动化 ,以提高数据处理的速度和准确性 ,特别是在数据量大且更新频繁的环境中 ;此外 ,加快推动跨学科合作和技术交流 ,以发展更为集成和高效的应急管理解决方案 ,更好地满足城市地下空间在复杂应急情况下的需求。
5 结论与展望
本文通过 VOSviewer 软件对文献进行统计和分析 ,整理了数字孪生技术在结构健康监测与管理、设施监控与管理、能源与环境管理、灾害评估与应急管理领域中的应用 ,总结了城市地下空间运维阶段实现数字孪生使用的相关技术 。在整合了数字孪生技术实施广度与深度的基础上 ,提出以下研究展望 :
1)系统性指标体系建立 。城市地下空间具有布局复杂、多系统共存、场景多样的特点 ,当前缺乏一个系统性的运行性态指标体系 。通过数字孪生技术 ,可以开展关键指标的研究 ,结合理论建模和数值仿真 ,解析运行性态的感测概率和参数 ,提出基于数字孪生的关键要素量化分析与度量的表征理论 ,建立城市地下空间运维性态关键感测参数的知识图谱 ,为城市地下空间的智慧运维提供理论支持。
2)多模态智能感知技术研发 。考虑到运维性态关键参数种类多、感知技术多源的特点 ,需要融合微机电系统、光电传感等技术 ,研发数字孪生技术支持的多维度、多层次、多粒度的智慧感知终端 ,实现地下空间运维性态的全息精准感知 ;同时 ,基于机器视觉和边缘计算的轻量化前端辨识装置及无线自组织传感器网络 ,将进一步实现城市地下空间的高效端-边-云协同自组网互联。
3)多因素耦合作用下的性态演变规律研究 。城市地下空间是一个复杂多子系统耦合关联的运行系统 ,可通过数字孪生技术揭示由结构、设施、能耗、环境、客流、车流、事态等多因素耦合作用下的运行性态特征及其演变规律 ,可以提供精准的预测性运维管控和决策支持 ,解决系统功能溃变引发的全局多系统混乱问题。
4)多维度性态智能评估技术研究 。针对城市地下空间复杂的多维度性态指标和复杂空间布局的特点 ,研究基于数字孪生技术的多维度运行性态智能评估技术显得尤为重要 。通过智能提取运行性态指标、 多源数据与空间布局的多重映射关系以及运行性态的多尺度特征 ,基于信息-空间特征的深度融合 ,建立运行性态多尺度时空特征的智能评估模型 ,实现运维实体核心特征与数字孪生体间的精准映射。