数字孪生保障百年大坝安全

寻求防止大坝灾害

2017年2月，北加州的强降雨淹过了奥罗维尔大坝。官方发现，侵蚀随时间推移导致主溢洪道形成一个坑洞，限制了可以排放的水量，导致奥罗维尔湖水位上升。结果导致，水溢流到以前从未使用过的紧急溢洪道，造成严重的地面侵蚀和大坝损坏。由于面临溃坝的可能性，为预防起见，居住在下游的超过18万人被疏散。虽然奥罗维尔大坝最终得以保持完好，但这一事件给全国各地的大坝业主和运营商敲响了警钟，并凸显了实施更有效维护以避免出现潜在灾害的必要性。

Seattle City Light就是这样的一家业主运营商，它对自己的六处设施开展了重大安全审查，以防突发灾难，包括1936年在华盛顿州西北部的斯卡吉特河沿岸修建的Diablo大坝。为了超越传统方法，改进对Diablo大坝的检测技术，更深入透彻地了解老化大坝的现状，他们希望建立虚拟检查方法，收集更多信息，同时将160英尺高设施的安全风险降至最低，并降低检查成本。Seattle City Light委托HDR使用无人机对大坝及其周围环境进行勘测。勘测内容必须包括大坝结构、溢洪道、石桥台和混凝土拱的详细图像。虽然HDR可以收集有关大坝现状的丰富信息，但还需要一种方法，以一种直观且易于理解的方式来整理和呈现这些数据，从而帮助运营商改善决策，快速应对不断变化的情况。

将数字孪生模型与机器学习相结合

HDR确定，管理收集的数据并将其用于更有效的检查，最有效的方法是创建一个数字孪生模型。这种大坝的虚拟复制品为运营商了解设施状态提供另一个参考点，并提供一种新的方法，可通过直观的数据可视化来保持对任何变化的感知。理想情况下，数字孪生模型能够整合从传统借助悬吊绳索检查中收集的数据，而这些人工检查提供了无人机勘测可能错过的关键视角。开发数字孪生模型后，将建立基础环境数据，这些基础环境数据随着现实情况的变化而更新。

然而，项目业主希望不仅仅获得现实情况的准确反映。要实现这些目标，HDR需要将Diablo大坝的结构体系、工程和施工数据全部整合到数字孪生模型中。此外，业主希望将人工智能和机器学习纳入到模型中。这些功能使大坝工作人员能够进行预测分析，并确定资产和岩土工程状况在未来将如何变化，例如周围土体随着时间推移的自然转移和侵蚀。他们还希望自动识别裂缝和剥落，支持运营商迅速采取补救措施，防止发展成更大的问题。业主通过这些信息，可以进一步改善针对性维护计划，帮助确保安全运营。HDR寻求这样一种数字孪生平台，该平台可以在他们的实景模型中融入必要的先进功能，以保证Diablo大坝不会遭遇灾害。

将所有数据和功能与Bentley应用程序结合

HDR认为，ContextCapture和Bentley iTwin平台可以帮助他们开发一种数字孪生模型，这种模型能够结合所需的分析和机器学习功能来确保大坝安全。在6个小时的无人机航拍中，他们收集了8200万个数据点，覆盖大坝及其周围环境的所有元素。然后，使用ContextCapture将这些数据与绳索勘测收集的数据相结合，创建一个高精度勘测级的区域实景模型。在这个过程中，数据帮助工程师识别难以人工访问的地质特征，这有助于提高未来评估的准确性。

随后，团队使用iTwin平台创建一个覆盖大坝及其周围环境的高精度数字孪生模型。将所有项目信息纳入到整合模型中，无论是哪个专业的数据。iTwin平台是一个开放性平台，HDR在其中融合了他们偏爱的人工智能和机器学习技术。这使得数字孪生模型可以自动检测裂缝和剥落，并将它们与无害的阴影、变色和藻类生长区分开来。通过将预测分析整合到数字孪生模型中，大坝工程师可以将某一年份的数据与其他年份的数据进行比较。通过观察周围环境随时间的变化，比如土体移动，他们预测，除了异常地震活动外，随着时间的推移，该结构将继续以类似的速度移动。

更快地采取补救措施

将大坝资产、结构和周围环境的所有状态信息集成到一个数字孪生模型中，极大地改善了对项目数据的访问和理解。将具有勘测级精度的数字模型与传统的现场绳索检查相结合，支持检查员更详细地了解当前状况。HDR估测，数字孪生模型的初始实景采集成本仅占传统勘测的四分之一。精度控制在2厘米以内，使大坝运营商可以检测到更小的异常，并采取补救措施，以免发展为更大的问题。此外，许多运营商还可以从办公室或远程工作站跟踪大坝的当前状况，这提高了安全性和便利性。

现在，所有大坝利益相关人员都可以快速分享信息，这提供了一个统一的信息源，并加快了决策。人工智能和机器学习的应用支持业主自动识别有异常的混凝土区域，然后区分裂缝和剥落，以便更好地确定所需的补救措施，防止问题恶化。同时，过滤掉阴影和变色可以防止不必要的维护活动。大坝运营商计划在数字孪生模型中添加更多的功能，例如额外的水利工程、隆起分析、变化和异常检测，以进一步提高大坝的持续安全性，并提供额外的ROI来源。