Page 75 - 2025年第56卷第11期

结论：（1）在数据底板构建方面，基于无人机建模和参数化建模实现了 L3 级别的大坝三维高保真建
模，精度可达 2.74 cm/pixel；基于迁移学习和 ResNet 建立了考虑施工质量的大坝材料参数非均质性分
析模型，心墙区坝料参数预测 R 和 MSE 分别为 0.9839 和 0.147；基于虚拟传感器建立了坝区自由场地
2
震时程预测模型，实现了地震时程提前 10 s 内的超前感知，误差控制在 0.005 cm/s 以内。通过上述技
2
术的集成应用，建立了更加完备的大坝地震响应分析系统数据底板，克服了现有研究以设计期信息来
分析的不足，为大坝精细化仿真提供支撑。（2）在专业模型方面，提出了基于 pix2pixHD 的大坝地震响
应分析时空全域代理模型，通过多层生成对抗神经网络学习大坝地震响应数据的时域分布特征，并基
于局部增强器提升分析结果中空间分布特征的真实性。代理模型沉降预测 R 和 MSE 分别为 0.98 和
2
0.122，误差控制在 0.35 m 以内；加速度预测 R 和 MSE 分别为 0.90 和 0.216，平均误差 10.5%，实现了
2
大坝地震动力响应时空全域分布特征的准确和高效分析。（3）在系统可视化方面，提出了 B/S 架构下基
于 CUDA 加速计算的三维物理场可视化分析方法，提高专业模型的计算效率，仅需 148 ms 可快速分析
和可视化 40 s 内的大坝地震动力时空响应。（4）研发了大坝地震分析数字孪生系统，并应用于西南某
大型砾石黏土心墙堆石坝，实现了数据底板和专业模型构建、土石坝地震动力响应快速分析和可视化
交互，为土石坝地震安全分析提供了新途径和方法。
考虑实际施工质量的土石坝地震动力响应分析需要综合多种因素，针对本文提出的材料参数预测
方法，本文已在具体大坝工程中对静力本构模型参数开展了现场试验与预测，但目前动力本构模型参
数的相关试验记录尚不满足实现条件，有待后续研究开展动三轴试验，通过对动剪模量、阻尼比、残
余变形等参数的进一步量化，进一步提高大坝地震动力响应分析数字孪生的准确性。此外，本文针对
大坝地震动力响应分析进行了数字孪生探索，为进一步推进大坝数字孪生建设，有待进一步结合更多
维的指标数据实现大坝地震综合安全评价，拓展该数字孪生系统的功能和应用场景。

参 考 文 献：

［ 1 ］ 孔宪京，周晨光，邹德高，等 . 高土石坝-地基动力相互作用的影响研究［J］ 水利学报，2019，50（12）：
.
1417-1432.
［ 2 ］ 张雪东，魏迎奇，聂鼎，等 . 基于离心机振动台模型试验的面板堆石坝地震响应研究［J］ 水利学报，2019，
.
50（5）：589-597.
.
［ 3 ］ 张饶，金峰，黄杜若，等 . 地震波频率非平稳对土石坝非线性结构响应影响研究［J］ 水利学报，2022，53
（8）：926-938.
［ 4 ］ 梅文健，郭永刚 . 大坝强震应急决策支持系统设计与实现［J］ 地震工程学报，2024，46（5）：1234-1242.
.
.
［ 5 ］ 段龙飞 . 基于人工智能的水库地震实时监测系统的研发与应用［D］ 北京：中国地震局地震预测研究所，2023.
［ 6 ］ SAEED R， MORADLOO A J. A surrogate model for predicting dam displacement under seismic load for different
.
orthotropic states of concrete［J］ Innovative Infrastructure Solutions，2024，9（4）：115.
/
［ 7 ］ TUEGEL E. The airframe digital twin：some challenges to realization［C］/53rd AIAA/ASME/ASCE/AHS/ASC struc‐
tures， structural dynamics and materials conference 20th AIAA/ASME/AHS adaptive structures conference 14th
AIAA. 2012.
［ 8 ］ GLAESSGEN E， STARGEL D. The digital twin paradigm for future NASA and US Air Force vehicles［C］/53rd
/
AIAA/ASME/ASCE/AHS/ASC structures， structural dynamics and materials conference 20th AIAA/ASME/AHS
adaptive structures conference 14th AIAA. 2012.
.
［ 9 ］ GRIEVES M W. Product lifecycle management：the new paradigm for enterprises［J］ International Journal of Prod‐
uct Development，2005，2（1/2）：71-84.
［ 10］ 刘占省，莫言迟，侯本伟，等 . 地震灾害场景下城市生命线工程系统数字孪生模型构建［J］ 建筑结构学报，
.
2025，46（2）：1-10.
.
［ 11］ 姚梓洛 . 基于数字孪生模型的震后高层建筑健康状态智能诊断方法［D］ 广州：广州大学，2024.
［ 12］ 胡兆冰，杨林 . 数字孪生技术在高速铁路地震预警系统中的应用研究［J］ 铁道运输与经济，2024，46（3）：
.
115-124.
［ 13］ 唐和生，王泽宇，陈嘉缘 . 基于数字孪生和深度学习的结构损伤识别［J］ 土木与环境工程学报（中英文），
.
2024，46（1）：110-121.
— 1466 —