精细化动态地质模型结合GEOAI的灾害数字孪生仿真方法与流程

本发明涉及数字孪生领域，特别是一种精细化动态地质模型结合geoai的灾害数字孪生仿真方法。

背景技术：

1、随着煤矿灾害频发和全球气候变化的不断加剧，对于煤矿地质灾害的预测、监测和管理变得尤为重要。传统的地质模型在捕捉地质过程和灾害演变方面存在一定的局限性，而现代地学和人工智能(artificial intelligence，ai)的发展为地质模型的提升提供了新的机遇。传统地质模型通常受到地理数据精度和分辨率的限制，难以捕捉煤矿灾害发生时地表和地下过程的微观细节。因此不能很好的、精准的对于煤矿地质灾害的预测、监测和管理。

技术实现思路

1、鉴于上述问题，本发明提出了一种精细化动态地质模型结合geoai的灾害数字孪生仿真方法。

2、本发明实施例提供了一种精细化动态地质模型结合geoai的灾害数字孪生仿真方法，所述灾害数字孪生仿真方法包括：

3、精细化动态地质灾害仿真模型建模及网格初始化；

4、对所述精细化动态地质灾害仿真模型中计算单元的参数初始化；

5、对所述精细化动态地质灾害仿真模型进行数值模拟；

6、对所述精细化动态地质灾害仿真模型进行实时动态修正；

7、基于所述数值模拟过程中的各项数据，建立精细化动态地质灾害演化数据库；

8、基于精细化动态地质灾害演化数据库，利用geoai，训练精细化动态地质灾害仿真推理校准模型；

9、基于所述精细化动态地质灾害仿真模型和所述精细化动态地质灾害仿真推理校准模型，进行矿井地质灾害演化及反演，并进行可视化展示。

10、可选地，精细化动态地质灾害仿真模型建模及网格初始化，包括：

11、利用钻探、物探、化探、测绘、实验室分析专业综合分析方法，以及利用地理信息系统gis技术、建筑信息建模bim、计算机辅助设计cad软件建模技术，构建精细化煤层与岩层地层形态与特性、巷道、地质储量、构造、水文、瓦斯、矿压、岩石或地层物理性质参数等空间分布情况，自动接入矿井地质揭露数据和感知数据，形成精细化动态地质模型；

12、对所述精细化动态地质模型进行网格划分，并校验网格计算封闭性，形成满足灾害仿真所需精度与数量的网格，所述网格是所述计算单元的集合进而得到所述精细化动态地质灾害仿真模型，所述网格包含结构化网格与非结构化网格；

13、其中，所述计算单元为所述精细化动态地质模型经进行网格划分后形成的具备真实坐标的基本单元，且每个计算单元具备相应的参数。

14、可选地，所述计算单元的参数包括：边界条件与单元属性；

15、所述边界条件为矿井火灾、矿井水害、矿井冲击地压、矿井顶板、矿井瓦斯、矿井粉尘、矿井热害、以及矿井耦合灾害涉及的灾害仿真边界条件，其包括：速度边界、位移边界、应力边界、自由场边界、粘性边界、质量边界、流量边界、压力边界、风机边界、交界面边界、壁面边界、对称面边界、水动力边界、水位边界、浓度边界等边界条件；

16、所述单元属性为矿井火灾、矿井水灾、矿井冲击地压、矿井顶板、矿井瓦斯、矿井粉尘、矿井热害、以及矿井耦合灾害涉及的灾害仿真单元属性，其包括：弹性模量、泊松比、体积模量、剪切模量、粘聚力、内摩擦角、抗拉强度、剪胀角、应力、应变、位移、速度、温度、质量、密度、孔裂隙流体压力、流体流速、孔隙率、渗透率、质量源项、渗透系数、扩散系数、流体粘度、煤的水分和灰分。

17、可选地，对所述精细化动态地质灾害仿真模型进行数值模拟，包括：

18、将矿井火灾、矿井水灾、矿井冲击地压、矿井顶板、矿井瓦斯、矿井粉尘、矿井热害、以及矿井耦合灾害涉及的物理场数学模型，应用于每个所述计算单元，建立代表局部行为的本征方程；

19、将多个所述计算单元各自的本征方程组合成一个整体求解对象；

20、对整体求解对象进行数值计算；所述本征方程为矿井火灾、矿井水灾、矿井冲击地压、矿井顶板、矿井瓦斯、矿井粉尘、矿井热害、以及矿井耦合涉及的本征方程，其包括：

21、空单元模型、各向同性模型、正交各向异性模型、横向各向同性模型、drucker-prager模型、摩尔-库仑模型、多节理模型、横向同性多节理模型、应变硬化/软化模型、双线性应变硬化/软化多节理模型、d-y模型、修正的剑桥模型、霍克-布朗模型、霍克-布朗-pac模型、c-y模型、简化c-y模型、塑性硬化模型、膨胀模型和摩尔-库仑拉裂模、纳维-斯托克斯方程、计算流体力学直接模拟、大涡模型、湍流模型、传热模型、多相流模型、燃烧模型、颗粒动力学模型、辐射模型、化学反应模型、自由表面模型、声学模型、水-力耦合本构模型，水-岩劣化本构模型，流体弹塑性本构模型，牛顿流体本构模型，非牛顿流体本构模型，oldroyd-b本构模型，扩散模型，流-固-热多场耦合模型，层流模型、双重孔隙介质模型；

22、所述精细化动态地质灾害仿真模型实时计算方法包括有限差分法、有限元法、边界元法、有限体积法、离散元法。

23、可选地，对所述精细化动态地质灾害仿真模型进行实时动态修正，包括：

24、所述精细化动态地质灾害仿真模型接收揭露数据与感知数据的真实数据；

25、所述精细化动态地质灾害仿真模型利用所述真实数据，同步更新内部各个所述计算单元的参数，更新方式包括：直接替换计算单元的属性、插值替换计算区域内多个计算单元的属性。

26、可选地，基于所述数值模拟过程中的各项数据，建立精细化动态地质灾害演化数据库，包括：

27、将地质、感知数据、仿真模拟数据、空间数据及时间数据存储至所述精细化动态地质灾害演化数据库；

28、利用分布式存储实现所述精细化动态地质灾害演化数据库的统一存储。

29、可选地，基于精细化动态地质灾害演化数据库，利用geoai，训练精细化动态地质灾害仿真推理校准模型，包括：

30、基于所述精细化动态地质灾害演化数据库，制作精细化动态地质灾害仿真实时的推理校准模型数据集；

31、基于所述实时的推理校准模型数据集，对所述精细化动态地质灾害仿真推理校准模型进行训练；

32、基于训练结果，对所述精细化动态地质灾害仿真推理校准模型进行实时预测。

33、可选地，基于所述精细化动态地质灾害演化数据库，制作精细化动态地质灾害仿真实时的推理校准模型数据集，包括：

34、获取所述精细化动态地质灾害演化数据库中的各项数据；

35、基于所述各项数据，生成所述精细化动态地质灾害仿真推理校准模型所需的输入图节点特征、输入图拓扑结构特征以及输出特征；

36、其中，所述图节点代表所述精细化动态地质灾害仿真模型的空间关系；

37、所述图节点特征代表所述精细化动态地质灾害仿真模型对应位置的多维时间序列特征，其包括：所述计算单元的属性；

38、所述输入图节点特征利用仿真产生的灾害数据得到；

39、所述输入图拓扑结构特征利用矿井灾害图邻接矩阵得到；

40、所述输出特征利用矿井地质揭露数据和感知数据得到。

41、可选地，构建所述矿井灾害邻接矩阵的方式包括：

42、根据节点间空间距离构建、根据节点间多维序列相似度构建、根据节点所处矿井巷道连通性构建、以及耦合构建。

43、可选地，对所述精细化动态地质灾害仿真推理校准模型进行训练，包括：

44、利用geoai训练所述精细化动态地质灾害仿真推理校准模型；

45、其中，所述geoai由若干个时空图神经网络组件组成；

46、所述时空图神经网络组件抽取精细化动态地质灾害数据的空间与时间特征；

47、每个所述时空图神经网络组件由若干层空间特征提取网络子组件与时间特征提取网络子组件组成；

48、所述空间特征提取网络子组件提取精细化动态地质灾害仿真数据的空间特征，所述空间特征提取网络包括：卷积图神经网络、循环图神经网络、图注意力网络、图残差网络；

49、所述时间特征提取网络子组件提取精细化动态地质灾害仿真数据的时间特征，所述时间特征提取网络包括：全连接神经网络、卷积神经网络、循环神经网络、注意力机制网络、残差网络。

50、可选地，对所述精细化动态地质灾害仿真推理校准模型进行预测，包括：

51、加载训练好的精细化动态地质灾害仿真推理校准模型，利用精细化动态地质灾害仿真数据作为其输入，预测矿井地质揭露与感知特征，进而得到精细化动态地质矿井灾害数字孪生模型。

52、可选地，基于所述精细化动态地质灾害仿真模型和所述精细化动态地质灾害仿真推理校准模型，进行矿井地质灾害演化及反演，并进行可视化展示，包括：

53、所述精细化动态地质灾害仿真模型和所述精细化动态地质灾害仿真推理校准模型共同构成所述精细化动态地质矿井灾害数字孪生模型；

54、利用三维可视化技术，对所述精细化动态地质矿井灾害数字孪生模型进行实时渲染展示；

55、对所述精细化动态地质矿井灾害数字孪生模型的视频、音频及演化过程各类数据进行统一存储与查询调取管理。

56、本发明提供的一种精细化动态地质模型结合geoai的灾害数字孪生仿真方法，先对精细化动态地质灾害仿真模型建模及网格初始化；再对精细化动态地质灾害仿真模型中计算单元的参数初始化；之后对精细化动态地质灾害仿真模型进行数值模拟。

57、仿真后，对精细化动态地质灾害仿真模型进行实时动态修正；再基于数值模拟过程中的各项数据，建立精细化动态地质灾害演化数据库；基于精细化动态地质灾害演化数据库，利用geoai，训练精细化动态地质灾害仿真推理校准模型；最后基于精细化动态地质灾害仿真模型和精细化动态地质灾害仿真推理校准模型，进行矿井地质灾害演化及反演，并进行可视化展示。

58、本发明基于精细地质模型结合geoai(geospatialai，地理空间人工智能)的灾害数字孪生仿真方法，其核心理念是将高分辨率的地质模型、煤矿瓦斯、火灾、水害、冲击地压、顶板灾害数值仿真与先进的geoai技术相融合，以建立一个数字孪生系统，能够模拟并精细表达煤矿灾害演变，从而更准确地预测和评估灾害风险。

59、本发明提出的方法充分利用了高分辨率遥感数据、地质勘探数据、监测感知数据和其他多源地学数据，通过先进的数值计算技术建立起更为准确的地质模型。同时，geoai技术通过深度学习、模式识别和数据挖掘等方法，对海量地质信息进行分析和学习，从而更好地理解和模拟地质系统的复杂性。

60、该灾害数字孪生仿真方法不仅能够提供对煤矿地质灾害潜在发生地区的高度准确的预测，还能够在实时监测中提供灵活的应对策略。此外，通过结合地质模型和geoai，还可以对潜在的灾害演变路径进行模拟，为防灾减灾决策提供科学依据。这一创新性的方法在地质灾害风险评估和管理领域具有广泛的应用前景，有望推动地学和人工智能的深度融合，为社会提供更为可靠的灾害防控手段。