智慧化技术在城市滨海软土工程的应用前景与挑战

佀传琪; 王琛; 梁家馨; 华建; 梁发云

doi:10.11779/CJGE2024S20045

智慧化技术在城市滨海软土工程的应用前景与挑战 English Version

佀传琪^1,,
王琛^1, ,,
梁家馨²,
华建¹,
梁发云¹

1.
同济大学土木工程学院, 上海 200000
2.
太原理工大学土木工程学院, 山西太原 030024

基金项目:

上海市“科技创新行动计划”项目 22692195500

上海市级大学生创新创业训练项目 S202410247429

详细信息

作者简介:
佀传琪(2004—)，女，本科生，主要从事智能建造相关研究。E-mail: 2250745@tongji.edu.cn

通讯作者:
王琛, E-mail: cwang33@tongji.edu.cn

中图分类号: TU43
计量
- 文章访问数: 85
- HTML全文浏览量: 9
- PDF下载量: 23
出版历程
- 收稿日期: 2024-06-21
- 刊出日期: 2024-09-30

Application prospects and challenges of intelligent technology in urban coastal soft soil engineering

1.
College of Civil Engineering, Tongji University, Shanghai 200000, China
2.
College of Civil Engineering, Taiyuan University of Technology, Taiyuan 030024, China

摘要

摘要: 在城市建设高质量发展阶段，滨海地区面临迫切的城市更新需求。这类地区通常环境敏感复杂，传统的软土工程数据采集与分析手段往往需借助大量的人力、物力，且难以保证大范围、高效率、不间断地执行，智慧化技术成为解决这一问题的重要手段。梳理了智慧化技术在数据感知、智能预测和可视化交互3方面的现状，分别对比总结了接触式、非接触式感知技术，大数据分析与参数化建模方法，数字孪生与交互式平台，及其在软土工程中的应用与挑战，为深入理解智慧化技术的内涵及应用前景提供支持，助力行业新质生产力发展。
- 软土地基 /
- 智能化监测 /
- 数据采集 /
- 模型构建
Abstract: Due to the high-quality urban development, the coastal areas are confronted with demands for urban renewal. These regions typically exhibit environmental sensitivity and complexity, while the conventional approaches often rely on manpower and resources, making it arduous to ensure extensive coverage, high efficiency and uninterrupted implementation. Consequently, the intelligent technology has emerged as a crucial means to tackle this issue. This study provides an overview of the current state of the intelligent technology in three key aspects: data perception, intelligent prediction, and visual interaction. The applications and challenges of contact and non-contact measurements, big data analysis and parametric modeling as well as the digital twin and interactive platform in soft soil engineering are summarized. It aims to facilitate a comprehensive understanding of the essence of the intelligent technology and its prospects while contributing towards fostering new quality productive forces.
- soft soil foundation /
- intelligent monitoring /
- data collection /
- model building

HTML全文

0.   引言

非饱和状态是影响土体力学特性的重要因素。基质吸力的增加直接降低了土体的含水率，提高了土体的抗剪强度和模量，进而对岩土工程的稳定性产生显著影响。因此，土水特征研究一直是非饱和土研究的热点。

过去，人们对细粒土（如黏土、粉质黏土、砂土等）的土水特征进行了大量研究，但对大颗粒粗粒堆积土的土水特征研究较少，主要是受限于现有测试设备的尺寸，它们只能对小尺寸的土样进行测试。然而，粗粒堆积土含较多10~60 mm的颗粒，因此小尺寸试验设备不能满足大颗粒土体试验的基本要求（试样土样的直径需大于或等于土样最大粒径的5倍）。因此，目前鲜有报道粗粒堆积土土-水特征的研究成果。

而且，人们普遍认为，粗粒堆积土的持水能力较弱，对土体的变形和强度几乎没有影响，然而，目前的研究结果表明，土体的SWCC受许多因素的影响，如密度、干湿循环、应力历史、细粒土含量等^[1-2]。其中，细粒土的含量对土体SWCC有更显著的影响。粗粒堆积土中不仅含有大颗粒，而且含有大量细粒土。随着细粒土含量的增加，土体的SWCC不可避免地会发生变化，土体的力学特性将逐渐受到影响。因此，在细粒土含量增加的条件下，对粗粒堆积土土水特性的研究具有重要的理论意义和实际应用价值。

土水特性试验是一种耗时的试验，因为在每个阶段的气体压力下，土体中的气液平衡时间较长。因此，一般来说，研究土体SWCC的快速方法是建立SWCC的经验公式^[3]，例如Van Genuishen公式和Fredlund公式属于这种预测方法。这些模型只需要使用少量的试验数据来拟合经验公式中的关键参数，就可以得到完整的SWCC。然而，使用经验公式获得SWCC也是基于一些试验数据。为了进一步简化SWC的应用，一些学者在总结了大量土体的SWCC后，建立了与土颗粒分布相关的SWCC预测模型。例如，Arya等^[4]、Tyler等^[5]、Sweijen等^[6]都建立了许多基于土颗粒级配的SWCC预测模型。这些模型基于细粒土的SWCC预测，其对粗粒堆积土的适用性仍需进一步研究。

针对粗粒堆积土SWCC研究的不足，本文首先介绍了一种新开发的非饱和粗粒堆积土三轴试验系统，该系统可以对粗粒堆积土进行大尺寸SWCC试验。在此基础上，总结了粗粒堆积土的SWCC试验方法和吸力平衡标准，研究了细粒土含量增加条件下粗粒堆积土SWCC的变化规律。最后，利用经典的AP模型，分析并得出了适用于粗粒堆积土SWCC的预测方法。

1.   非饱和粗粒堆积土三轴仪

大型非饱和粗粒堆积土动静态三轴试验系统由压力控制系统、轴压加载系统、数据采集系统以及软件控制与分析系统组成。其中，涉及粗粒堆积土SWCC试验的主要系统和部件包括：陶土板底座、气压控制装置和排水测量系统，见图 1。大型非饱和三轴仪试样尺寸为150 mm×300 mm，该试验系统允许的最大颗粒粒径最大可达30 mm，这就大大消除了试验时替代大颗粒土所带来的偏差，试得试验结果更加符合实际。陶土板底座由3个具有高进气值的小陶土板构成，在有效隔绝土样气体排放的同时，避免了装样过程中陶土板受冲击破裂。

图 1 非饱和粗粒堆积土三轴仪

Figure 1. Triaxial apparatus for unsaturated coarse-grained soil

下载: 全尺寸图片幻灯片

2.   非饱和粗粒堆积土SWCC试验方案

2.1   非饱和粗粒堆积土试样制备

试验土样取自某高铁站粗粒堆积土高填方边坡。为了研究不同细粒料含量（颗粒粒径小于0.075 mm）对粗粒堆积土土水特征曲线的影响，设计了3组细粒料含量不同的试样，细粒料质量含量分别为4.525%，9.05%，13.575%，试样的土颗粒级配见图 2。3组试样在粒径为5~30 mm的占比几乎相同，颗粒级配差异主要体现在5 mm粒径以下部分，并重点关注0.075 mm以下部分的含量。3组试样的干密度均控制为1.8 g/cm³。将配置好的试样搅拌均匀，分5次平均加入制样桶中。每次加样后应压实试样，控制单次加样高度为60 mm。

图 2 土样颗粒级配曲线

Figure 2. Grain-size distribution curves of soil particles

下载: 全尺寸图片幻灯片

2.2   试验步骤与吸力平衡标准

粗粒土SWCC试验步骤参考细粒土试验步骤，不同的是，由于粗粒堆积土样品尺寸大、饱和含水率高，试验期间的气液平衡标准不同于细粒土试验。

小颗粒土壤水分特征试验的基质吸力平衡准则大致可分为两类：第一类是根据排水量与样本量的比例进行控制。例如，在褚进晶等^[7]对黏土水的特性试验中，平衡标准是每2 h排水量小于样品体积的0.05%。第二类是控制排水量。例如，Pham^[8]采用的平衡标准是，24 h内土壤样品的排水质量小于0.1 g。

由于粗粒堆积土样本的含水率相对较高，第二类控制标准对于大样本粗粒堆积土来说过于严格，因此根据第一类平衡标准来判断粗粒堆积土吸力平衡更合适。经过多次试验，发现以1 mL/h的出水速率作为吸力平衡的控制标准更为合理，即每1 h的排量小于样品体积的0.04%。

3.   细颗粒含量对粗粒堆积土SWCC影响

3.1   不同细颗粒含量试样试验结果

图 3给出了不同细颗粒含量试样的SWCC试验结果。由于试验数据点略少，采用经典VG模型对测得的试验数据进行拟合，以研究土壤水分特征参数，实测数据及拟合曲线见图 3（a）~（c）。

图 3 实测数据及VG模型拟合的SWCC曲线

Figure 3. SWCCs fitted by measured data and VG model

下载: 全尺寸图片幻灯片

从图 3可以看出，与粉质黏土等细粒土相比，粗粒堆积土的持水能力相对较弱，土体中的水可以在较小的气压下排出，土体中的基质吸力相对较小。然而，随着细粒土含量的增加，粗粒堆积土的持水能力不断增加，土壤的进气值也相应增加，即S_a3 > S_a2 > S_a1，S_a1趋于0，未在图中展出。此外，随着细土含量的增加，土体的残余基质吸力也在增加，即ψ₃ > ψ₂ > ψ₁，这也表明土壤的持水能力在增加，土体持水能力的提高必然会影响土体的变形和强度特性。

3.2   试验设备及方法可靠性验证

目前，关于粗粒堆积土土水特征的研究很少，仅通过前人极其有限的研究结果^[9]作为对比数据，验证本文试验数据的合理性。对比试验数据见图 4。

图 4 试验可靠性对比

Figure 4. Comparison of test reliability

下载: 全尺寸图片幻灯片

通过对比可以发现，尽管土颗粒的分布不同，但粗粒堆积土的土水分布特征曲线具有明显的相似性，基质吸力范围基本相同。随着粗粒堆积土不均匀系数的增加，相同基质吸力下的饱和度逐渐升高，表明土体持水能力不断提高。上述对比结果说明了实验数据的合理性，证明了利用该三轴仪器进行试验的可靠性。

4.   基于AP模型的粗粒堆积土SWCC曲线预测方法

4.1   Arya-Paris模型

Arya-Paris模型^[4]从土样土水特征曲线与颗分曲线的相似性出发，将土样视为由圆球状颗粒以及圆柱状孔隙组成的多孔介质，按照试样颗粒组成划定不同的粒组。将不同的颗粒分组视为若干等效粒径为R_i的相互独立的独立体，假设各独立体孔隙比与试样整体的孔隙比相同。各个独立体内的孔隙均为开口孔隙，并简化为毛细管通道。经此划分和简化后，结合一定合理化假设，即可求解土水特征曲线。具体过程可归纳为两条关键步骤：①通过求各组孔隙体积V_vi与总孔隙体积V_p的比值，推算各组孔隙充满水后的体积含水率θ_vi；②通过各组独立体颗粒个数n_i和独立体孔隙半径r_i，推算各级孔隙充满水后的基质吸力ψ_i。

综上所述，根据AP理论，在确定好试样颗粒级配后，就可以预测试样的土水特征曲线进行。具体过程可参见文献[17]。

4.2   Arya-Paris模型关键参数与预测效果分析

基于AP模型预测SWCC的过程中，考虑到土样理想孔隙和实际孔隙结构之间的差异，引入了一个经验参数 $\alpha$ ，将每个独立体中的理想球形颗粒数n_i转化为更真实的 $n_i^\alpha$ 。这一参数是决定AP模型预测土样土水特征曲线实际效果的关键，现对其进行探讨。

关于 $\alpha$ 值，Arya^[4]进行了大量测试后得出结论， $\alpha$ 值在1.31~1.43，并建议取值为1.38，适用于大多数土体。随着对AP模型越来越深入的研究发现， $\alpha$ 取恒定值并不合理。一些研究人员认为， $\alpha$ 的值应符合土颗粒粒径越大， $\alpha$ 值越大的规则。为了更加准确地预测土-水分布特征曲线，研究者提出了3种确定经验参数值的方法^[10-11]，即线性拟合方法、非线性拟合方法及 $\theta$ 函数法。

比较了基于非线性拟合方法、线性拟合方法以及 $\theta$ 函数法所确定的试样的SWCC曲线，对比结果总结如下：①通过 $\theta$ 函数法确定经验参数 $\alpha$ 的方式，最终预测得到的试样土-水特征曲线与实测值偏差最大。②对于常数 $\alpha$ ，当细粒土含量较低时，预测效果相对较好，但当细粒土含量增加时，常数取值的预测曲线与试验数据偏差较大，细粒土含量越高，偏差越大。③对于线性拟合方法得到的 $\alpha$ ，当细粒土含量较低时，预测效果并不理想。但当细粒土含量增加时，预测效果相对理想，细土含量越高，预测曲线越好。④对于非线性拟合方法得到的 $\alpha$ ，无论细粒土含量多少，预测曲线的方法都与试验数据吻合良好。因此，建议使用该方法预测粗粒堆积土的SWCC。

图 5 基于不同α取值的SWCC预测

Figure 5. Prediction of SWCCs based on different values of α

下载: 全尺寸图片幻灯片

5.   结论

针对目前粗粒堆积土SWCC测试设备的缺乏和SWCC研究的不足，本文首先介绍了新开发的大型非饱和粗粒堆积土力学特性测试系统，并总结了粗粒堆积土SWCC的测试方法。然后分析了不同细粒土含量的粗粒堆积土SWCC的变化规律。最后，分析了不同α测定方法的AP模型对粗粒堆积土SWCC预测的影响，得到以下3点结论。

（1）对于粗粒堆积土，建议以1 mL/h的出水速率作为更合理的吸力平衡控制标准，即每1 h排水量小于样品体积的0.04%。

（2）对于粗粒堆积土，细粒土含量越高，迫使试样排水所需的空气压力越高（进气值越高），土体的残余基质吸力越高。这一规律意味着细粒土含量越高，粗粒堆积土的保水性能越好。

（3）AP模型中关键参数 $\alpha$ 的确定方法，由非线性值得到的粗粒堆积土的SWCC曲线与试验数据最为吻合。建议使用该方法，预测粗粒堆积土的SWCC曲线。

图 1 基于双目视觉技术的位移监测系统^[13]

Figure 1. Displacement monitoring system via binocular vision method^[13]

下载: 全尺寸图片幻灯片

图 2 CNN架构^[17]

Figure 2. Architecture of CNN^[17]

下载: 全尺寸图片幻灯片

图 3 实现数字孪生系统的不同步骤及其交互^[29]

Figure 3. Different steps of a digital twin and their interactions^[29]

下载: 全尺寸图片幻灯片

参考文献(33)

[1]	丁智, 张霄, 梁发云, 等. 软土基坑开挖对邻近既有隧道影响研究及展望[J]. 中国公路学报, 2021, 34(3): 50-70. DING Zhi, ZHANG Xiao, LIANG Fayun, et al. Research and prospects regarding the effect of foundation pit excavation on an adjacent existing tunnel in soft soil[J]. China Journal of Highway and Transport, 2021, 34(3): 50-70. (in Chinese)
[2]	陈湘生, 洪成雨, 苏栋. 智能岩土工程初探[J]. 岩土工程学报, 2022, 44(12): 2151-2159. doi: 10.11779/CJGE202212001 CHEN Xiangsheng, HONG Chengyu, SU Dong. Intelligent geotechnical engineering[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(12): 2151-2159. (in Chinese) doi: 10.11779/CJGE202212001
[3]	黎剑华, 张鸿, 刘优平, 等. 光纤Bragg光栅在公路软基沉降监测中的应用[J]. 中南大学学报(自然科学版), 2011, 42(5): 1442-1446. LI Jianhua, ZHANG Hong, LIU Youping, et al. Fiber Bragg grating monitoring technology applied in soft ground settlement of highway[J]. Journal of Central South University (Science and Technology), 2011, 42(5): 1442-1446. (in Chinese)
[4]	朱海琴, 胡玉婷, 毛学军, 等. 基于FBG传感技术的软基全断面沉降传感器研发[J]. 南昌工程学院学报, 2016, 35(4): 79-84. ZHU Haiqin, HU Yuting, MAO Xuejun, et al. Development of whole cross section settlement sensor for soft soil foundation based on FBG sensing technology[J]. Journal of Nanchang Institute of Technology, 2016, 35(4): 79-84. (in Chinese)
[5]	侯公羽, 李子祥, 胡涛, 等. 基于分布式光纤应变传感技术的隧道沉降监测研究[J]. 岩土力学, 2020, 41(9): 3148-3158. HOU Gongyu, LI Zixiang, HU Tao, et al. Study of tunnel settlement monitoring based on distributed optic fiber strain sensing technology[J]. Rock and Soil Mechanics, 2020, 41(9): 3148-3158. (in Chinese)
[6]	朱建军, 李志伟, 胡俊. InSAR变形监测方法与研究进展[J]. 测绘学报, 2017, 46(10): 1717-1733. ZHU Jianjun, LI Zhiwei, HU Jun. Research progress and methods of InSAR for deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1717-1733. (in Chinese)
[7]	WU Y, LIU C, ZHANG Q, et al. Bibliometric analysis of interferometric synthetic aperture radar (InSAR) application in land subsidence from 2000 to 2021[J]. Journal of Sensors, 2022, 2022: 1-15.
[8]	WU S, ZHANG B, DING X, et al. Radar interferometry for urban infrastructure stability monitoring: from techniques to applications[J]. Sustainability, 2023, 15(19): 14654. doi: 10.3390/su151914654
[9]	邢学敏, 杨东, 张锐, 等. 基于雷达遥感对地观测技术的软土地区公路沉降监测方法[J]. 岩土工程学报, 2023, 45(10): 2172-2179. doi: 10.11779/CJGE20220813 XING Xuemin, YANG Dong, ZHANG Rui, et al. Monitoring method for subsidence of highways in soft soil areas based on radar remote sensing earth observation technique[J]. Chinese Journal of Geotechnical Engineering, 2023, 45(10): 2172-2179. (in Chinese) doi: 10.11779/CJGE20220813
[10]	赵超英, 刘晓杰, 张勤, 等. 甘肃黑方台黄土滑坡InSAR识别、监测与失稳模式研究[J]. 武汉大学学报(信息科学版), 2019, 44(7): 996-1007. ZHAO Chaoying, LIU Xiaojie, ZHANG Qin, et al. Study on InSAR recognition, monitoring and instability model of Heifangtai loess landslide in Gansu Province[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 996-1007. (in Chinese)
[11]	孙懋珩, 王欣. 基于双目视觉的基坑位移监测方案[J]. 计算机工程与设计, 2015, 36(1): 273-276. SUN Maoheng, WANG Xin. Excavation displacement monitoring scheme based on binocular vision[J]. Computer Engineering and Design, 2015, 36(1): 273-276. (in Chinese)
[12]	李丽萍, 郑晅. 基于双目立体视觉的隧道围岩形变监测系统[J]. 物联网技术, 2021, 11(3): 22-23. LI Liping, ZHENG Xuan. Tunnel surrounding rock deformation monitoring system based on binocular stereo vision[J]. Internet of Things Technologies, 2021, 11(3): 22-23. (in Chinese)
[13]	HE L, TAN J, HU Q, et al. Non-contact measurement of the surface displacement of a slope based on a smart binocular vision system[J]. Sensors (Basel), 2018, 18(9): E2890. doi: 10.3390/s18092890
[14]	HU Q, FENG Z, HE L, et al. Accuracy improvement of binocular vision measurement system for slope deformation monitoring[J]. Sensors, 2020, 20(7): 1994. doi: 10.3390/s20071994
[15]	郑健龙, 周驰晴, 张军辉. 双层地基一维固结特性研究综述[J]. 长沙理工大学学报(自然科学版), 2012, 9(1): 1-11. ZHENG Jianlong, ZHOU Chiqing, ZHANG Junhui. Summary of 1-D consolidation characteristics of double-layered ground[J]. Journal of Changsha University of Science & Technology (Natural Science), 2012, 9(1): 1-11. (in Chinese)
[16]	张冲, 刘钢, 赵明志, 等. 成宜高速某浅层软土上路堤填筑的稳定性分析[J]. 中外公路, 2021, 41(2): 19-25. ZHANG Chong, LIU Gang, ZHAO Mingzhi, et al. Stability analysis of embankment filling on a shallow soft soil of Chengyi Expressway[J]. Journal of China & Foreign Highway, 2021, 41(2): 19-25. (in Chinese)
[17]	ABIODUN O I, JANTAN A, OMOLARA A E, et al. Comprehensive review of artificial neural network applications to pattern recognition[J]. IEEE ACCESS, 2019, 7: 158820-158846. doi: 10.1109/ACCESS.2019.2945545
[18]	ZHANG Q, ZHU Y, MA R, et al. Prediction method of TBM tunneling parameters based on PSO-BI-LSTM model[J]. Frontiers in Earth Science, 2022, 10: 854807. doi: 10.3389/feart.2022.854807
[19]	潘秋景, 吴洪涛, 张子龙, 等. 基于多域物理信息神经网络的复合地层隧道掘进地表沉降预测[J]. 岩土力学, 2024, 45(2): 539-551. PAN Qiujing, WU Hongtao, ZHANG Zilong, et al. Prediction of tunneling-induced ground surface settlement within composite strata using multi-physics- informed neural network[J]. Rock and Soil Mechanics, 2024, 45(2): 539-551. (in Chinese)
[20]	周中, 张俊杰, 丁昊晖, 等. 基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型[J]. 岩石力学与工程学报, 2023, 42(1): 224-234. ZHOU Zhong, ZHANG Junjie, DING Haohui, et al. Settlement prediction model of shield tunnel under-crossing existing tunnel based on GA-Bi-LSTM[J]. Chinese Journal of Rock Mechanics and Engineering, 2023, 42(1): 224-234. (in Chinese)
[21]	林东, 郑俊杰, 薛鹏鹏, 等. 基于贝叶斯方法的软土深基坑不确定性位移反演分析[J]. 土木与环境工程学报(中英文), 2024, 46(3): 52-60. LIN Dong, ZHENG Junjie, XUE Pengpeng, et al. Probabilistic method for displacement back analysis of deep excavations in soft soil based on Bayesian method[J]. Journal of Civil and Environmental Engineering, 2024, 46(3): 52-60. (in Chinese)
[22]	王长虹, 吴昭欣, 王昆, 等. CPTU数据校准上海深层软土参数的随机力学-贝叶斯方法[J]. 岩土工程学报, 2023, 45(1): 75-84. doi: 10.11779/CJGE20211494 WANG Changhong, WU Zhaoxin, WANG Kun, et al. Stochastic mechanics-based Bayesian method for calibrating geotechnical parameters of Shanghai deep soft clay using CPTU data[J]. Chinese Journal of Geotechnical Engineering, 2023, 45(1): 75-84. (in Chinese) doi: 10.11779/CJGE20211494
[23]	VARDAKOS S, GUTIERREZ M, XIA C C. Parameter identification in numerical modeling of tunneling using the differential evolution genetic algorithm (DEGA)[J]. Tunnelling and Underground Space Technology, 2012, 28: 109-123.
[24]	戴斌, 胡耘, 王惠生. 上海地区相邻基坑同步开挖影响分析与实践[J]. 岩土工程学报, 2021, 43(增刊2): 129-132. doi: 10.11779/CJGE2021S2031 DAI Bin, HU Yun, WANG Huisheng. Analysis and practice of influence of synchronous excavation of adjacent foundation pits in Shanghai Area[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(S2): 129-132. (in Chinese) doi: 10.11779/CJGE2021S2031
[25]	唐洪祥, 崔家铭, 张雪, 等. 岩土体大变形分析的Cosserat-粒子有限元法[J]. 岩土工程学报, 2023, 45(3): 495-502. doi: 10.11779/CJGE20211244 TANG Hongxiang, CUI Jiaming, ZHANG Xue, et al. Cosserat-particle finite element method for large deformation analysis of rock and soil[J]. Chinese Journal of Geotechnical Engineering, 2023, 45(3): 495-502. (in Chinese) doi: 10.11779/CJGE20211244
[26]	王辉, 陈卫忠, 陈培帅, 等. 浅埋大跨小净距隧道断面形态及合理间距的优化研究[J]. 岩土力学, 2011, 32(增刊2): 641-646. WANG Hui, CHEN Weizhong, CHEN Peishuai, et al. Study of section morphology and reasonable distance optimization of large-span twin tunnels with small clear spacing in shallow rock mass[J]. Rock and Soil Mechanics, 2011, 32(S2): 641-646. (in Chinese)
[27]	TAO F, MA X, HU T, et al. Research on digital twin standard system[J]. Computer Intergraded Manufacturing Systems, 2019, 25(10), 2405–2418.
[28]	GRIEVES M, VICKERS J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems[M]. Cham: Springer International Publishing, 2017.
[29]	CHENG X, WANG C, LIANG F Y, et al. A preliminary investigation on enabling digital twin technology for operations and maintenance of urban underground infrastructure[J]. AI in Civil Engineering, 2024, 3(1): 4.
[30]	陈健, 盛谦, 陈国良, 等. 岩土工程数字孪生技术研究进展[J]. 华中科技大学学报(自然科学版), 2022, 50(8): 79-88. CHEN Jian, SHENG Qian, CHEN Guoliang, et al. Research progress in digital twin technology for geotechnical engineering[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2022, 50(8): 79-88. (in Chinese)
[31]	何满潮. 滑坡地质灾害远程监测预报系统及其工程应用[J]. 岩石力学与工程学报, 2009, 28(6): 1081-1090. HE Manchao. Real-time remote monitoring and forecasting system for geological disasters of landslides and its engineering application[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(6): 1081-1090. (in Chinese)
[32]	张斌, 冯其波, 杨婧, 等. 路基沉降远程自动监测系统的研发[J]. 中国铁道科学, 2012, 33(1): 139-144. ZHANG Bin, FENG Qibo, YANG Jing, et al. Development of remote automatic monitoring system for subgrade settlement[J]. China Railway Science, 2012, 33(1): 139-144. (in Chinese)
[33]	邬凯, 盛谦, 张勇慧, 等. 山区公路路基边坡地质灾害远程监测预报系统开发及应用[J]. 岩土力学, 2010, 31(11): 3683-3687. WU Kai, SHENG Qian, ZHANG Yonghui, et al. Development of real-time remote monitoring and forecasting system for geological disasters at subgrade slopes of mountainous highways and its application[J]. Rock and Soil Mechanics, 2010, 31(11): 3683-3687. (in Chinese)