(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210874393.3 (22)申请日 2022.07.25 (65)同一申请的已公布的文献号 申请公布号 CN 115081341 A (43)申请公布日 2022.09.20 (73)专利权人 江西武大扬帆科技有限公司 地址 330096 江西省南昌市南昌 高新技术 产业开发区紫阳大道3399号云中城B# 办公楼15楼15 08室 (72)发明人 张李荪　李连国　吴勰　万国勇　 严兴业　钟修清　张国文　刘杨　 杨阳　卢聪飞　袁媛　吴燕武　 罗敏强　雷抒凯　陈肖依　陈敬玮　 黄凯　钟志坚　胡燕　曹忠　 王嘉龙　王佳轩　章智　许良英　 程雪苗　 (74)专利代理 机构 南昌卓尔精诚专利代理事务 所(普通合伙) 36133 专利代理师 刘文彬 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01)G06Q 50/26(2012.01) G06F 119/02(2020.01) (56)对比文件 CN 111047099 A,2020.04.21 CN 111400643 A,2020.07.10 CN 108446525 A,2018.08.24 CN 108304668 A,2018.07.20 US 20193 54873 A1,2019.1 1.21 CN 113837661 A,2021.12.24 JP 2019127818 A,2019.08.01 JP H0972764 A,19 97.03.18 敬双怡等.基 于流域模型法的山洪灾害监测 预警系统. 《排灌机 械工程学报》 .2018,(第01 期),全文. 张李荪等.一种基 于BIM和GIS的洪水淹没范 围动态展示的技术. 《江西通信科技》 .2022,全文. 翟宜峰等.人工神经网络与遗传算法在多 泥 沙洪水预报中的应用. 《泥沙 研究》 .20 03,(第02 期),全文. 侯翔等.基 于PSO算法的洪水 预报模型研究. 《计算机技 术与发展》 .2015,(第04期),全 文. 审查员 王亚辉 (54)发明名称 一种流域洪水仿真预警方法及系统 (57)摘要 本发明公开了一种流域洪水仿真预警方法 及系统， 包 括： S100， 获取目标流域的流域模型的 水文信息； S2 00， 获取目标流域的泥沙参数图组； S300， 判断水文信息 是否异常； 若异常， 进入步骤 S400； 若否， 则进入步骤S500； S400， 将泥沙参数 图组发送识别模块进行检测； S500， 将泥沙参数 图组处理为训练样本对识别模块进行训练； S600， 获取识别模块的输出结果， 若得到确认异 常的判断结果， 则进入步骤S700， 若得到否认异 常的判断结果， 则进入 步骤S200； S700， 推送预 警 信息。 权利要求书2页 说明书7页 附图1页 CN 115081341 B 2022.11.11 CN 115081341 B 1.一种基于数字 孪生的流 域洪水仿真预警方法， 其特 征在于， 包括： S100， 获取数字孪生流域的水文信息； 所述数字 孪生流域为目标流 域的数字 孪生模型； S200， 获取所述目标流 域的泥沙参数图组； S300， 判断所述水文信息是否异常； 若异常， 进入步骤S40 0； 若否， 则进入步骤S5 00； S400， 将所述泥沙参数图组发送 识别模块进行检测； S500， 将所述泥沙参数图组 处理为训练样本对所述识别模块进行训练； S600， 获取所述识别模块的输出结果， 若得到确认异常的判断结果， 则进入步骤S700， 若得到否认异常的判断结果， 则进入步骤S20 0； S700， 推送预警信息； 其中， 所述水文信息包括流速信息和水位信息， 所述识别模块为经过训练的神经网络 模型； 所述步骤S600中， 每张淤泥截面图对应所述识别模块的一次判断结果输出； 取占比概 率最高的判断结果作为 最终判断结果， 若所述 最终判断结果 为确认异常， 则进入步骤S70 0； 所述泥沙参数图组包括至少一组区域图组， 每个所述区域图组包括多张淤泥截面图， 不同所述区域图组的获取位置不同， 同一区域图组的所述淤泥截面图的获取位置相同， 获 取时间不同。 2.根据权利要求1所述的基于数字孪生的流域洪水仿真预警方法， 其特征在于， 所述步 骤S300包括： 将所述流速信 息与预设平均流速进行对比得到结果一， 将所述水位信 息与预设平均流 速进行对比得到结果 二， 将所述泥沙含量信息与预设平均泥沙含量进行对比得到结果 三； 当所述结果一、 所述结果二以及所述结果三中任意两个结果为异常时， 判断所述水文 信息异常。 3.根据权利要求1所述的基于数字孪生的流域洪水仿真预警方法， 其特征在于， 所述步 骤S500包括： 针对所述泥沙参数图组中的所有图片数据逐个增添分类标签后得到对应的训练样本 集； 复制得到与当前 所述识别模型相同的训练模型； 将所述训练样本集输入所述训练模型； 当所述训练模型接收预设数量的所述训练样本集 时， 将所述训练模型的超参数与 所述 识别模型进行同步。 4.根据权利要求1所述的基于数字孪生的流域洪水仿真预警方法， 其特征在于， 还包 括： 获取当前的所述目标流 域的俯视监控图； 将当前的所述俯视监控图与预设时长前获取的俯视监控图进行像素消减， 得到消减 图； 将所述消减图发送复核模型中进行分类； 若分类输出 结果为异常， 继续执 行步骤S70 0； 若分类输出 结果为正常， 则对所述识别模块进行修 正训练。 5.根据权利要求4所述的基于数字孪生的流域洪水仿真预警方法， 其特征在于， 在所述权　利　要　求　书 1/2 页 2 CN 115081341 B 2步骤S100之前， 还 包括： 按照天气预告信息修改所述目标流 域模型的气象参数； 所述气象参数包括降雨 量和风速 。 6.一种采用权利要求1所述方法的基于数字孪生的流域洪水仿真预警系统， 其特征在 于， 包括： 第一获取 单元， 用于获取 数字孪生流域的水文信息； 第二获取 单元， 用于获取 所述目标流 域的泥沙参数图组； 初判单元， 用于判断所述水文信息是否异常； 识别模块， 为经 过训练的神经网络模型， 具有检测模式和训练模式； 当所述识别模块处于所述检测模式， 根据所述泥沙参数图组输出判断结果； 当所述识别模块处于所述训练模式， 所述识别模块 根据训练样本进行训练； 图像处理单元， 用于将所述泥沙参数图组 处理为所述训练样本； 预警推送模块， 用于在所述识别模块的输出 结果为确认异常时推送预警信息 。权　利　要　求　书 2/2 页 3 CN 115081341 B 3