引调水工程是国家水网中的重要组成部分，诸多规划中、在建和已建的重大工程(如滇中引水工程、南水北调工程、引江济淮工程等)均包含大规模的泵站群系统。而泵站群系统是涉及多水源、多地区、多目标、多用途的高维复杂系统，其运行管控的高效性、安全性及稳定性不仅取决于单个泵站节点运行性能的高低，还取决于多泵站单元的多点协同与数据共享、串并联系统的耦合作用。如何在泵站群运行过程中挖掘符合运行规律的隐含机理，并形成智能决策，对助力系统整体运行提质增效具有重要意义。同时，随着《“十四五”智慧水利建设规划》的提出，数字孪生流域建设框架^[1]已经形成，从工程角度推动数字孪生技术深化应用是十分必要和迫切的。

当前，数字孪生技术已广泛应用于制造^[2]、交通^[3]、电力^[4]，以及智慧城市^[5]等领域，这些领域的广泛应用为水利行业的数字孪生工程建设提供了宝贵经验。在水利领域，文[6-7]以防洪应用为例探索了数字孪生流域建设的关键技术，并提出了数字孪生长江建设思路。部分学者在诸多工程中(如珠江流域工程^[8]、松辽流域工程^[9]、南水北调工程^[10]、三峡水利枢纽工程^[11]等)均进行了理论研究及试点工作。近期，针对数字孪生水利工程的技术难题，国内已有学者在数据底板建设^[12]、模型管理^[13]、仿真模拟^[14]、知识管理^[15]、安全预警^[16]等方面开展了研究，为同类数字孪生水利工程建设提供借鉴与参考。此外，在标准体系方面，以数字孪生水利为核心的智慧水利标准体系研究为行业内的数字孪生技术应用提供了指导^[17]。

上述研究成果虽在一定程度上提升了国内水利行业的数字孪生理论水平，但相关研究依然处于初步探索阶段，特别是在数字孪生引擎构建方面并未形成完整的技术路线，因而对数字孪生工程业务功能的实现产生了一定阻碍。并且在实际工程应用中，受限于技术条件、信息基础设施条件及标准规范条件而难以大范围推广，导致工程业务融入数字孪生技术时面临感知不健全、机理不清晰、决策不智能、知识不全面、场景难搭建、交互有缺陷等问题。尤其是在引调水工程中的数字孪生泵站群运行管控方面，国内未见突出案例，并且在数据收集处理、故障识别诊断、虚拟仿真、优化调度等业务层面存在诸多限制^[18]。此外，在数字孪生引擎不完善时还会出现一些其他问题：1) 数字孪生平台缺乏引擎支撑，可视化效果优异，但业务功能难以有效发挥；2) 缺少多种机理模型的耦合应用，仿真分析相互脱离；3) 难以将数据、模型、知识进行融合、统一管理及映射，更新迭代困难；4) 诸多模型、数据堆砌形成的孪生场景缺少数字孪生引擎的优化处理，性能难以保证。

针对上述问题，为满足数字孪生工程建设需求，本文首先通过分析数字孪生引擎的核心组成要素，提出六维理论模型及基本框架，为数字孪生引擎的构建提供理论支撑；其次，从泵站群运行管控的业务应用角度出发，提出数字孪生引擎的构建方法；最后，将所提方法应用于实际工程案例中，研发原型引擎并进行效果验证。

1 数字孪生引擎设计 1.1 引擎理论模型

数字孪生引擎是一种使用数字化技术对实际物体、系统或过程进行模拟、仿真和优化的底层程序，是支持数字孪生平台能力发挥的核心组件。在泵站群运行管控方面，本文参考文[19]的五维模型，并根据业务需要提出六维模型M_DT，如图 1所示。

M_DT包括物理场景PS、孪生场景TS、服务SVC、孪生数据DD、连接CN、反馈与决策FD，表示如下：

$ M_{\mathrm{DT}}=\{\mathrm{PS}, \mathrm{TS}, \mathrm{SVC}, \mathrm{DD}, \mathrm{CN}, \mathrm{FD}\}. $

(1)

PS是M_DT的基础，是引调水工程泵站群系统各种管理要素的集合，主要包括物理实体及物联网。PS可划分为3个层次：复杂系统级C_PE，指引调水工程层级；系统级S_PE，指泵站群系统层级；单元级U_PE，指泵站内部结构层级。其中PE为物理实体。

$\mathrm{PS}=\left\{C_{\mathrm{PE}}, S_{\mathrm{PE}}, U_{\mathrm{PE}}\right\} . $

(2)

TS是PS的实时映射，包括孪生T、泵站群的三维几何模型GM_T、数学近似模拟下的仿真物理模型PM_T、外部和内部机制作用下的行为模型BM_T及规律规则约束下的规则模型RM_T。

$ \mathrm{TS}=\left\{\mathrm{GM}_{\mathrm{T}}, \mathrm{PM}_{\mathrm{T}}, \mathrm{BM}_{\mathrm{T}}, \mathrm{RM}_{\mathrm{T}}\right\}. $

(3)

SVC包括泵站群运行管控数字孪生引擎面向各类数据、模型、知识、规则、算法、仿真、结果的服务化封装。以程序接口SVC_API、中间件SVC_m及应用模块SVC_a形式为支撑形成引擎内部功能服务F_SVC；以引擎构建方法为支撑形成方法服务M_SVC；以移动端、客户端、浏览器等形式形成终端服务T_SVC。

$ \mathrm{SVC}=\left\{F_{\mathrm{SVC}}, M_{\mathrm{SVC}}, T_{\mathrm{sVc}}\right\}, $

(4)

$\begin{gathered} F_{\mathrm{SVC}}=\left\{\mathrm{SVC}_{\mathrm{API}}, \mathrm{SVC}_{\mathrm{m}}, \mathrm{SVC}_{\mathrm{a}}\right\} . \end{gathered} $

(5)

DD由引调水工程数字孪生数据底板组成，包括单元级数据集合D_U、系统级数据集合D_S、复杂系统级数据集合D_C。

$ \mathrm{DD}=\sum\limits_{D_{\mathrm{C}}} \sum\limits_{D_{\mathrm{S}}} \sum\limits_{D_{\mathrm{U}}}\left\{D_{\mathrm{PE}}, D_{\mathrm{T}}, D_{\mathrm{svc}}, D_{\mathrm{K}}, D_{\mathrm{E}}\right\} . $

(6)

其中：D_PE为真实物理世界实体产生的数据，如存储工具内保存的数据资源；D_T为孪生数据，是物理世界向数字世界的实时映射，包括几何模型数据、仿真分析数据、行为过程数据、规则约束数据；D_SVC为功能服务、方法服务、终端服务应用过程数据；D_K为知识经验数据；D_E为数据、知识、模型融合后的扩展数据。

CN是实现引擎动态运行和虚实融合的核心。具体包括PS与DD的连接PS_DD、PS与TS的连接PS_TS、PS与SVC的连接PS_SVC、TS与DD的连接TS_DD、TS与SVC的连接TS_SVC、DD与SVC的连接DD_SVC^[19]。

$ \begin{gathered} \mathrm{CN}=\left\{\mathrm{PS} \_\mathrm{DD}, \mathrm{PS} \_\mathrm{TS}, \mathrm{PS} \_\mathrm{S V C}, \mathrm{T S }\_\mathrm{D D}, \right. \\ \text { TS_SVC, DD_SVC\}. } \end{gathered} $

(7)

其中：PS_DD指通过感知网络实时采集PS的信息并传输至DD，PS中控制器可接收DD的反馈指令进行调控优化；PS_TS可实现PS与TS的交互，PS将实时采集的数据传输至TS用于校正各类模型，并驱动仿真预演，同时TS将仿真分析数据转化为控制指令反馈至PS；PS_SVC将采集的PS数据传输至SVC，实现对SVC的更新优化，SVC产生的决策方案、分析优化结果以服务形式提供给用户以实现对PS的调控；TS_DD指通过与数据库建立连接，一方面可将TS生产的数据存储至DD，另一方面读取DD的融合数据驱动TS的动态仿真；TS_SVC指通过传输控制协议/网际协议(transmission control protocol/internet protocol, TCP/IP) 等通信机制建立数据连接，实现TS与SVC的数据流转、指令传递；DD_SVC将SVC产生的数据传输至DD存储，也可读取DD中的历史数据、规则数据、常用算法及模型等支持SVC的运行与优化。

FD指为提高最终决策可靠性的反馈分析，由反馈模型FM及决策模型DM组成，二者均由DD驱动。FM用于TS内基于规则模型和服务的多目标、多准则运行优化；DM用于生成TS内泵站孪生体对环境产生最优价值的运行策略。

$ \mathrm{FD}=\{\mathrm{FM}, \mathrm{DM}\}. $

(8)

1.2 泵站群运行管控数字孪生引擎框架

在理论模型的指导下，泵站群运行管控中的数字孪生引擎可简单概括为以数据底板为基础的知识、模型综合运用及功能研发。将数字孪生引擎的基本框架自下而上设计为数据采集层、数据存储层、支撑层、功能层和展现层，逐层完成技术选型及运行环境部署，从而构建数字孪生引擎，如图 2所示。

数据采集层及数据存储层为引擎提供数据基础，展现层为用户提供交互窗口。支撑层是框架的底层基础，构成引擎的运行环境并提供必要的第三方中间件服务，且具备资源管理机制以动态调用引擎功能，支撑引擎连接CN，也为信息基础设施建设提供软硬件方面的参考标准，以达到兼顾功能性、适用性及兼容性的目的。能力引擎指软件或系统中用于提供特定功能或服务的核心组件，功能层从引调水工程泵站群运行管控关键业务出发形成运行管控能力引擎，通过构建孪生场景生成引擎、数据管理引擎、动态虚实映射引擎、运行仿真分析引擎及虚实交互馈控引擎完成数字孪生引擎构建，搭建孪生场景并借助渲染引擎实现所有引擎能力的动态可视化呈现。此外，功能层将多种可复用的基础功能集合体封装形成基础功能引擎接口进行统一管理。

1) 工作流引擎：针对用户权限，对业务工作流程进行统一接口配置。

2) 知识引擎：根据历史运行数据进行知识提取、融合、关联，更新迭代知识库。

3) 规则引擎：以数学模型及指标阈值体系为核心建立规则约束，配置规则调用接口供运行管控能力引擎使用。

4) BIM轻量化引擎：针对BIM模型，通过标准化处理、数据提取与转换、模型压缩与传输进行轻量化处理与三维几何模型发布。

5) 模型引擎：针对智能模型、机理模型进行接口配置、参数管理及评价优化。

2 数字孪生引擎构建

本文以引擎框架功能层为基础将数字孪生引擎划分为5部分：孪生场景生成引擎、数据管理引擎、动态虚实映射引擎、运行仿真分析引擎及虚实交互馈控引擎。以上内容的构建为引调水工程泵站群运行管控数字孪生引擎的研发与实践奠定了基础，如图 3所示。

2.1 孪生场景生成引擎构建

孪生场景是实现虚实映射、虚实交互、仿真分析等功能的基础，而渲染引擎加载与运行的性能将直接影响数字孪生引擎能力发挥的可靠性与实时性。对孪生场景运行流畅性影响最大的是大体量的三维几何模型带来的解析压力及海量数据的加载压力，因此本文从几何模型及数据2方面进行方法研究，构建孪生场景生成引擎，减轻孪生场景传输、加载、映射与渲染压力。

1) BIM轻量化。

对于水利工程领域常用的BIM软件，其建模精度虽然能达到构件级，但附带有大量的冗余数据信息，其模型文件的复杂结构也进一步加大了解析难度。因此本文采取“BIM模型建立—数据标准化处理—数据提取与转换—模型压缩与传输—模型解析与渲染”的技术路线实现BIM模型的轻量化处理，搭建BIM轻量化引擎，如图 4所示。

该技术方案首先将BIM模型中冗余数据提取后进行标准化编码及结构化处理，并存储于数据库中，将模型的几何信息转为统一格式的三维几何模型，并为得到的三维几何模型生成GUID；其次，通过多细节层次(levels of detail, LOD)技术生成多细节层次的三维几何模型，减少三角面片数量，减轻数字孪生引擎的加载压力，并通过Draco^[20]、Meshoptimizer^[21]等几何压缩算法按需压缩几何模型减小模型体量，也可基于非几何压缩形式进一步减小模型体量；最后，借助解析工具依据Three.js、Cesium.js、UE等渲染引擎的需求加载几何模型，完成场景搭建。

2) 数据、知识、模型融合。

在构建数字孪生引擎时，为便于数据、知识、模型的管理与融合应用，将它们的关系分为2种：依赖关系和关联关系^[22]。其中，依赖关系指建立联系的双方为单独个体，依赖方调用被依赖方，但不对其组成产生影响，在数字孪生引擎中多见于孪生场景模型中的数据、知识挂接与调用。关联关系是一种强依赖关系，指2个单独个体互相调用且互相影响。例如：算法模型由数据驱动且生产新的数据；机理模型的变化会导致数据需求变动；数据可驱动知识引擎的构建，而知识引擎的调用会改变决策信息；孪生场景变化会导致仿真分析的边界条件与结果数据的变动；等等。对数字孪生引擎中存在的数据、知识、模型进行分析，确定各要素之间的关系，将形成依赖关系的对象完成挂接映射，形成关联关系的对象以API形式形成服务，并通过运行管控能力引擎进行统一配置，通过版本迭代更新推动预报、预警、预测、预演等功能的实现，如图 5所示。

2.2 数据管理引擎构建

本文分别面向复杂系统级、系统级、单元级3个层次构建多精度、全要素的孪生数据底板。首先，借助关系型数据库、时序数据库、图数据库、分布式存储系统等存储工具，通过数据采集与整编、数据汇聚、数据融合、数据标准化处理等数据管理手段，将泵站群运行管控过程中汇总的工程基础数据、监测感知数据、业务管理数据、跨行业共享数据、地理空间数据、工程资料文件等存入数据资源池，形成孪生数据底板，即孪生数据DD。然后利用动态虚实映射引擎动态呈现，发挥数据分析与数据服务的能力。其中，对于具备时序特征且规模巨大的动态数据，可采用时序数据库进行存储和调用，发挥其高时效性及高性能的优势^[23]，进而提升数字孪生引擎数据加载的效率与质量。

2.3 动态虚实映射引擎构建

为适应物理世界的动态变化，对于可能出现的孪生场景变动，可建立空间关系进行坐标系转换与坐标指定，使动态虚实映射引擎始终使用经轻量化处理与发布后的最新三维几何模型，将孪生场景维持在最新状态。此外，将基础功能引擎进行封装形成引擎调用API，对API进行版本管理从而支持不同功能的调用需求，实现引擎功能的更新迭代，如图 6所示。此外，对数据进行标准化处理，通过数据存储时与三维几何模型相对应的GUID唯一编码完成数据的调用，对于需要映射的海量数据采取按需加载、重要性分级加载^[24]的形式对数据重要性进行判断，减少同一时间的数据读取量，减轻引擎的虚实映射压力，提升运行性能，式(9)—(11)定义了在数据、模型、知识融合关系下的重要性评估策略。

$ \mathrm{DKM}=\{D, K, M\}, $

(9)

$\begin{aligned} T_1 \in\left(D_1, M_1, K_1\right), \end{aligned} $

(10)

$\begin{gathered} D=\left\{d_1, d_2, \cdots, d_j\right\} \Rightarrow \Delta_{\mathrm{D}} \Leftrightarrow \triangleleft \triangleright \mathrm{M}= \\ \left\{m_1, m_2, \cdots, m_j\right\} \Rightarrow \Delta_{\mathrm{M}} \Leftrightarrow \triangleleft \triangleright K= \\ \left\{k_1, k_2, \cdots, k_j\right\} \Rightarrow \Delta_{\mathrm{K}} \Leftrightarrow \triangleleft \triangleright D . \end{gathered} $

(11)

其中：DKM为动态数据、知识、模型关系；$\Leftrightarrow $为数据、模型、知识的融合关系，用于判断数据对哪些成分产生影响，相应赋予其重要性；$ \triangleleft \triangleright $为数据、模型、知识的评估关系，即判断数据变动对关联方的影响程度；Δ_D、Δ_M、Δ_K分别为数据、模型、知识要素的变化；d_j、m_j、k_j分别为管控要素j产生的数据集、模型集、知识集；T_I为重要性阈值集合。

2.4 运行仿真分析引擎构建

运行仿真分析引擎是数字孪生引擎的核心功能组件，是模型引擎、知识引擎与规则引擎的综合运用。本文依据引调水工程泵站群运行管控需求提出运行仿真分析引擎构建方法，为泵站群提供方案推荐、过程预演、性能分析能力。

1) 泵站群运行方案推荐。

本文将泵站群运行方案推荐分为2种：基于知识引擎中的历史运行数据，根据提水量、流量、水位等运行工况信息进行相似度匹配获取最为适用于当前情况的历史运行方案；通过机理模型与规则引擎相结合的形式得到多目标下的运行优化方案。通过知识、规则、机理相结合的形式实现经验与理论的平衡，2种方式的具体内容如下。

(1) 收集泵站历史运行数据及相应调水计划，利用运行时段、提水量、叶片安装角、流量、转速等运行方案数据，提水量、扬程、机组数量等约束条件，设计扬程、设计流量、设计功率、机组台数等设计参数构建运行方案知识图谱。基于约束条件及设计参数属性值进行相似度匹配，依据效率最优原则推荐得到泵站群各泵站运行方案数据，如图 7所示。

在泵站群运行过程中，根据当前的累计调水量及计划调水量进行对比计算，若不满足要求则由知识引擎进行当前约束条件下的相似度匹配，根据所需运行工况点寻优得到满足剩余计划调水量要求的运行方案，并调整运行策略。本文相似度匹配包含数值属性和类别属性2种，对于数值属性可根据归一化的数值距离判断相似度，类别属性使用Jaccard系数进行相似度判断，表示如下：

数值相似度：

$ \operatorname{Dis}_{s_0, s_i}=\left|A_\alpha-B_\alpha\right| , $

(12)

$\begin{gathered} \operatorname{Sim}_{s_0, s_i}=1-\operatorname{Dis}_{s_0, s_i} / \max \text { (Dis). } \end{gathered} $

(13)

类别相似度：

$ \begin{gathered} J\left(A_\alpha, B_\alpha\right)=\frac{\left|A_\alpha \cap B_\alpha\right|}{\left|A_\alpha \cup B_\alpha\right|}= \\ \frac{\left|A_\alpha \cap B_\alpha\right|}{\left|A_\alpha\right|+\left|B_\alpha\right|-\left|A_\alpha \cap B_\alpha\right|} . \end{gathered} $

(14)

其中：A_α和B_α为不同方案s₀和s_i的α类别属性值；Dis_{s0, si}为方案s₀和s_i的数值属性距离；Sim_{s0, si}为方案s₀和s_i归一化后的数值属性相似度；J(A_α, B_α)为A_α和B_α的Jaccard系数，定义为交集和并集的大小的比值。

(2) 使用机理模型与规则引擎生成泵站群运行方案。借助规则引擎及非支配排序遗传算法NSGA-Ⅱ，以能耗、成本、可靠性等多目标优化数学模型形成规则约束，依据Pareto最优解确定泵站机组各时段的启闭状态、叶片安装角及转速等决策参数方案集，以及相应方案下的流量、扬程、效率等性能参数。其目标函数表示如下：

能耗最优^[25]：

$N=\operatorname{Min} \sum\limits_{j=1}^n \sum\limits_{i=1}^m \frac{\rho g q_{j, i} H_j}{\eta_{i, j}} . $

(15)

成本最优^[26-27]：

$ R=\operatorname{Min} \sum\limits_{j=1}^m \sum\limits_{i=1}^n \frac{\rho g q_{j, i} H_j}{\eta_{i, j}} \Delta t c . $

(16)

可靠性最优^[28]：

$ \mathrm{PRI}= \begin{cases}0, & N \leqslant N_{0.8 \mathrm{BEP}} ; \\ \frac{N-N_{0.8 \mathrm{BEP}}}{N_{\mathrm{BEP}}-N_{0.8 \mathrm{sEP}}}, & N_{0.8 \mathrm{BEP}} <N <N_{\mathrm{BEP}} ; \\ 1, & N=N_{\mathrm{BEP}} ; \\ \frac{N_{1.2 \mathrm{BEP}}-N}{N_{1.2 \mathrm{BEP}}-N_{\mathrm{BEP}}}, & N_{\mathrm{BEP}} <N <N_{1.2 \mathrm{BEP}} ; \\ 0, & N \geqslant N_{1.2 \mathrm{BEP}} .\end{cases} $

(17)

其中：N为功率；R为成本；PRI为可靠性; q_{j, i}为第j级泵站第i个机组抽水流量；m为不同泵站群的泵站数；n为不同泵站的机组数；H_j为第j级泵站扬程；η_{j, i}为第j级泵站第i机组效率；ρ为水密度；g为重力加速度；Δt为机组运行时间；c为电价; N_BEP为最优效率点对应的理想功率，BEP指最优效率点；N_0.8BEP为0.8倍最优效率点流量下对应的功率；N_1.2BEP为1.2倍最优效率点流量下对应的功率。

在得到初步的泵站运行方案后，为同时满足站间输水通道沿程的供配水需求及水位要求，可将得到方案的泵站流量过程作为输入，借助非恒定流模拟方法获取沿程水位、流量变化^[29]，将得到的新的站前站后水位变化作为前置条件，重新生成优化方案，多次迭代最终得到满足运行需求的泵站群最优运行方案。

2) 机组运行性能分析。

得到最优运行方案后，为验证方案的可行性及运行性能，将生成方案的转速、叶片安装角等作为边界条件，设置水位初始条件，耦合多机理模型通过数值仿真手段进行稳态及瞬态情况下的计算流体动力学(computational fluid dynamics, CFD)仿真模拟。可使用多重参考系法(multi reference framework, MRF)进行稳态情况下的机组运行性能分析^[30]，或结合滑移网格法、动网格法仿真手段预测过渡过程机组运行性能参数^[31-32]，建立性能评价体系生成运行性能评级，验证所推荐方案的性能是否满足实际需求。也可借助流固耦合方式获取机组振动、摆度、压强等参数^[33]，根据知识经验匹配稳定性最优的方案，实现泵站机组运行性能及稳定性的有效平衡，辅助泵站群运行方案决策。

3) 耦合多模型的运行全过程仿真预演。

如图 8所示, 进行流体仿真及性能分析后，将仿真结果通过网格法与粒子法完成仿真结果在孪生场景中的动态映射及仿真预演。其中，网格法基于几何重构与顶点着色方式完成，可实现结构网格或流体网格数据映射；粒子法基于渲染引擎粒子系统完成，可赋予流体粒子压强、流速等属性。此外，对于泵装置外的区域，可基于监测感知数据及非恒定流计算结果，借助渲染引擎生成流体，实现多级泵站间的输水过程仿真。最终综合多机理模型仿真数据完成泵站群运行全过程预演。

2.5 虚实交互馈控引擎构建

本文提出的虚实交互馈控引擎功能包括决策过程与控制过程，主要内容如下。

1) 知识与规则驱动的运行决策。

决策是对运行仿真分析引擎所推荐运行方案的进一步优化。与基于知识引擎的泵站群运行方案推荐方法类似，仅需将相似度匹配条件更换为运行方案及设计参数，根据所推荐的运行方案结合历史数据进行相似度匹配，即可得到近似方案下与稳定性相关的历史运行参数，同时结合规则引擎进行评估，形成最优决策。

2) 安全控制环境搭建。

虚实交互是数字世界操控物理世界的重要途径，目前在诸多工程中已推广使用自动化控制手段。在传统的信息化系统中，通常采用集中式数据库进行数据记录，数据可被轻易篡改且难以追溯当前状态，不利于系统安全^[34]，造成人员在安全方面的顾虑，增加人工依赖程度。为保障数据安全、便于数据管理和追溯，进一步增强人对控制手段的信任度，采用主从链的区块链形式搭建安全控制环境。主链记录所有操作；从链根据主链数据整合而成，将控制信息、物联信息、人员信息、时间戳等进行节点注册，建立区块链节点间的身份认证机制。在基于身份的单向加密认证方案的基础上，将终端设备媒体存取控制(media access control, MAC)地址存入区块头进行溯源数据查询，有效保证控制信息的完整性、透明性、可追溯性及防篡改。

3 工程案例

本文选取某引调水工程3座梯级泵站进行数字孪生引擎研发实践与应用性探索，以验证所提方法的可行性。通过实地调研搜集泵站的基础资料(设计图纸、监测布置、优化调度方案等)，近10年的关键监测感知数据(包括电气参数、振动、温度、摆度等)，以及近10年的历史运行方案数据(水位、叶片安装角度、转速、瞬时流量、累计流量、机组扬程、有功功率等)进行数据管理，形成数据底板。在此基础上，依据本文所提数字孪生引擎框架进行技术选型，以浏览器/服务器模式(browser/server, B/S)为主，桌面端为辅的形式研发数字孪生引擎(见图 9)。

引擎选用关系型数据库MySQL、时序数据库InfluxDB及图数据库Neo4j协同存储数据；支撑层使用Windows操作系统的计算机进行客户端程序研发，使用Linux操作系统的阿里云服务器进行网页端打包部署，使用Web服务器Nginx进行反向代理，搭建BIM服务器BIMServer进行辅助设计，选用三维地理空间开发框架Cesium.js构建网络地理信息系统(WebGIS)服务，借助高德地图API提供天气及地图查询服务，使用三维图形开发框架Three.js及UE(v5.1版本)研发渲染引擎。在数字孪生引擎的基础功能引擎中，共配备有376个接口形成接口服务，如图 10所示。

知识引擎使用2013—2023年间的泵站历史运行数据搭建，对知识库进行版本管理，根据运行数据进行实体抽取、关系抽取、属性抽取和知识展示，借助Neo4j数据库存储进行运行方案推荐；规则引擎选用以经济性及稳定性为目标的数学模型，以流量、扬程、效率、振动、摆度等指标建立指标阈值进行推荐方案优化；BIM轻量化引擎可将Autodesk Revit 2018—2022版本建立的BIM模型导出为.GLB格式，使用Blender软件进行减面处理，并使用Draco及MeshOpt算法进行几何压缩供渲染引擎解析渲染；模型引擎可发布经轻量化处理的三维几何模型、配置机理模型与智能模型接口，并分析评价模型效果，提供接口管理服务用于更新迭代引擎中集成的模型版本。

孪生场景生成时使用BIM轻量化引擎进行BIM模型的轻量化处理，生成三维几何模型。基于Web图形库WebGL方案, 借助Three.js与Cesium.js结合的形式实现泵站群大尺度孪生场景搭建。但因网页端性能限制，在单泵站工程局部较为精细化区域基于UE的Nanite技术，采用虚拟化几何体系统的内部网格体格式和渲染方法呈现出像素级别的细节及海量对象，且通过高度压缩的形式，智能化适配多种细节级别的细粒度流送，搭建高性能、高拟真度的泵站孪生场景，并以像素流云渲染形式流送至网页端加载显示。

运行仿真分析由运行管控能力引擎中的运行管控功能集成实现，可基于规则引擎生成最优运行方案，实现满足经济性与运行可靠性等多目标要求的泵站群运行优化。应用时发现，若考虑目标较多会出现难以得到相对最优解的情况，这也是多目标优化领域的难点问题^[35]。此时可调用知识引擎进行相似度匹配推荐运行方案。此外，为使方案推荐结果更符合实际工况，根据监测感知数据对机组性能曲线进行动态更新优化供规则引擎调用。以3座泵站历史运行参数为参照，与优化后的运行参数进行对比。3座泵站均配备4台全调节立式轴流泵。时段划分及电价分布情况如表 1所示，优化后3座梯级泵站的机组叶片安装角度组合如表 2所示。

图 11为优化前后各时段流量、效率、功率、费用、能耗、可靠性变化情况。可以看出：在低电价时段机组流量、功率、能耗均较大；高电价时段则降低流量，减少功耗。总体来说，经优化后的运行方案在确保可靠性较优的情况下节约了一定的运行费用。3座泵站优化前总计费用为9.080 3万元，能耗为8.004 7万kW·h；优化后总计费用为8.704 5万元，能耗为7.877 4万kW·h。优化后总计节约4.14%运行费用及1.59%能耗。但从单座泵站来说，难以使所有优化目标均达到最优。如第3座泵站：优化前费用为3.432 7万元，能耗为3.025 9万kW·h；优化后费用为3.312 8万元，能耗为3.028 2万kW·h。费用有所降低，但能耗却有所增加。此外从图 11a、11c及11e可看出：优化前后的运行可靠性互有优劣，但都保持在较高水平。

将方案参数作为边界条件在仿真分析引擎中进行机组运行性能分析与验证。使用一维非恒定流模拟形式进行站间输水过程模拟，得到水位、流量等参数。使用四面体单元进行网格划分，MRF方法进行机组运行性能分析及流态分析。对仿真数据进行后处理，形成适配于渲染引擎的数据结构，借助图形处理器(graphics processing unit, GPU)的高性能加载手段完成仿真结果在孪生场景中的网格法及粒子法映射，并将海量多源信息，包括监测感知数据、运行状态参数、安全预警信息进行动态虚实映射，实现泵站群运行全过程仿真预演。本案例所使用的数据结构如下。

网格节点：

$\left\{x_i, y_i, z_i, \beta_i\right\} . $

(18)

三角面片：

$\left\{\begin{array}{c} F_1\left(P_1, P_2, P_3\right), \\ F_2\left(P_1, P_2, P_3\right), \\ \vdots \\ F_j\left(P_{3 j-2}, P_{3 j-1}, P_{3 j}\right) . \end{array}\right. $

(19)

其中：x_i、y_i、z_i为网格节点i的Cartesian坐标；β_i为节点对应的属性值；F_j为网格节点j组成的三角面片；P_3j为节点的坐标集合。

动态虚实映射是数据管理引擎与动态虚实映射引擎的综合应用。在数据管理引擎中对监测仪器获取的多源数据进行统一分类与处理，并将数据与相应仪器设备进行双向绑定，将监测感知数据、数据标识、仪器设备标识一同存储至数据库。依据数据时序、设备类型、操作逻辑、场景可视状态等决定数据重要性，从而选择性加载数据减轻虚实映射压力，基于动态虚实映射引擎实现高性能数据映射。

虚实交互馈控结合规则引擎的分级阈值可评估机组的运行性能及稳定性，并可判别可能发生的运行安全隐患，实现反馈信息的统一管理与设备溯源。此外，对设备进行智能合约注册，对物理世界物联设备进行记录并实现数据绑定，可实现控制信息智能合约的生成、记录、追溯，形成安全控制环境。

4 引擎性能测试

数字孪生引擎性能的发挥极大程度地影响用户使用体验。为避免出现延迟、卡顿现象，文[36]中以中央处理器(central processing unit, CPU)使用率、内存占用率、GPU占用率测试引擎在运行时占用计算机资源情况，验证系统在正常或特殊环境下使用时是否满足性能指标。本文参考此方法，以雨天进行运行仿真预演为压力测试条件，考虑数据映射响应时间及运行帧率性能指标，使用资源管理器进行2 h的整体性能测试，测试结果如图 12所示。在硬件配置方面，使用Windows11操作系统，i7-12700中央处理器，GeForce RTX 3060图形处理器，32 GB内存。

测试结果显示：对引擎响应时间影响最大的是仿真预演过程，且天气情况也会产生部分影响。主要原因是在映射仿真结果时，存在大量对仿真数据的循环处理，增加了数据加载压力，约5万条仿真流体节点数据映射时需要400 ms的处理时间。而在天气变化时因调用粒子系统，占用了部分系统资源，导致约10 f/s的帧率波动，如图 12a所示。此处还将收集到的599 652条数据分为4组，分别读取10 000条数据进行响应时间对比，结果如图 12b所示。由测试结果可以看出：在使用时序数据库进行虚实映射时，以重要性决定数据加载不会对引擎性能产生较大影响，使用MySQL数据库则会延长响应时间，但在数据量不大的情况下，响应时间基本控制在300 ms以内。在完成数据映射后，无论是桌面端，还是网页端，经轻量化处理后的孪生场景均能保持较高的运行帧率，桌面端的正常平均帧率维持在37 f/s，在仿真预演时会有帧率波动，网页端的平均帧率维持在68 f/s，没有出现掉帧情况，能够满足用户的流畅使用需求。图 12c及12d中红框内为引擎的资源占用情况，在正常情况下，引擎的CPU利用率为11.0%，GPU利用率为12%，内存占用为8.69 GB，利用率为27.17%，运行稳定性良好。在压力测试环境(同时进行仿真预演及各种天气状况模拟)下，CPU利用率为11.3%，与正常运行情况下差别不大。由于需要处理大量数据和粒子特效，因此引擎对图形渲染能力要求较高，GPU利用率达43%，内存占用达9.89 GB，占用率为30.89%。但在实际使用时，仿真预演及天气变化是特殊需求，通常情况下，引擎对计算机的整体性能要求不高，验证了所构建的数字孪生引擎使用中端性能的计算机即可满足，这也为信息基础设施的升级改造提供了一定参考。

5 结论

随着数字孪生技术在水利行业的快速发展，引调水工程中泵站群运行管控的数字孪生技术应用已成为未来的重要发展趋势。本文构建了包含物理场景、孪生场景、服务、孪生数据、连接、反馈与决策6方面要素的数字孪生引擎六维理论模型，并形成基本框架。在此基础上提出了包括孪生场景生成引擎、数据管理引擎、动态虚实映射引擎、运行仿真分析引擎、虚实交互馈控引擎在内的数字孪生引擎构建方法，为高效率、高性能且有效融合数据、知识、模型的数字孪生引擎构建提供方法支撑。最后，基于本文所提方法，从引擎底层框架出发进行工程案例实践和引擎性能测试。结果表明：本文所提方法构建的泵站群运行管控数字孪生引擎能有效满足业务应用需求，同时在数据映射响应时间、运行流畅度、运行稳定性、硬件资源占用情况等方面均表现良好。

目前，水利行业数字孪生引擎的研究依然处于探索及示范阶段，本文提出的数字孪生引擎构建方法是融合引调水工程泵站群系统数据、机理、算法、知识等内容的初步尝试，如何进一步提升引擎性能、针对不同业务需求健全引擎功能、深度挖掘多模型的耦合应用方法等都有待进一步深入研究。因此，未来的研究重点是对引擎框架、性能的深度优化，并针对业务需求进一步完善引擎构建方法。