高拱坝工程面临日趋严峻的自然环境条件和复杂的建设过程，以及对高效控制进度的需求迫切。拱坝进度控制经历人工笔排、借助辅助工具的传统方法、采用施工仿真技术等阶段。在人工笔排阶段靠人力、脑力、经验类比等方式编排进度，缺少进度控制理论的支撑；20世纪八九十年代开始借助一定的分析方法，如横道图法、网络图法^[1-2]、S型曲线法等对进度控制进行指导，但仍受技术发展水平的限制难以满足拱坝建设精细化进度控制的需求。拱坝施工进度仿真技术应用同样经历了从规划设计到施工阶段从浅到深、从“象牙塔”走向工程一线的过程。21世纪初，利用规划、设计信息对拱坝进度进行可行性分析与总进度验证，进一步发展了进度仿真理论与技术^[3-6]，可以进行施工过程仿真试验、施工参数分析、施工方案优化^[7-9]。随着物联网技术在水利水电工程中的推广应用^[10]，拱坝进度仿真技术走向服务于工程建设。在此过程中，文[11-12]建立了高拱坝施工实时控制数学模型，基于施工动态信息监控方法，运用数据挖掘技术进行数据挖掘分析；成都院^[13]提出了利用Boolean关联规则挖掘算法获取施工进度数据关联关系的高拱坝施工的仿真方法。这些研究奠定了拱坝进度仿真感知建设信息的理论基础。此后拱坝施工进度仿真技术广泛应用于溪洛渡^[14-16]、大岗山^[17]、乌东德^[18]、白鹤滩^[19]等水电站大坝施工阶段的进度分析控制。尤其是随着乌东德与白鹤滩水电站智能建造技术的深入研究与应用^[20-21]，进一步促进了拱坝进度仿真理论与技术智能化的发展。如文[22-23]通过改进抽样、模糊Bayes更新等方法对仿真参数进行更新；刘金飞等^[19]研究了高拱坝施工进度的多维约束耦合作用机制与基于智慧大坝^[24]智能感知的多维耦合仿真分析技术等。

然而现阶段拱坝进度仿真仍然存在资源匹配与效率参数不能及时准确反映实际施工水平，资源配置、质量控制、应力安全等多维耦合、多方协同等各环节处于异时空状态等问题，制约了拱坝进度仿真技术的深度应用。因此，本文基于智能建造理念提出拱坝智能进度仿真理论与方法，建立可感知、可分析、可控制的智能化进度分析控制体系，为解决上述问题提供了解决方案。

1 高拱坝智能进度仿真理论

高拱坝智能进度仿真理论是以传统进度仿真技术为基础，以物联网、大数据等信息技术及智能技术为基本手段，以自动感知、自动仿真、多维耦合及多方协同为基本工作方式，基于拱坝物理空间与虚拟空间的深度融合，建立可感知、可分析、可控制的智能化进度分析控制体系，是大坝智能建造体系的一部分。拱坝智能进度仿真理论包括基本构成、数学模型和仿真方法3部分。

1.1 高拱坝智能进度仿真理论基本构成

高拱坝施工进度智能仿真由自动感知、自动仿真、多维耦合、多方协同及施工组织反馈等“四环节、一过程”构成。其中自动感知是指仿真边界自动感知、仿真参数自动更新与仿真资源自动匹配；完成信息感知后进入自动仿真环节，即施工进度智能优化、施工进度自动输出、施工资源智能配置；在自动感知与自动仿真环节实现对结构安全、施工质量、施工进度与成本的多维耦合；在智能仿真过程中实现业主、监理、设计、施工与科研的多方协同；最后智能仿真成果通过多方施工组织实现反馈，为自动感知提供感知对象。高拱坝施工进度智能仿真理论基本构成如图 1所示。

高拱坝施工进度智能仿真各组成部分之间是相互联系和协同的整体。仿真边界自动感知、人及机械群状态的自动感知是智能建造体系整体中的一环，是仿真边界和仿真参数自动更新的数据基础，而边界条件、仿真参数的自动更新与施工进度智能优化构成了高拱坝施工智能仿真的核心。结构安全、施工质量、施工进度与成本控制则是施工进度整体控制目标。多方协同则是施工进度智能仿真能够落实的保障。施工组织是施工进度智能仿真管控体系最终实现的根本途径。

1.2 高拱坝智能进度仿真数学模型

通过对高拱坝施工过程与进度仿真原理的分析，基于物联网数据采集建立高拱坝智能进度仿真数学模型。仿真模型采用现场实时施工时刻τ及仿真计算实时时刻t。

智能仿真目标函数表示如下：

$ \operatorname{ISimuOpt}(C, R, P, S, \cdots, \mathrm{MS}, \mathrm{SC}). $

(1)

其中：C为对高拱坝施工进度有决定性影响的综合指标，如总工期、关键节点面貌、整体施工强度及均衡性、温度应力状态、标段均衡系数等，综合指标可以根据现场阶段目标需要与实际状态进行动态调整；R为现场施工状态，主要包括实时施工进度、实时机械匹配关系、历史天气统计、实时混凝土温控状态等；P为仿真参数，包括实时机械运行参数等；S为依据现场施工状态制定的施工方案集，包括浇筑顺序等；MS为资源配置方案，包括人员、设备及其他资源配置；SC为施工方案下的大坝工程成本。

仿真边界条件自动实时更新过程：

$ \left\{\begin{array}{l} H(i, 0)=H_{\mathrm{r}}(i), 1 \leqslant i \leqslant I ; \\ G(j, 0)=G_{\mathrm{r}}(j), 1 \leqslant j \leqslant I-1 ; \\ \operatorname{hh}(i, 0)=\mathrm{hh}_{\mathrm{r}}(i), 1 \leqslant i \leqslant I, H(i, 0) \leqslant H. \end{array}\right. $

(2)

其中：H(i, 0)、hh(i, 0)与G(j, 0)分别为第i坝段在仿真计算初始时刻(t=0)的浇筑高程、浇筑高程H(i, 0)以上的分层方案和第j灌缝的接缝灌浆高程；H_r(i)、hh_r(i)与G_r(j)分别为第i坝段的实时(τ=τ_f)浇筑高程、浇筑高程H_r(i)以上的分层方案和第j灌缝的接缝灌浆高程，I为坝段总数。

仿真参数自动实时更新模型：

$ \left\{\begin{array}{l} q(t)=P(t=0)=\operatorname{bdg}_{T_{t}-T_{0}}(t=0) ,\\ P(\tau)=P(\tau-1)+\Delta P(\tau) ,\\ \Delta P(\tau)=\operatorname{bdg}_{T_{t}-T_{0}}(R(\tau), \tau). \end{array}\right. $

(3)

该模型包括3部分：1) 主要根据参数历史大数据分析后在初始时刻的参数P(t=0)，由T₀至T_t时段大数据分析得到bdg_Tt-T0(t=0)的仿真参数取值过程；2) 根据R(τ)为τ-1至τ时刻之间实时采集的施工参数与时段大数据关系取得施工参数变化量ΔP(τ)的过程；3) 根据变化量ΔP(τ)确定仿真参数实时更新的过程。

仿真分析施工状态转移方程：

$ \begin{array}{c} \left\{\begin{array}{l} H(i, t)=H(i, t-1)+\Delta H(i, t), \\ G(j, t)=G(j, t-1)+\Delta G(i, t), \\ \end{array}\right.\\ t=1,2, \cdots, T. \end{array} $

(4)

其中：H(i, t)和G(j, t)分别为第i坝段和第j横缝在仿真计算t时刻的混凝土浇筑高程及接缝灌浆高程，ΔH(i, t)和ΔG(j, t)为t-1到t时刻坝段i和j灌缝的浇筑高度及接缝灌浆高度。

自动仿真计算过程：

$ \left\{\begin{array}{l} H(i, t) \leqslant H_{\max } ,\\ \Delta H(i, t)=f_{1}[D(i, k, t), \varGamma(i, t), \varPsi(i, j, t) ,\\ \ \ \ \ \ \ \ \ \ \ \ \left.L(t), \mathrm{hh}_{\mathrm{r}}(i, t)\right], k=1,2, \cdots, K, \\ D(i, k, t)=\sum\limits_{v=1}^{V} q(v, t), \\ \varGamma(i, t)=g_{1}(\tau, t), \\ \varPsi(i, j, t)=g_{2}(\gamma), G(j, t) \leqslant H_{\max }, \\ \Delta G(j, t)=f_{2}[T(j, n, m, t), A(j, n, m, t) ,\\ \ \ \ \ \ \ \ \ \ \ \ \left.J\left(j, n_{J}, m, t\right)\right], m=1,2, \cdots, M. \end{array}\right. $

(5)

式(5)定义了在最大坝高、施工机械、施工工序、温度场、导流度汛及接缝灌浆、分层等约束下浇筑转换过程等^[25]。

坝块排序实时自动更新模型：

$ \left\{\begin{array}{l} M_{1}(t)=\left[\begin{array}{cccc} m_{1}(1) & m_{2}(1) & \cdots & m_{U}(1) \\ m_{1}(2) & m_{2}(2) & \cdots & m_{U}(2) \\ \vdots & \vdots & & \vdots \\ m_{1}(H) & m_{1}(H) & \cdots & m_{U}(H) \end{array}\right] . \\ M(t)=f_{3}\left(M_{1}(t), L, \lambda\right) \end{array}\right. $

(6)

该模型包括2部分：考虑最大高差、相邻高差、悬臂高度、浇筑间歇等因素的坝块排序模型和考虑多标段及其均衡性的坝块排序调整模型。

仓面与机械的匹配模型：

$ \mathrm{MC}=f_{4}(M(t), C(x, y, z)). $

(7)

其中：MC为坝块排序M(t)与浇筑机械缆机位置C(x, y, z)的匹配关系。

约束条件：

$ \text { s. t. }\left\{\begin{array}{l} B_{\mathrm{B}}(i, h, k, t)=0, \\ B_{\mathrm{G}}(i, m, h, t)=0, \\ B_{\mathrm{B}}(i, h, k, t)=B_{\Delta H} \cap B_{T} \cap B_{\mathrm{WR}} \cap B_{\mathrm{W}}, \\ B_{\Delta H}=B_{\mathrm{NH}} \cap B_{\mathrm{MH}} \cap B_{\mathrm{ERH}}, \\ B_{\mathrm{T}}=B_{\mathrm{SP}} \cap B_{\mathrm{MT}} \cap B_{\mathrm{NT}}, \\ B_{\mathrm{G}}(i, m, h, t)=B_{\mathrm{TG}} \cap B_{\mathrm{AG}} \cap B_{\mathrm{WG}}, \\ \mathrm{C} \leqslant \mathrm{C}_{0}, \\ \mathrm{SC} \leqslant \mathrm{SC}_{0} . \end{array}\right. $

(8)

其中：h为坝段混凝土浇筑高程；B_B为包括高差限制约束B_ΔH、时间约束B_T、机械工作范围约束B_WR、天气因素B_W等的坝块选择约束；B_ΔH为包括相邻坝段高差约束B_NH、坝体最大高差约束B_MH、悬臂高度约束B_ERH的高差限制约束；B_T为包括坝首段开始浇筑时间约束B_SP、最小间歇期约束B_MT、相邻坝段倒缝时间约束等B_NT的时间约束；B_G为包括混凝土温度B_TG、混凝土龄期B_AG以及接缝灌浆前横缝开度B_WG的接缝灌浆约束；C₀为设计综合指标，SC₀为大坝工程控制成本。

1.3 高拱坝智能进度仿真方法

根据高拱坝智能进度仿真理论基本含义，提出高拱坝智能进度仿真方法，该方法包括12个基本步骤。

步骤1  仿真初始条件初始化。仿真初始条件包括坝块实时浇筑面貌、接缝灌浆实时面貌、坝段分层方案、接缝灌浆分区级灌浆控制参数、机械设备资源、最大允许同时浇筑仓个数、仓面搭接比例等。在首次仿真开始前，对仿真初始条件进行初始化更新，通过物联网采集灌浆面貌数据，实现数据驱动的仿真参数自动更新。

步骤2  仿真参数初始化。仿真参数包括机械群运行参数、备仓参数、模板参数等。机械群主要包括混凝土拌合楼、混凝土运输车、缆机、仓面平仓机械、仓面振捣机械等。通过物联网技术实现对生产数据的全过程监控，从而获取海量生产数据。利用大数据分析方法对历史积累的监控数据进行挖掘，通过并行计算的方式实时分析混凝土拌合楼、混凝土运输车、缆机、平仓机械、振捣机械的等施工机械运行规律，并将依据规律进行仿真计算产生的各类模拟数据添加至历史数据池以更新运行规律，并共用一个数据中心供进度仿真分析时调用和更新仿真参数。

步骤3  判断当前面貌下是大坝是否浇筑完成，若大坝各坝段浇筑到顶并且各灌区接缝灌浆完成，则判定大坝浇筑完成，结束仿真；反之，则大坝未完成浇筑，进入步骤4。

步骤4  判断当前时刻下各坝段是否有满足各浇筑约束的坝块。

步骤5  坝块排序。选择出m个可浇坝块后，需要对这些坝块进行浇筑顺序排序。

(1) 约束指标量化。对约束条件中的全坝高差、相邻高差、悬臂高度、浇筑间歇、运输距离等可量化的指标根据实际值进行量化；对奇偶坝段、孔口坝段等约束则进行赋值以表示优先程度。为了实现各坝块的综合比较，给每个归一化的优选指标赋权重，然后把各满足约束条件的可浇块的赋权指标进行叠加，所得综合指标排名前L(由最大同时浇筑仓数量确定)者即为优先浇筑块。

(2) 浇筑顺序重组。当大坝混凝土浇筑存在不同标段时，在确定的L个优先浇筑仓中可能会连续若干个坝块都属于同一个标段，这在实际多标段工程中也是不符合实际的；同时也可能存在连续浇筑的坝块在空间上搭接比例过大，不利于浇筑效率的提升与混凝土坯层覆盖。因此需要对筛选出的L个仓进行重新排序。比如重新排序原则可采用搭接比例+标段混凝土均衡原则或搭接比例+同标段连续浇筑不超过R仓为原则进行强制调序。标段混凝土均衡原则解释如下：设大坝有Q个标段，各标段混凝土工程量为W_Q，当前累计混凝土工程量为w_Q，仓面混凝土量为w_LQ，则

$ \begin{array}{c} W_{1}: W_{2}: \cdots: W_{Q} \approx\left(w_{1}+w_{1 Q}\right):\left(w_{2}+w_{2 Q}\right): \cdots: \\ \left(w_{Q}+w_{L Q}\right)=1:\left(\delta_{2}+\varepsilon\right): \cdots:\left(\delta_{Q}+\varepsilon\right). \end{array} $

(9)

其中：δ为以1标段为参照标段的不同标段工程量比，ε为可调节比例。

同时将综合指标排第1位仓作为参照位置，通过对不满足搭接比例指标的仓面进行调整，若存在均不满足相互搭接比例限制的仓则剔除浇筑序列。坝块顺序确定后进入步骤6(见图 2)。

步骤6  坝块与缆机组合。缆机选择即根据可浇仓位置与缆机状态、复杂环境下缆机安全距离等因素对缆机进行配置，并根据“匹配方案里缆机最小时钟”选择缆机调配方案作为浇筑方案，进入步骤7。

步骤7  坝块浇筑。在高拱坝施工仿真中，坝块浇筑持续时间会影响到缆机状态与坝块状态的改变。将拌合楼-运输车-(卸料平台)-缆机-仓面各环节混凝土生产运输施工过程进行分解，利用基于物联网对混凝土生产运输过程进行监控分析的各环节规律，结合仓面机械作业效率，可计算坝块浇筑时间。坝块浇筑完成后，进入步骤8。

步骤8  接缝灌浆。判断此时系统中大坝是否有灌区满足接缝灌浆条件，若有则进行接缝灌浆；若无，则返回步骤2仿真参数初始化，更新仿真参数，循环步骤2-8，直至大坝一次仿真分析完成，进入步骤9。

步骤9  判断是否满足控制目标，若满足则输出仿真结果，进入步骤10或11。若不满足控制目标，则根据仿真分析结果特征参数与控制目标的差异驱动对进度目标有明显影响的仿真参数(集)逐步调整(正向或逆向)，一般对总进度有显著影响的参数有全坝高差、最大悬臂高度、相邻最大高差及其组合、关键路径浇筑间歇、局部分层方案等。可根据不同浇筑阶段的特点设计差异化的调整参数(集)策略的优化规则。

步骤10  将仿真进度计划与接缝灌浆进度仿真分析结果等信息传递给结构性态仿真过程，进行温度应力安全校核，为性态耦合过程。

步骤11  同步耦合施工资源配置系统进行施工资源智能配置。将施工资源管理功能模块嵌入仿真系统，结合进度仿真分析结果，根据浇筑间歇时间、钢筋、模板等工程量与备仓效率对备仓过程投入人力、各类设备等资源进行智能配置，同时根据仓面混凝土工程量、钢结构工程量与浇筑效率对仓面浇筑所需工人数量、平仓与振捣浇筑机械数量、辅助工具数量、保温被数量等所需资源进行同步智能配置，并连同仿真计划一体输出，进入步骤12。

步骤12  仿真分析结束，将仿真结果推送给业主、监理、设计、施工、科研各方，通过施工组织手段实现仿真计划与资源配置的实现，同时驱动仿真边界与仿真参数的更新，推动步骤1-12过程自动循环(见图 3)。

2 高拱坝智能进度仿真关键技术

高拱坝智能进度仿真需要一系列先进智能技术作为支撑，如物联网自感知技术、参数自动更新技术，结合进度仿真的特点，还需对仿真资源智能匹配与施工资源智能调配技术、一体化自动仿真技术及多维耦合仿真技术进行创新。

2.1 边界条件与施工要素的物联网自感知技术

随着智能建造体系^[21]的深入建设，拱坝施工信息采集从静态逐步向动态跨越，从而促进拱坝边界条件与施工要素状态从未知走向可知，从静态走向动态，如图 4所示。现阶段利用智能建造相关技术体系可以对拱坝实际施工面貌、机械群(拌合楼、混凝土运输车、缆机、平仓机械、振捣机械等)、分层分仓、灌浆控制参数等基础数据的动态采集，克服了信息的人工采集与维护的不足。因此，最新的信息技术在大坝工程建设中投入使用，能够促进各方快速精准反应与数据的精准智能获取。在白鹤滩智能建造实践中已可以实现对真实浇筑边界条件与施工要素的快捷获取。

2.2 基于大数据技术的仿真参数自动更新技术

各类感知元件等组成的物联网感知手段将高拱坝建设过程的海量数据进行采集、传输、存储。在解决数据存储难题的基础上，利用大数据分析技术实现海量工程建设数据的快速检索、自动化提取是仿真参数自动更新的基础。工程建设大数据中挖掘蕴含的规律与知识是实现参数自动化更新的核心。鉴于工程建设大数据在自动化检索等方面面临的困难，大数据与云计算技术为解决工程数据异构、数据筛选、检索与表达等方面的关键问题提供了有力途径。基于大数据的仿真参数自动更新技术是制约高拱坝智能进度仿真发展的关键技术。在边界条件与施工要素的物联网自感知技术的基础上，对海量数据进行规律挖掘形成反映工程实际的边界条件和施工要素参数。

2.3 仿真资源智能匹配与施工资源智能调配技术

资源匹配与调配技术包括2方面，一方面是仿真资源智能匹配技术。缆机是拱坝施工资源入仓的主要途径，是深窄峡谷中高拱坝浇筑施工的关键资源。如何根据可浇筑仓面相对位置、仓面作业效率、周围环境合理配置缆机资源使浇筑过程既高效又安全是拱坝浇筑施工中常见难题。常规的仓面-缆机调配对实际运行中的周围工程环境的因素考虑不足，在按指导安全距离运行时存在碰撞等不安全风险。同时也未对仓内的机械配置与效率进行考虑，可能造成缆机资源的浪费或导致因坯层覆盖时间超标造成的混凝土质量问题。另一方面是施工资源智能调配技术。浇筑部位备仓资源与浇筑资源的投入对进度目标的实现至关重要。施工资源的智能调配需要准确量化仓混凝土等工程量、备仓各环节效率、仓面浇筑作业效率及施工组织水平对效率的影响等因素。通过智能进度仿真打通资源匹配与资源调配环节，统筹高拱坝施工过程中质量、安全、效率与成本，有利于提升施工组织水平保障工期控制精准度。

2.4 进度仿真-评估优化-资源调配一体化自动仿真技术

一体化自动仿真技术是智能进度仿真的特性决定的。现阶段进度仿真、评估优化与资源调配是相对独立存在的环节，虽然各环节可通过线下数据文件的形式进行交互。但也导致进度仿真应用环节上的缺失，评估结果与资源调配不能及时为建设者所掌握。为使进度仿真技术能够最大程度发挥作用，进度仿真-评估优化-资源调配一体化自动仿真技术是必经途径，为此需要研究自动仿真内部转换逻辑与数据交互。

2.5 多维耦合仿真技术

传统的混凝土高拱坝工程建设中施工进度仿真分析与工作性态仿真分析两项工作是相互独立的，同时较少考虑施工质量与成本控制，耦合程度低，直接数据交互少，施工进度仿真分析结果并不能直接应用到实际工程建设施工现场，指导调配与管理施工资源，缺乏反馈调整机制。多维耦合仿真技术通过耦合施工进度仿真、工作性态仿真、施工质量与成本等方面，透过耦合机理，通过浇筑间歇为纽带，将施工进度仿真分析与工作性态仿真分析耦合，使之互为边界，实现分析结果直接指导现场施工，达到迅速反馈，不但使参建单位能够动态调整资源配置以满足浇筑间歇要求，同时满足保障全过程施工均衡与性态安全的需要，如图 5所示。多维耦合仿真技术是智能进度仿真全局优化的保障。

3 工程应用 3.1 白鹤滩高拱坝工程概况

白鹤滩双曲高拱坝坝顶高程834 m，最大坝高289 m，坝体设计混凝土工程量约803万m³。受基础地质缺陷处理等因素的影响，大坝混凝土首仓浇筑时间相较招标要求滞后115 d。要保证白鹤滩水电站如期完工并发电，施工进度控制难度大。

3.2 高拱坝施工进度仿真系统

根据白鹤滩高拱坝建设特点及工期控制难的特点研发的基于物联网面向施工阶段高拱坝施工进度仿真系统(见图 6-7)，实现了建模、边界条件和仿真参数设置、仿真分析与结果输出一体化。

为充分反映参建各方的意图、掌握准确的进度分析边界条件，在仿真分析应用中采取了由业主、监理、设计、施工、科研等多方联合参与的模式。同时，根据仿真分析提供的优化建议和措施，在业主和监理的组织下，施工单位结合自身情况在实际施工中落实，并将施工中出现的可能制约进度的因素反馈到进度仿真。

3.3 案例分析 3.3.1 缆机资源分析

为分析缆机资源能否满足2019年度大坝混凝土浇筑高峰的需要，根据2018年3-12月缆机运行效率，结合施工进度仿真结果，对2019年度缆机使用台时进行分析，结果如表 1所示。

从表 1中可以看出，要满足白鹤滩大坝浇筑工期和高峰时段的强度需求，一方面需要提高缆机平均运行效率，另一方面需确保缆机可用浇筑台时。

3.3.2 进度动态分析与调整

受现场施工条件的影响，需要根据实际施工进展与年度目标、节点控制目标对大坝浇筑进度进行动态分析与调整。图 8显示了2018-2020年随实时施工状态与年度目标变化进行的进度动态分析与调过程。其中2019年增加了2020年非河床坝段部分坝段到顶，2020新增了1#~3#坝段到顶的年度目标，因此2019年的计划面貌与实际完成面貌也有较大差异，进一步影响了进度计划面貌。

3.3.3 关键路径进度分析

白鹤滩高拱坝深孔出口至表孔牛腿之间部位的施工与深孔启闭机施工存在相互影响。为此需要进行深孔出口至表孔牛腿的协调工期分析。根据2020年7月25日实际面貌及各边界条件、仿真参数下，分析结果如表 2所示，其中7月上旬已进入1#与4#表孔牛腿施工，8月下旬进入4#表孔溢流堰施工阶段，并将于2020年12月末完成溢流堰施工。

3.3.4 耦合性态仿真

以2020年6月20日浇筑面貌为基础面貌、同时以实际接缝灌浆进度及相应约束条件、仿真参数进行仿真分析，将施工进度仿真结果(含浇筑计划与接缝灌浆计划)传递性态仿真环节进行性态安全分析。

相邻高差应尽可能控制在设计允许范围之内，超过设计方案的工况仅限于是偶然工况，尤其是秋冬季节，图 9为2020年9月高差较大时刻横缝面第一主应力。

大坝的整体安全状态良好，大应力区主要位于基础强约束区，除局部靠近建基面的区域外，最大第一主应力一般出现在二期冷却末期，大部分可以控制在1.5 MPa以内，可满足混凝土设计抗裂要求。秋冬季节悬臂应力与温度应力叠加是最不利时段，尤其是1-2月份气温最低时，需要尽可能降低悬臂高度，加快灌浆进度，如图 10所示。

经过性态安全分析论证了该进度仿真分析结果在性态安全上是满足要求的。

4 结论与展望 4.1 结论

随着乌东德与白鹤滩水电站智能建造技术持续深入研究与应用，进一步提升了拱坝进度仿真理论与技术的发展水平。但同时面临仿真参数不能真实反映实际施工水平、仿真资源匹配不甚合理，与进度优化、施工资源配置、多维耦合、多方协同等各环节处于异时空状态等问题更能促使传统高拱坝施工进度仿真理论向智能进度仿真发展。高拱坝智能进度仿真以传统施工进度仿真理论为基础，以物联网、大数据等信息技术及智能技术等为基本手段，以自动感知、自动仿真、多维耦合及多方协同为基本工作方式，基于拱坝物理空间与虚拟空间的深度融合，建立可感知、可分析、可控制的智能化进度分析控制体系。

4.2 展望

虽然经过溪洛渡、乌东德、白鹤滩等高拱坝施工进度仿真技术与实践的积累，拱坝智能进度仿真理论目前尚处于理论发展与实践探索阶段，需要重点研究智能进度仿真基础理论、关键技术及应用模式。同时为使智能进度仿真能够真正服务于工程建设，仍需在“全面感知、真实分析、实时控制”闭环智能控制理论指导下对精准感知技术、大数据技术应用、一体化仿真技术及应用模式等方面进行重点研究。

(1) 拱坝信息精准感知技术。拱坝智能进度仿真的可靠性受到设计、施工等信息资源采集的完整性与准确性的直接影响。研究和应用基于物联网的最新智能建造系列成果，构建拱坝信息采集体系，在统一的数据标准下进行整合、优化，继续克服“信息孤岛”。

(2) 仿真参数的大数据分析。传统进度仿真中仿真参数的变化与工程建设规律关联较弱，一方面由于信息的缺少不足以进行知识挖掘发现规律，进而引起仿真参数基于假设随机产生的问题。基于完备的拱坝信息，采用大数据技术挖掘工程建设各环节的规律，为探索仿真参数的变化规律提供了可能性。同时为了实现一体化自动仿真，需要研究仿真参数的大数据分析与进度仿真系统间的结合模式。

(3) 一体化自动仿真技术。由仿真边界与参数自动更新驱动的进度仿真-评估优化-资源调配一体化自动仿真技术是进度仿真从静态到动态、从科研到应用转变的核心。研究各内部环节转换逻辑与数据交互方式，将评估优化-资源调配在智能进度仿真架构下纳入仿真体系，使之成为一个整体。

(4) 创新智能仿真应用模式。充分发挥物联网对水利水电工程施工期数据的整合作用，促进进度仿真向更高级阶段发展。进度仿真是一项边界条件复杂、影响因素复杂的工作，需要整合参建各方在不同角度对施工进度管理的思路、原则和目标。创新智能仿真应用模式，将业主、监理、设计、施工、科研等多方联合起来共同参与。根据仿真分析提供的优化建议和措施，参建多方结合自身情况在实际施工中发现的可能制约进度的因素并进行反馈，逐渐摸索出具有指导意义的智能仿真工程建设应用模式。