基于Cesium 的地下結構可視化平臺構建方法

劉 璇，紀溢凡，包佳瑋，紀云浩，申志福

（南京工業大學，南京 211816）

我國城市地下工程正處于蓬勃發展過程。由于地下工程本身具有的隱蔽性、地質條件的復雜多變性和巖土體工程特性的多樣性特點，設計、施工與運維單位需要更加直觀的模式反映巖土工程結構的信息，以指導日常工作。工程地質數據則具有高度時空性、大容量高相關、低價值密度、多元異構、多模態、復雜性與不確定性的特點[1]。如何利用大數據分析和可視化技術更直觀地服務于地下工程的研究分析與問題決策，成為該領域數據可視化研究與應用熱點。

目前，國內外學者采用數據可視化方法及技術對地質數據進行的研究取得了較為豐富的研究成果。Byers 等[2]從可視化的角度研究了大數據對實現地質介紹的優勢。Müller 等[3]對工程地質數據可視化進行了研究，并構建了基于Cesium 的3DWeb 可視化交互系統。Wang 等[4]基于地質本體成功從地質大數據中提取出北美區域的地質年代和生物信息，并實現了信息集成與可視化。孫成鵬[5]使用基于SketchUp 和ArcGIS 的地質體三維模型構建方法實現了地質勘查地表數據及鉆孔數據的可視化。竇世卿等[6]提出了一種基于Cesium，利用shapefile 二維地下管網數據自動構建三維地下管網3D Tiles 模型的建模方法并實現了模型的可視化展示。

迄今為止，將Cesium 應用于地下工程中的工程結構信息化模型構建的研究尚不多見。本項目擬結合開源的Cesium 三維可視化引擎，運用數據庫、物聯網、大數據分析和數據可視化等技術，實現對地下結構、地層信息、健康監測信息三維可視化及監測數據趨勢預測，為地下空間運維提供高效的數字化工具。

1 基于Cesium 平臺的地下空間可視化模型

Cesium 是一個三維數據可視化的開源平臺，可包含基于三維遙感影像的地形、地貌信息和各類建構筑物信息。在Cesium 基礎上進一步開發的Mars 3D 平臺為可視化提供了大量免費SDK 類庫，用于構建本項目無插件、跨操作系統、跨瀏覽器的三維GIS 應用程序，實現了巖層分析、剖面分析、地下開挖和地表透明等功能。此處以某地下隧道結構為例，說明三維場景的構建方法，模型如圖1 所示。

圖1 地下空間結構可視化案例

首先采用Revit 軟件構建隧道的三維結構模型，將模型導出為fbx 格式。在Revit 中確定隧道的結構形態、尺寸及構成部分，并根據需要設計出隧道的地基結構、支護措施、襯砌結構、排水設施、電纜管道、防火設施及通風設施等，以建立一個完整的隧道模型。導出模型時，在導出選項中選擇合適的導出參數，確保模型的準確度和細節的保留，對模型的材質和紋理進行適當處理，確保導出的模型質量達到要求。然后使用開源工具CesiumLab 的通用模型切片功能將fbx 文件輸出為3D Tiles 格式。根據模型的大小和精度來設置切片參數，優化模型定義的數據，確保在切片過程中不丟失重要細節，需保證切片后數據文件的數量和大小合理，以避免造成Web 端的性能問題。最后利用Nginx 發布三維數據服務，將隧道模型導入由Cesium 構建的三維場景之中，供Web 前端使用。通過使用Cesium 的API 實現多種交互和定制效果，提升Web 前端的用戶體驗，為用戶呈現一個真實、可視化的地下隧道環境。

2 地下結構健康監測數據可視化

為持續對地下結構進行健康監測，在圖1 所示的結構中選擇3 個監測斷面，每個斷面布設應變計8 個，靜力水準儀3 個，雙軸傾斜計3 個。監測數據通過物聯網傳輸至后臺，儲存于MySQL 數據庫管理系統。采用Tableua 進行可視化分析：通過實時連接獲取最新數據，根據數據添加趨勢預測線和預警線，最終匯總為綜合數據儀表盤，實現工程數據可視化。Cesium 構建的三維場景支持導入內置控件和各類動態圖表。在工程結構模型的觀測點處插入由控件菜單控制的圖表窗口，即可實現實時查看各點的應變、沉降、傾斜情況，效果如圖2 所示。綜合儀表盤由3 部分組成：左列為健康監測數據展示，從上到下依次展示結構的沉降、應變、位移情況；中間一列包括結構示意圖與工程簡介，結構示意圖上的3 個按鈕為可交互設計，點擊可跳轉到相應斷面的詳細數據與預測結果；右列展示的是傳感器傳回數據的處理進度。

這種綜合儀表盤的設計可以幫助相關工作人員更好地了解結構運行情況，有效提高結構健康監測的效率和準確性。監測人員可以隨時查看結構的健康狀態，同時也能快速響應任何異常情況，極大提升了工程安全性和可靠性。

3 健康監測數據挖掘與趨勢預測

地下結構健康監測數據隨時間動態變化，是典型的時間序列。為了基于已有監測數據實時動態預測未來的結構響應，采用LSTM（Long Short-Term Memory）循環神經網絡模型構建時間序列預測工具。LSTM 不僅融合了時間序列的概念，能夠有效地考慮到不同時間節點輸入數據對下一個節點的影響，而且以在隱藏層中添加記憶單元的方式實現對時間序列數據的記憶信息的控制，獲得了較長期的記憶功能。傳感器獲取的監測數據時間跨度較長，數據量較大，使用LSTM 模型能夠深度表達特征，防止梯度爆炸，特別適合本項目需求。

LSTM 模型的框架如圖3 所示，其在隱藏層中添加記憶單元實現對時間序列數據的記憶信息的控制，獲得較長期的記憶功能。LSTM 的記憶模塊由遺忘門、輸入門、輸出門3 個部分組成，可用于傳播過程中的誤差反饋。遺忘門和輸入門用于控制存儲單元的狀態：遺忘門表示可以保存多少上一刻單元的“記憶”到記憶單元，而輸入門決定了可以保存多少時刻的“記憶”到記憶單元，并控制“歷史信息”與“當前信息”的融合比例。輸出門則用來控制單元狀態輸出信息。

圖3 LSTM 模型框架圖

通過調整LSTM 模型中的學習率（Learning rate）、隱藏單元個數（Lstm＿units）、優化器（Optimizer）類型、epoch和網絡層數的參數設置可以獲得最佳參數組合，使得模型性能達到最優。經過試驗測試，最終選擇誤差最小的一組，其參數設置為：學習率0.001、優化器選擇Adam、eporch 取值為200 和選用5 層64 單元數網絡結構。

由于部分傳感器所監測的點位存在長時間穩定無變化的情況，采集到的數據波動不大，預測價值較小，故本文選取12 個傳感器傳回的數據進行預測。考慮到沉降、傾角、應變3 類數據的變化特點不同，分別采用3 組模型進行預測。將每個傳感器的1 750 條數據分為訓練組和測試組，訓練組占比0.8，測試組占比0.2，并繼續向后預測10 條數據。

為了衡量模型的擬合精度與預測準確性，本文采用R2（R squared，Coefficient of determination，決定系數）、MAE（Mean Absolute Error，平均絕對誤差）、MAPE（Mean Absolute Percentage Error，平均絕對百分比誤差）來衡量模型預測能力。設結構健康監測數據采集到的真實值為y={y1，y2，y3，…，yn}，模型的預測值為，R2、MAE和MAPE的計算公式如下

R2反映的是模型擬合數據的準確程度，一般R2的范圍是0 到1，其值越接近1，表明方程的變量對y的解釋能力越強，這個模型對數據擬合得也較好。MAE是絕對誤差的平均值，可以更好地反映預測值誤差的實際情況；MAPE指平均絕對百分比誤差，用絕對值來避免正誤差和負誤差相互抵消，理論上，MAE、MAPE的值越小，說明預測模型擬合效果越好，具有更好的精確度。

模型對部分傳感器監測數據的預測結果如圖4 所示。在對應變、傾斜、沉降的多次預測中，擬合系數R2最高分別達到0.978、0.972、0.967，MAE最低分別為0.145、0.001、0.003，MAPE最低分別為0.006、0.001、0.005，說明LSTM 模型對結構健康監測數據的預測精度較高。

圖4 部分傳感器監測數據的預測結果

考慮到采集到的應變數據與傾斜、沉降數據大小之間存在量級差，故應變預測結果的平均誤差數值稍大。

4 結論

以地下隧道結構為例，構建了基于Cesium 平臺的地下空間工程信息化模型，實現了對地下工程中結構、地層信息場景的三維可視化。與傳統的觀測分析方式相比，基于Cesium 平臺的三維模型和數據可視化分析技術能更加直觀地反映地下工程結構信息。應用長短期記憶人工神經網絡進行工程數據預測，達到了滿意的預測精度，有助于實現地下工程結構健康監測數據的分析、利用、價值挖掘。