基于Cesium的地下结构可视化平台构建方法

我国城市地下工程正处于蓬勃发展过程。由于地 下工程本身具有的隐蔽性、地质条件的复杂多变性和 岩土体工程特性的多样性特点，设计、施工与运维单位 需要更加直观的模式反映岩土工程结构的信息，以指 导日常工作。工程地质数据则具有高度时空性、大容量 高相关、低价值密度、多元异构、多模态、复杂性与不确 定性的特点[1]。如何利用大数据分析和可视化技术更直 观地服务于地下工程的研究分析与问题决策，成为该 领域数据可视化研究与应用热点。

目前，国内外学者采用数据可视化方法及技术对 地质数据进行的研究取得了较为丰富的研究成果。 Byers 等[2]从可视化的角度研究了大数据对实现地质介 绍的优势。Müller 等[3]对工程地质数据可视化进行了研 究，并构建了基于 Cesium 的 3DWeb 可视化交互系统。 Wang 等[4]基于地质本体成功从地质大数据中提取出北 美区域的地质年代和生物信息，并实现了信息集成与可视化。孙成鹏[5]使用基于 SketchUp 和 ArcGIS 的地 质体三维模型构建方法实现了地质勘查地表数据及 钻孔数据的可视化。窦世卿等[6]提出了一种基于Cesium， 利用 shapefile 二维地下管网数据自动构建三维地下 管网 3D Tiles 模型的建模方法并实现了模型的可视 化展示。

迄今为止，将 Cesium 应用于地下工程中的工程结 构信息化模型构建的研究尚不多见。本项目拟结合开 源的 Cesium 三维可视化引擎，运用数据库、物联网、大 数据分析和数据可视化等技术，实现对地下结构、地层 信息、健康监测信息三维可视化及监测数据趋势预测， 为地下空间运维提供高效的数字化工具。

 基于 Cesium 平台的地下空间可视化模型 Cesium 是一个三维数据可视化的开源平台，可包 含基于三维遥感影像的地形、地貌信息和各类建构筑 物信息。在 Cesium 基础上进一步开发的 Mars 3D 平台为可视化提供了大量免费 SDK 类库，用于构建本项目 无插件、跨操作系统、跨浏览器的三维 GIS 应用程序， 实现了岩层分析、剖面分析、地下开挖和地表透明等功 能。此处以某地下隧道结构为例，说明三维场景的构建 方法，模型如图 1 所示。 

首先采用 Revit 软件构建隧道的三维结构模型，将 模型导出为 fbx 格式。在 Revit 中确定隧道的结构形态、 尺寸及构成部分，并根据需要设计出隧道的地基结构、 支护措施、衬砌结构、排水设施、电缆管道、防火设施及 通风设施等，以建立一个完整的隧道模型。导出模型时， 在导出选项中选择合适的导出参数，确保模型的准确度 和细节的保留，对模型的材质和纹理进行适当处理，确 保导出的模型质量达到要求。然后使用开源工具 Ce－ siumLab 的通用模型切片功能将 fbx 文件输出为 3D Tiles 格式。根据模型的大小和精度来设置切片参数，优 化模型定义的数据，确保在切片过程中不丢失重要细 节，需保证切片后数据文件的数量和大小合理，以避免 造成 Web 端的性能问题。最后利用 Nginx 发布三维数 据服务，将隧道模型导入由 Cesium 构建的三维场景之 中，供 Web 前端使用。通过使用 Cesium 的 API 实现多 种交互和定制效果，提升 Web 前端的用户体验，为用户 呈现一个真实、可视化的地下隧道环境。

2 地下结构健康监测数据可视化 为持续对地下结构进行健康监测，在图 1 所示的 结构中选择 3 个监测断面，每个断面布设应变计 8 个， 静力水准仪 3 个，双轴倾斜计 3 个。监测数据通过物联 网传输至后台，储存于 MySQL 数据库管理系统。采用 Tableua 进行可视化分析：通过实时连接获取最新数 据，根据数据添加趋势预测线和预警线，最终汇总为综 合数据仪表盘，实现工程数据可视化。Cesium 构建的 三维场景支持导入内置控件和各类动态图表。在工程 结构模型的观测点处插入由控件菜单控制的图表窗 口，即可实现实时查看各点的应变、沉降、倾斜情况，效 果如图 2 所示。综合仪表盘由 3 部分组成：左列为健康 监测数据展示，从上到下依次展示结构的沉降、应变、 位移情况；中间一列包括结构示意图与工程简介，结构 示意图上的 3 个按钮为可交互设计，点击可跳转到相 应断面的详细数据与预测结果；右列展示的是传感器 传回数据的处理进度。

这种综合仪表盘的设计可以帮助相关工作人员更 好地了解结构运行情况，有效提高结构健康监测的效 率和准确性。监测人员可以随时查看结构的健康状态， 同时也能快速响应任何异常情况，极大提升了工程安 全性和可靠性。 3 健康监测数据挖掘与趋势预测 地下结构健康监测数据随时间动态变化，是典型的 时间序列。为了基于已有监测数据实时动态预测未来的 结构响应，采用 LSTM（Long Short-Term Memory）循环 神经网络模型构建时间序列预测工具。LSTM 不仅融合 了时间序列的概念，能够有效地考虑到不同时间节点输 入数据对下一个节点的影响，而且以在隐藏层中添加记 忆单元的方式实现对时间序列数据的记忆信息的控制，获得了较长期的记忆功能。传感器获取的监测数据时间 跨度较长，数据量较大，使用 LSTM 模型能够深度表达 特征，防止梯度爆炸，特别适合本项目需求。 LSTM 模型的框架如图 3 所示，其在隐藏层中添加 记忆单元实现对时间序列数据的记忆信息的控制，获 得较长期的记忆功能。LSTM 的记忆模块由遗忘门、输 入门、输出门 3 个部分组成，可用于传播过程中的误差 反馈。遗忘门和输入门用于控制存储单元的状态：遗忘 门表示可以保存多少上一刻单元的“记忆”到记忆单 元，而输入门决定了可以保存多少时刻的“记忆”到记 忆单元，并控制“历史信息”与“当前信息”的融合比例。 输出门则用来控制单元状态输出信息。 通过调整 LSTM 模型中的学习率（Learning rate）、隐 藏单元个数（Lstm＿units）、优化器（Optimizer）类型、epoch 和网络层数的参数设置可以获得最佳参数组合，使得模 型性能达到最优。

经过试验测试，最终选择误差最小的 一组，其参数设置为：学习率 0.001、优化器选择Adam、 eporch 取值为 200 和选用 5 层 64 单元数网络结构。 由于部分传感器所监测的点位存在长时间稳定无 变化的情况，采集到的数据波动不大，预测价值较小， 故本文选取 12 个传感器传回的数据进行预测。考虑到 沉降、倾角、应变 3 类数据的变化特点不同，分别采用 3 组模型进行预测。将每个传感器的 1 750 条数据分为 训练组和测试组，训练组占比 0.8，测试组占比 0.2，并 继续向后预测 10 条数据。

为了衡量模型的拟合精度与预测准确性，本文采用 R（2 R squared，Coefficient of determination，决定系数）、 MAE （Mean Absolute Error，平均绝对误差）、MAPE （Mean Absolute Percentage Error，平均绝对百分比误 差）来衡量模型预测能力。设结构健康监测数据采集到 的真实值为 y={y1，y2，y3，…，yn}，模型的预测值为y ={y 1， y 2，y 3，…，y n}，R2 、MAE 和 MAPE 的计算公式如下 R2 反映的是模型拟合数据的准确程度，一般 R2 的 范围是 0 到 1，其值越接近 1，表明方程的变量对 y 的解 释能力越强，这个模型对数据拟合得也较好。MAE 是绝 对误差的平均值，可以更好地反映预测值误差的实际情 况；MAPE 指平均绝对百分比误差，用绝对值来避免正 误差和负误差相互抵消，理论上，MAE、MAPE 的值越 小，说明预测模型拟合效果越好，具有更好的精确度。 图 3 LSTM 模型框架图 模型对部分传感器监测数据的预测结果如图 4 所 示。在对应变、倾斜、沉降的多次预测中，拟合系数 R2 最 高分别达到 0.978、0.972、0.967，MAE 最低分别为 0.145、 0.001、0.003，MAPE 最低分别为 0.006、0.001、0.005，说明 LSTM 模型对结构健康监测数据的预测精度较高。 考虑到采集到的应变数据与倾斜、沉降数据大小之 间存在量级差，故应变预测结果的平均误差数值稍大。

4 结论 以地下隧道结构为例，构建了基于 Cesium 平台的 地下空间工程信息化模型，实现了对地下工程中结构、 地层信息场景的三维可视化。与传统的观测分析方式 相比，基于 Cesium 平台的三维模型和数据可视化分析 技术能更加直观地反映地下工程结构信息。应用长短 期记忆人工神经网络进行工程数据预测，达到了满意 的预测精度，有助于实现地下工程结构健康监测数据 的分析、利用、价值挖掘。