基于BIM的大藤峡水利枢纽工程施工进度管理

为有效提升大藤峡水利枢纽工程管理效率、保障工程施工进度、节约项目投资,推动工程全生命周期数字化管理,引入BIM技术创建施工进度模型,减少变更,充分利用互联网+技术优势,结合大藤峡工程管理实际情况,创新性地开发基于BIM搭建的工程数字化交付平台,优化施工组织方案。目前大藤峡水利枢纽工程的左岸厂房、船闸、泄水闸等建筑物均已开工建设,建立BIM数据管理平台,对工程进行三维建模,按照施工组织设计对建筑物进行多层切割,关联时间轴,实现施工进度模拟,对每个模型构件进行编码命名,录入对应的工程信息。BIM三维模型有效减少了设计变更,降低了建设风险,配合施工进度模拟,以可视化强作为创新点,精确控制工程施工进度,优化施工组织方案。协助大藤峡工程实现建设及运维管理的数字化、可视化、智能化、作业,辅助大藤峡工程建设项目管理的科学决策。

基于OTS2000+的数字孪生智慧生产系统的设计与应用

以大藤峡数字孪生项目为例,探讨了由OTS2000+打造的数字孪生大藤峡智慧生产系统在数字孪生水利枢纽建设中的应用效果。研究采用案例分析方法 ,通过系统分析、现场调研等手段,考察系统在三维可视化监控、智能巡检、虚拟仿真培训等方面的功能与效果。研究发现,数字孪生大藤峡智慧生产系统可以通过构建大藤峡水利枢纽水工建筑及各机电设备的高保真三维模型,结合水轮机、调速器等各系统数学机理模型,以纯数字化方式实现了电厂、船闸、枢纽等重点设备的虚拟运维、虚拟检修及实时监测,大幅提升大藤峡水利枢纽的智慧化及可视化水平。

大数据的分析技术之tensorflow的应用

随着大数据时代的发展,数据分析成为整个大数据处理流程的核心,就是从大数据中获得各种信息,这就包括了数据可视化分析、数据预测、数据处理、数据存储等。而tensorflow在数据分析方面有一定的便捷性。该文对大数据的特征进行了分析,并由此为基础介绍当前数据分析的一些技术和工具,并介绍tensorflow关于数据处理与数据可视化方面的运用。

Agile软件开发研究综述

对Agile软件开发的价值观和原则进行了概述,接着详细介绍了Scrum的实施流程和Agile软件开发中的关键实践,以及实施Agile软件开发对软件组织的益处,最后说明了单独使用Agile软件开发并不足以解决软件开发面临的问题,要通过结合CMM/CMMI成熟度模型不断提升软件组织的核心竞争力。

大藤峡工程项目管理系统的设计与实现

为全面掌控大藤峡水利枢纽工程建设,在详细分析大藤峡水利枢纽工程项目建设基础上,基于项目管理软件产品的多种引擎支撑及功能模块的实现使系统数据互联互通,通过BIM技术建立模型实现工程建模可视化、虚拟化管理,完成大藤峡水利枢纽工程建设项目管理系统的建设。项目管理系统可为工程建设管理的各部门提供协同工作平台,实现数据信息的填报、发送、处理,以及业务的协同共享,提高大藤峡水利枢纽工程建设管理的信息化程度和项目投资预测水平。

大藤峡工程数字档案管理系统的研究与应用

为实现大藤峡水利枢纽工程数字档案业务流程的自动化归结,提升电子档案及其他数字资源管理的信息化水平,运用元数据的XML技术和OAIS参考模型,基于J2EE平台的标准化、可扩展、多馆协同的分布式技术建立了大藤峡工程数字档案管理系统。利用先进工作流及消息系统技术,提供档案信息利用服务,搭建数字信息资源库,为大藤峡水利枢纽工程生产、管理、决策提供高质量的服务。

大藤峡水利枢纽工程生态环境监测数据库的设计与实现

以大藤峡水利枢纽工程为例。基于J2EE平台B/S架构与Oracle数据库,使用前后端分离技术及微服务架构承载前后端数据交换的方式构建了大藤峡工程生态环境监测数据库。该系统有数据录入、数据分类评价、信息查询、界面展示及系统管理等功能。系统数据库构建、先进技术架构、监测数据回填,实现了构建生态环境监测数据库的目标与要求,促进大藤峡水利枢纽工程生态环境信息化建设。

大藤峡水利枢纽工程大数据中心建设研究

为解决大藤峡公司信息化建设过程中出现的“信息孤岛”、重建设轻应用、数据资源使用效率和开发利用不足等问题,建设大藤峡水利枢纽工程大数据中心、综合主题数据库和数据资源管理平台是解决以上问题的有效途径。整合开发信息化数据资源,构建智慧大滕峡来提高公司信息化资源的利用效率和效能,提升大藤峡管理的智慧化水平,促进公司有序、健康、和谐发展。

基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。