本發明涉及航道工程信息化管理，具體為基于大數據與人工智能的航道整治工程土方監測數據平臺。
背景技術：
1、航道整治工程中，土方的精確計量、動態監控與高效調度是控制工程成本、確保施工質量與安全的關鍵環節。因此，如何實現對大規模、長周期、高動態性的土方作業過程進行及時、準確地監測與科學化的管理，是本領域亟待解決的技術問題。
2、為實現對航道整治工程土方的有效監控，現有技術通常采用將現代測繪技術與項目管理軟件相結合的方式。在數據采集層面，普遍采用無人機激光雷達或攝影測量技術獲取陸上地形，利用多波束測深系統獲取水下地形，從而構建出不同時間斷面的三維數字高程模型。在數據管理與分析層面，通常將這些現場實測模型與工程設計的建筑信息模型（bim）在地理信息系統（gis）或類似平臺中進行疊加對比，通過計算兩個時相模型之間的空間幾何差異來統計土方挖填量，并以此作為評估施工進度、指導后續作業的主要依據。
3、雖然現有技術通過引入三維數字化測量與bim模型，在一定程度上提升了土方監測的效率與直觀性，但還存在一些不足：現有技術構建的模型本質上是靜態的、純幾何的，其無法深層次地反映工程現場的內在物理力學特性。這是因為，工程土體的實際物理參數（如彈性模量、內聚力等）具有高度的空間異質性，并會在施工擾動下發生動態變化，而現有技術中的模型大多基于設計階段的理想化或均質化參數假設，缺乏一個根據現場實時數據反饋來動態修正模型內在物理屬性的機制，這導致模型對邊坡穩定性、土體沉降等關鍵物理過程的預測精度和可靠性不足。
4、此外，現有技術的決策流程是被動的、依賴經驗的。由于模型僅能提供對過去和當前狀態的幾何描述，而不能作為高保真的仿真環境來推演未來，因此施工決策（如設備調度、開挖順序規劃）嚴重依賴于現場管理人員的個人經驗。這種方式難以在眾多復雜的約束條件下系統性地尋找到兼顧效率、成本與安全的最優解。同時，由于缺乏對數據來源、模型預測等多環節不確定性的量化評估，當面臨未知狀況時，也無法主動、有針對性地規劃信息采集任務以降低決策風險。最后，由于數據來源多樣、處理流程分散，多源異構數據之間常存在融合延遲和信息孤島問題，導致管理者難以獲得一個統一、實時、全面的工程態勢視圖，從而影響了決策的及時性與準確性。
技術實現思路
1、針對現有技術的不足，本發明提供了基于大數據與人工智能的航道整治工程土方監測數據平臺，解決了現有航道整治工程土方監測中，因監測模型靜態、缺乏物理內涵且無法自適應演化，從而導致預測精度不足、決策被動滯后的問題。
2、為實現以上目的，本發明通過以下技術方案予以實現：基于大數據與人工智能的航道整治工程土方監測數據平臺，所述平臺包括：
3、數據采集與處理模塊，用于從多源設備采集航道整治工程的現場數據，并對所述現場數據進行標準化處理，以生成標準化的觀測數據流；
4、自適應數字孿生模塊，與所述數據采集與處理模塊連接，用于接收所述標準化的觀測數據流，并基于所述標準化的觀測數據流構建并實時更新一個能自我演化的四維動態數字孿生模型，所述四維動態數字孿生模型用于表征所述航道整治工程在預設時空范圍內的物理狀態；
5、智能決策與優化模塊，與所述自適應數字孿生模塊連接，用于基于所述四維動態數字孿生模型輸出的所述物理狀態，生成施工決策指令和/或感知任務指令；
6、可視化與交互模塊，與所述自適應數字孿生模塊和所述智能決策與優化模塊連接，用于將所述物理狀態、所述施工決策指令和/或所述感知任務指令進行可視化呈現。
7、優選的，所述自適應數字孿生模塊包括：
8、物理信息神經網絡孿生基座單元，用于構建一個由神經網絡驅動的包含預設物理定律的連續時空場模型，所述連續時空場模型以時空坐標為輸入，輸出對航道工程區域內物理狀態場的預測；
9、流式數據同化單元，用于將所述標準化的觀測數據流實時地融入所述連續時空場模型中，以對所述物理狀態場的預測進行連續修正；
10、模型自適應演化單元，用于監控所述連續時空場模型的預測與所述標準化的觀測數據流之間的殘差，并根據所述殘差反向調整所述連續時空場模型所依賴的物理參數。
11、優選的，所述物理信息神經網絡孿生基座單元通過優化一個復合損失函數來構建所述連續時空場模型，所述復合損失函數使用物理信息約束的復合損失函數公式計算，公式為：
12、；
13、式中，為所述復合損失函數；為數據損失；為物理損失；為數據損失的權重系數；為物理損失的權重系數。
14、優選的，所述模型自適應演化單元通過以下方式調整所述物理參數：
15、監控由所述流式數據同化單元在進行狀態修正時產生的預測-觀測殘差序列；
16、當所述殘差序列出現預設的系統性偏差時，觸發參數反演；
17、基于所述殘差序列構建殘差損失函數，并通過自動微分技術計算所述殘差損失函數對所述物理參數的梯度，以利用梯度下降法在線更新所述物理參數。
18、優選的，所述物理參數的更新由基于梯度的物理參數在線反演公式確定，公式為：
19、；
20、式中，為更新后的物理參數；為更新前的物理參數；學習率；為所述殘差損失函數；為所述殘差損失函數對所述物理參數的梯度。
21、優選的，所述智能決策與優化模塊包括：
22、施工決策強化學習引擎，用于將施工優化問題建模為馬爾可夫決策過程，并訓練一個強化學習代理來學習最優施工策略，所述四維動態數字孿生模型被用作所述馬爾可夫決策過程的仿真環境；
23、主動感知規劃單元，用于在所述施工決策強化學習引擎進行決策時，量化決策的不確定性，并在所述不確定性高于預設閾值時，主動生成感知任務指令以指導數據采集。
24、優選的，所述主動感知規劃單元通過以下方式量化所述決策的不確定性并生成所述感知任務指令：
25、從所述自適應數字孿生模塊獲取對物理狀態場預測的不確定性分布；
26、基于所述不確定性分布，計算待選施工動作的期望回報的分布熵，以作為所述決策的不確定性的量化指標，即決策熵；
27、當所述決策熵高于所述預設閾值時，在預定義的感知動作集中，選擇一個能夠最大化預期信息增益的感知動作，并生成對應的所述感知任務指令。
28、優選的，所述智能決策與優化模塊中的施工決策是基于一個多目標獎勵函數進行優化的，所述獎勵函數綜合了施工效率、成本、安全性和工程質量四個維度的評估指標。
29、優選的，所述可視化與交互模塊包括：
30、四維時空數據可視化引擎，用于在包含時間維度的三維場景中，動態渲染所述四維動態數字孿生模型輸出的物理狀態場，以及所述物理狀態場預測的不確定性分布；
31、決策推演沙箱，用于提供一個交互式仿真界面，允許用戶設定不同的施工優化目標，并指令所述智能決策與優化模塊在所述自適應數字孿生模塊中進行快速仿真推演，以對比不同策略下的預期結果。
32、優選的，所述數據采集與處理模塊采集航道整治工程的現場數據并對所述現場數據進行標準化處理的方式包括：
33、通過無人機激光雷達或攝影測量、多波束測深系統以及部署在施工設備上的物聯網傳感器，分別采集作為所述現場數據的三維點云數據和施工過程時序數據，以構建多源異構的大數據基礎；
34、并對所采集的所述現場數據執行標準化處理，所述標準化處理包括：建立統一的時空基準以對齊所有現場數據的坐標系與時間標準，將對齊后的數據進行清洗與去噪，并最終將處理后的數據封裝成帶有唯一時間戳和空間戳的、格式化的觀測數據點對象，以生成所述標準化的觀測數據流。
35、本發明提供了基于大數據與人工智能的航道整治工程土方監測數據平臺。具備以下有益效果：
36、1、本發明通過設置自適應數字孿生模塊，特別是該模塊中物理信息神經網絡孿生基座單元、流式數據同化單元和模型自適應演化單元的協同工作，實現了四維動態數字孿生模型對物理世界的深度擬合與實時同步。與依賴固定參數的傳統靜態模型不同，本發明能夠通過監控預測與觀測之間的殘差，在線反演并修正模型的內在物理參數，使模型能夠自我演化以逼近工程現場真實的物理特性，從而提升了模型對工程現場真實物理狀態的表征準確性與可靠性。
37、2、本發明通過設置智能決策與優化模塊，實現了從被動監測到主動優化與閉環控制的轉變。該模塊利用施工決策強化學習引擎，在高保真的四維動態數字孿生模型中進行推演，能夠生成面向效率、成本、安全、質量等多目標的施工決策指令。更進一步地，通過主動感知規劃單元對決策不確定性進行量化，平臺能夠在信息不足時主動生成感知任務指令以指導數據采集，提升了施工管理的科學性和前瞻性，降低了因環境不確定性導致的決策風險。
38、3、本發明通過數據采集與處理模塊整合了無人機激光雷達、多波束測深和物聯網傳感器等多源異構數據，并將其處理為標準化的觀測數據流，構建了覆蓋全工區、全過程的大數據基礎。結合可視化與交互模塊提供的四維時空數據可視化引擎，能夠向管理人員提供一個統一的工程全局視圖，該視圖不僅包含幾何形態，還包含內在的物理場及不確定性分布。這解決了傳統方法中數據孤立、信息滯后、態勢感知不全面的問題，為工程監控和管理提供了及時、完整的數據支持。