文化遗产预测性保护的数字孪生：一个融合HBIM、物联网与机器学习的计算框架

为解决历史建筑结构因环境与自然侵蚀导致复杂退化过程的难题，研究人员开展了融合Heritage Building Information Modelling (HBIM)、物联网(IoT)与机器学习(ML)的数字孪生(Digital Twin)方法学研究。研究以意大利本尼凡托的Ponte Leproso古罗马桥为案例，构建了集几何、历史环境与实时监测数据于一体的动态系统。结果显示，该方法能整合传感器数据与建筑知识，实现数据驱动的预测性维护计划，推动文化遗产管理从被动干预转向主动、智能、可持续的保护模式，具有重要应用意义。

想象一下，一座屹立了两千多年的古罗马石桥，它见证了帝国的兴衰、中世纪的变迁，也承受着风吹日晒、河水侵蚀的考验。如何守护这样的历史瑰宝，让它在未来继续诉说历史？传统的文物保护往往依赖于周期性的检查和事后的修补，就像“亡羊补牢”，难以预防损伤的发生。随着结构老化过程日益复杂，寻求可持续的、预测性的管理方案变得至关重要。正是在这样的背景下，一项融合了前沿数字技术的研究应运而生，旨在为文化遗产的保护穿上智能的“预警盔甲”。

本研究聚焦于为建筑遗产创建一个“数字孪生体”（Digital Twin, DT）。简单来说，就是为真实的古桥创造一个高度逼真且能实时互动的虚拟双胞胎。这个数字孪生不仅仅是静态的三维模型，它还能通过传感器“呼吸”和“感知”——实时接收来自实体桥体的环境与结构数据，并利用人工智能“思考”和“预测”——分析数据趋势，模拟未来的维护场景。研究的核心目标是开发一套方法学框架，将高精度测绘、语义信息建模和实时数据采集融为一体，从而推动文化遗产管理从“被动反应”向“主动预测”的智能化转型。相关成果发表于《Digital Applications in Archaeology and Cultural Heritage》期刊。

为构建数字孪生，研究人员采用了几个关键技术方法：首先，采用地面激光扫描（Terrestrial Laser Scanning, TLS）与无人机航空摄影测量相结合的技术，获取古迹高精度、高分辨率的点云数据。其次，基于遗产建筑信息模型（Heritage Building Information Modelling, HBIM）原理，利用Autodesk Revit软件将点云转化为参数化信息模型，并整合历史、材料和建筑技术等多维数据。第三，部署物联网（IoT）传感器网络（如多功能气象站），持续监测温度、湿度、气压、颗粒物（如PM_2.5、PM₁₀）浓度、风速风向及降雨量等环境参数。最后，通过ThingsBoard平台进行数据可视化与管理，并利用Dynamo（一种可视化编程环境）实现传感器数据与HBIM模型的动态集成，形成完整的数字孪生工作流。机器学习（ML）技术则被用于分析时间序列数据，识别退化趋势。

研究结果

4.1. Ponte Leproso（案例研究对象）

研究人员选择意大利本尼凡托的Ponte Leproso（麻风桥）作为案例。这是一座建于公元前3世纪的古罗马桥，结构复杂，历经多次修复，对环境应力非常敏感，是验证预测性维护方法的理想对象。

4.2. 测绘

通过集成TLS和无人机摄影测量，获得了桥体完整的高密度点云。数据处理后生成了精确的三维模型，并进行了地理参照，为后续建模奠定了基础。与

4.3. BIM和HBIM

将点云导入Autodesk Revit，创建了桥体的HBIM参数化模型。该模型不仅包含几何信息，还整合了历史阶段、建筑材料、建造技术等语义信息，成为结构化的数字档案。与

4.4. 物联网与数字孪生

在桥体附近安装了Sainlogic WS3500多功能气象站等IoT设备，实时收集环境数据。数据通过Raspberry Pi传输至ThingsBoard平台进行可视化和分析。与

利用Dynamo实现了ThingsBoard平台与Revit中HBIM模型的连接，使得传感器数据（如湿度、温度）能够自动更新到模型对应的参数中，从而将静态HBIM升级为动态的数字孪生。

通过ThingsBoard的“规则链”（Rule Chains）功能设定了环境参数阈值（如相对湿度>78%持续2小时），实现了异常情况的自动报警，为预防性维护提供即时支持。

初步应用机器学习模型（如随机森林和LSTM网络）对采集的时间序列数据进行分析，成功预测了短期的环境变化（如湿度峰值），展示了预测退化事件的潜力。

结论与讨论

本研究成功构建了用于Ponte Leproso桥的、集成HBIM、IoT和ML技术的数字孪生框架。该框架实现了对历史建筑几何、历史信息和实时环境数据的动态整合与可视化。研究表明，数字孪生能够有效支持文化遗产的预测性维护：通过持续的传感器监测，可以早期识别风险条件（如高湿度与高颗粒物浓度共同导致的生物滋生或黑壳形成风险）；通过规则链实现自动报警，支持快速响应；通过机器学习分析数据趋势，有助于制定基于数据的长期维护策略。

这项工作的意义在于展示了一条将文化遗产管理从经验驱动、反应式干预转向数据驱动、预测性智能维护的可行路径。数字孪生作为一个决策支持工具，不仅提高了维护的针对性和时效性，优化了资源分配，还为记录和解读遗产的长期变化提供了强大的数字档案。尽管在构建通用数据集和模型验证方面仍面临挑战，但该集成方法展现出良好的可扩展性和适应性，为其他历史建筑和考古遗址的保护提供了可复制的创新范式。未来，通过集成结构监测传感器（如加速度计、应变计），该数字孪生有望进一步发展为能同时感知环境压力与结构响应的全方位诊断工具，从而更全面地守护人类共同的文化遗产。