数字孪生使能技术在道路工程全生命周期中的应用综述

Engineering ›› 2025, Vol. 44 ›› Issue (1) : 191 -215. DOI: 10.1016/j.eng.2024.12.017

研究论文

严宇 ^a ,
倪磊 ^a^,^* ,
孙立军 ^a ,
王迎 ^b ,
周家宁 ^a

作者信息 +

Digital Twin Enabling Technologies for Advancing Road Engineering and Lifecycle Applications

Yu Yan ^a ,
Lei Ni ^a^,^* ,
Lijun Sun ^a ,
Ying Wang ^b ,
Jianing Zhou ^a

Author information +

文章历史 +

Received	Accepted	Published
2024-08-10	2024-12-20
Issue Date
2025-01-23

PDF (7337K)

摘要

在全球各国争相抢占技术高地、加速推进新型基础设施建设背景下，道路基础设施正面临数字化的重大需求和挑战。在众多前沿数字技术中，数字孪生（digital twin）在工程领域，尤其是制造业和建筑业中，受到广泛关注。在道路工程领域，研究者对数字孪生的兴趣与日俱增，并且其在应用实践中取得了令人瞩目的成果。本文系统地回顾了数字孪生理论和技术的发展过程，并综述了与模型创建、状态感知、数据处理及交互等相关的数字孪生使能技术的研究现状，分析了数字孪生在道路工程中的应用现状及其在道路基础设施全生命周期中的潜力。结果表明，当前研究主要集中于设施性能感知和虚拟模型创建，而实时数据处理、物理实体与虚拟模型之间的交互仍是有待深入探索的领域。在实际应用中，数字孪生主要应用于道路运维阶段，但在施工和改扩建阶段的应用相对有限。未来的研究应着眼于建立统一标准、开发新的感知和数据交互技术、优化数字孪生开发成本、扩大生命周期应用范围，从而促进道路工程的数字化和智能化转型。本研究对此领域的最新进展进行了全面概述，对加强数字孪生技术在道路全生命周期管理中的应用起到了促进作用。

Abstract

Road infrastructure is facing significant digitalization challenges within the context of new infrastructure construction in China and worldwide. Among the advanced digital technologies, digital twin (DT) has gained prominence across various engineering sectors, including the manufacturing and construction industries. Specifically, road engineering has demonstrated a growing interest in DT and has achieved promising results in DT-related applications over the past several years. This paper systematically introduces the development of DT and examines its current state in road engineering by reviewing research articles on DT-enabling technologies, such as model creation, condition sensing, data processing, and interaction, as well as its applications throughout the lifecycle of road infrastructure. The findings indicate that research has primarily focused on data perception and virtual model creation, while real-time data processing and interaction between physical and virtual models remain underexplored. DT in road engineering has been predominantly applied during the operation and maintenance phases, with limited attention given to the construction and demolition phases. Future efforts should focus on establishing uniform standards, developing innovative perception and data interaction techniques, optimizing development costs, and expanding the scope of lifecycle applications to facilitate the digital transformation of road engineering. This review provides a comprehensive overview of state-of-the-art advancements in this field and paves the way for leveraging DT in road infrastructure lifecycle management.

关键词

数字孪生 / 道路基础设施 / 使能技术 / 生命周期

Key words

Digital twin / Road infrastructure / Enabling technology / Life cycle

引用本文

引用格式 ▾

严宇,倪磊,孙立军,王迎,周家宁. 数字孪生使能技术在道路工程全生命周期中的应用综述[J]. 工程（英文）, 2025, 44(1): 191-215 DOI:10.1016/j.eng.2024.12.017

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

1.1 背景

1.1.1 道路基础设施

道路基础设施是经济、社会、自然活动的基石，连接城镇与农村，进而促进人员、货物、商品的流动。作为公共交通的重要一环，中国的道路网络在2023年超过543万公里，承载了超过400亿吨的货物和超过110亿人次的旅客。建设覆盖范围更广、速度更快的运输网络，对增强交通运输领域的全球竞争力至关重要，这取决于建设和维护广泛而高效的道路网络，同时这也是一个国家繁荣强大的标志。

道路建设往往面临着复杂的环境挑战，需要穿越不同的地形和地貌，同时还要抵御自然灾害和恶劣环境的侵袭。沉重的交通负荷和环境因素加速了道路基础设施的劣化，使其使用寿命常常低于设计预期，进而导致经济效益和交通通行效率的下降。在城市化和交通需求不断增长的背景下，如何应对这些挑战变得愈加重要。

在当前经济繁荣和技术进步的时代，道路基础设施的发展不仅是为了可达性，而且越来越强调数字化和智能化。这一转型得到了诸多政策的支持。例如，中国交通运输部一直将道路基础设施的数字化转型和智慧公路建设作为优先事项[1]；美国每年拨款一亿美元，支持交通运输数字化和智能系统[2]；欧洲国家也在利用先进信息技术进行智慧公路的试验。道路基础设施的发展无疑是朝着更加数字化、智能化的方向，以实现更先进的建设和运营。

从全生命周期的角度出发，在道路工程的各个阶段实施有效的管理策略是必要的。道路基础设施的生命周期包括设计和施工、运营和使用、养护和维修以及最终退役等各个阶段。与道路工程相关的巨额成本，特别是路网建设和维护方面的成本，给公共财政带来了沉重负担。为应对这些挑战，提高道路性能，改进管理实践，并优化生命周期成本，提出了各种数字技术，其中包括数字孪生（digital twin, DT）技术。

1.1.2 数字孪生

（1）DT的概念。DT创建一个数字复制，作为特定物理对象的副本。这个概念最初是由美国国家航空航天局（NASA）提出的，现已被广泛采用。NASA将DT定义为对车辆或系统的集成多物理场、多尺度、概率模拟，利用最佳可用的物理模型、传感器更新、历史数据和其他数据来映射其物理对应的生命周期[3]。

在技术发展的初始阶段，对特定术语的精确定义至关重要。因此，有必要将DT与建筑信息模型（BIM）、信息物理系统（CPS）和数字阴影等相关概念区分开来。BIM是一种用于创建、管理及可视化建筑和项目的三维（3D）数字模型的协作方法。虽然BIM和DT有时可以互换使用，但它们存在显著差异。DT强调物理实体与其对应的虚拟模型之间的双向数据连接，而BIM缺乏这种实时连接，仅被认为是打造DT的基础[4]。CPS是指一个集成系统，其中物理组件（如传感器、执行器和机械）与数字组件（包括软件、算法和网络）进行交互[5‒6]。在CPS中，物理组件和数字组件之间的映射是一对多的，而在DT中是严格一对一的。CPS优先考虑传感器和执行器，而DT则需要相应的虚拟模型和双向数据连接[5‒6]。数字阴影代表了一个半自动化的数字模型，其特征是物理对象与其数字对应物之间的单向数据流[7]。相比之下，DT是一种独特的数字模型，它促进了现实世界和虚拟世界之间的双向数据流。根据数据流自动化的程度，Kritzinger等[7]将DT分为三个子类：数字模型、数字阴影和DT。Yan等[8]概述了DT、BIM和CPS之间的差异。图1进一步显示了DT与类似概念之间的比较。

本研究参考了一个五维模型[9]来讨论相关的使能技术。DT模型最初由Grieves [10]开发，由三个核心组件组成：物理实体、虚拟实体和连接。Tao等[9]将孪生数据和服务扩展进来，得到了一个五维模型，如公式（1）所示：

M D T = (P E, V M, S s, D D, C N)

(1)

式中，M_DT表示DT模型；PE表示物理实体；VM表示虚拟模型；Ss表示DT服务；DD表示DT数据；CN表示组件之间的连接。这种增强的DT模型已成功应用于各种领域，包括船舶设计、智能车间和智慧城市[11]。DT在建筑行业的潜在应用也得到了验证[5]。

总之，DT可以定义为一个多级别的集成框架，包括数字模型、孪生数据和双向连接。如BIM等的静态数字模型可以被认为是DT的原型。虽然数字阴影与DT有很多相似之处，但前者的数据交互的自动化程度较低。CPS在概念框架上与DT是并行的，但其重点与DT不同。大多数DT需要物理实体、虚拟模型和数据连接。

（2）DT的发展。基于DT在Web of Science文献库中的索引出版物数量，图2展示了这一变革性技术的三个发展阶段[12]。2002年，Grieves在一次关于产品生命周期管理（PLM）的演讲中介绍了DT的概念。然而，最初并没有关于这一主题的公开研究记录。在2005年和2006年，Grieves将这个概念称为“镜像空间模型”和“信息镜像模型”，后来这些术语出现在他的出版物中[10]。2010年，NASA [3]正式定义了飞机的DT，突出了其在航空航天领域的巨大潜力。在Shaft等[3]发表了第一篇与DT相关的文章之后，研究人员逐渐开始探索这个概念及其应用。2018年，Tao等[13]在工业4.0背景下使用大数据研究了DT驱动的产品、制造和服务。他们还提出了系统的五维DT模型[9]，使得DT理论日益成熟。自此之后DT被广泛应用于各个领域，出版物数量也大幅增加。

DT技术起源于航空航天业，并迅速在各个领域得到应用，包括智能生产管理[14]、DT驱动的制造系统[15]、精密心脏病学[16]、能源领域基于云的电池监测[17]，以及将DT技术与无线网络集成以推进第六代移动通信技术（6G）系统[18]。这一范式已被用于预测系统的健康状况和评估任务的成功概率[19]。Dalibor等[20]基于DT的不同应用领域，对DT软件工程进行了跨领域的系统映射研究。他们的研究表明，DT是提高对现有系统的理解和管理及设计跨不同领域的新系统的技术基础。此外，Muctadir等[21]访谈了来自不同领域的19位专业人士，并验证了DT在增强软件工程实践过程和采用专业知识方面的巨大潜力。DT的潜在应用不断发展且超出了预期。

（3）基础设施的DT。建筑、工程和施工（AEC）行业越来越多地采用DT来增强基础设施的设计和维护。剑桥大学[22]将建筑环境中的DT描述为“资产、过程和系统的现实数字表示”，将代表物理环境的数据以数字格式集成在一起。AlBalkhy等[23]在此背景下将DT定义为物理双胞胎的动态虚拟副本，范围从简单的原型到复杂的模型，旨在通过适当的使能技术支持整个生命周期中的众多功能。Boje等[24]回顾了建筑业中BIM应用的现状，分析了相邻领域的DT应用，确定了差距并提出了一个适用于建筑业的DT框架，该框架包括三代：监控平台、智能语义平台和代理驱动的通用技术平台。他们的工作突出了DT能解决BIM中固有的语义不完整问题。West Cambridge [25]展示了其校园DT的成功开发以及其在建筑和城市规模上的适用性。关于AEC行业中DT技术应用的文献数量迅速扩大，同时研究者在2021—2023年间发表了大量综述文章[5,26‒27]，记录了最新的进展。

表1总结了近几年关于DT在基础设施中的应用的综述文章，重点是建筑、土木工程和交通运输。许多综述专门针对桥梁工程，重点关注维护[32]、数字化转型[34]和结构健康监测[35]。最近的研究将范围扩大到隧道[43]和地铁施工[44]。数字时代下的高速公路和城市道路领域得到了研究者的极大关注[46‒47]；然而，在道路工程中解决DT应用的综述论文仍然有限。道路工程面临着独特的挑战，包括极大的服役规模、多变的环境条件、复杂的结构设计、各向异性的材料和不确定的交通荷载。现有研究主要考察了民用基础设施[30]、交通系统[29]、特定路网应用[31]以及沥青路面传感技术[38]方面的进展。最新的文章[45]概述了最先进的道路路面DT技术。然而，目前仍缺乏生命周期视角的综述文章，这也凸显了本研究的必要性。

1.2 研究范围、贡献和架构

本研究的主要目的是分析DT技术在道路工程中的应用。具体而言，通过系统地审查使能技术和实际应用，调查了DT如何在整个生命周期内改变道路工程。详细目标如下：

（1）总结和分析当前DT技术应用在道路工程中的使能技术；

（2）回顾在整个道路工程生命周期中利用DT的最新进展；

（3）确定现有差距，并提出道路基础设施DT的未来方向。

本研究的贡献是多方面的：首先，它对道路工程中DT技术的现状进行了全面分析；其次，考察了道路工程全生命周期的应用场景，突出了DT在运营和维护（O&M）中的主要用途，并确定了扩展到其他阶段的潜力；最后，提出了一个适合道路工程的DT框架，并为未来的研究提供了建议。

本研究采用以应用为中心的方法来探索道路基础设施中DT技术的发展，旨在概述该领域的新兴趋势。第2节详细介绍了本文采用的方法。第3节总结了行业内使用的相关使能技术。第4节回顾了整个道路工程生命周期的DT应用场景。第5节讨论了道路工程DT的机遇和挑战。最后，第6节给出了本文的结论。

2 方法论

2.1 文献检索过程

本研究采用了Web of Science和Scopus两个广泛认可的数据库，它们全面覆盖了学术出版物，包括同行评议期刊、会议记录和其他相关来源。精心设计搜索策略，以确保相关文献被检索到。检索是以DT为中心，使用关键字“DT”“DTs”和“digital twinning”来搜索相关内容。为了覆盖道路工程中使用的各种术语，“pavement”“road”“highway”“expressway”和“freeway”等附加关键词被包括在内。搜索被限制在标题、摘要和关键词中，以最大限度地提高结果的相关性。最后分别从Web of Science和Scopus中检索到1393篇和878篇文章。图3展示了选择相关文章并排除不相关或重复内容所采用的系统方法。

最初的收录标准有明确的规定。可接受的出版物类型包括期刊文章、会议论文、评论文章和书籍章节。排除的材料包括专利、在线优先发表（early-access）出版物、编辑评论和撤稿；同时聚焦于英文出版物。纳入截止日期定为2024年10月31日。在从两个数据库中删除重复文献后，共保留了1165篇出版文献。

接着通过人工筛选，对这些出版物的相关性进行评估。仔细审查标题和摘要，以确定其与研究目标的一致性。将无意中被纳入数据库的会议记录排除在外。为了确保相关性，来自其他学科的出版物也被删除。例如，文献[48]等研究被排除在外，这些研究在标题中包含“DT”和“道路”等术语，但属于医学领域。同样，仅在摘要中简单提到DT而没有实质性涉及该主题的文献被排除。经过这一步骤后，458篇论文被保留下来。

随后进行全面的全文审查。不相关的文件被排除，以确保与研究重点保持一致。与路面基础设施无关的文献，如交通系统、自动驾驶、车辆和路侧基础设施的研究，被排除在外。这一过程保证了最终选择的文献与道路工程直接相关。最终，80篇文献被纳入本次综述研究。

2.2 文献计量分析

通过分析出版物趋势和关键词共现模式，了解DT相关研究的增长和重点领域。图4显示了文献类别分布和DT相关出版物的增长趋势：发表论文数量明显上升，从2019年的一篇论文增加到2024年的30篇论文，其中大部分由期刊文章组成。收集到的最早文献将DT与线性基础设施[49]的生命周期管理联系起来。随后，一篇会议文章探讨了DT在沥青路面上的应用[50]。此外，一些综述文章研究了DT在交通基础设施中的应用[29,31]或讨论了与DT相关的技术[51‒52]。过去五年观察到的论文数量上升趋势凸显了基础设施领域DT研究的日益增长。

文献计量指标有助于总结专业领域的技术进步[53]。利用荷兰莱顿大学的VOSviewer软件，构建了道路工程中与DT相关的关键词知识图谱，如图5所示。其中关键词被表示为节点，共现模式形成边缘，直观地描绘了DT相关术语间的联系。由此生成的图谱突出了道路工程中关键术语的地位，如公路规划、资产管理、路面检查、路况预测、决策和维护。某些关键字还表示DT应用的使能方法，如BIM、点云、数据集成、机器学习（ML）和人工智能（AI）等术语强调了实施DT的特定途径。包括机器学习、AI、深度学习和自动化在内的新兴研究领域引起了人们越来越多的兴趣，也正是当前的研究热点。值得注意的是，关键词“生命周期”“DT”和“道路”之间的强烈关联彰显了采用生命周期视角进行道路基础设施管理的重要性。表2给出了前15个关键词的详细列表，按其出现的频率排序。这种对关键术语的理解可以促进后续章节的结构化组织。

根据Web of Science中的主题领域进行分类，图6显示了纳入文献的研究领域分布。每篇文章跨越多个主题，共包含32个不同的主题领域，其中突出显示了前15个领域。图6中显示，工程是主导学科领域，占总数的75%；其次是计算机科学，出现在超过60%的文章中；交通运输和建筑技术分别出现在超过50%和40%的文章中。这强调了集成计算机科学和工程在道路工程中推进DT技术的关键作用，同时体现交通运输和建筑技术领域的基本工程特征。结果进一步凸显了DT技术在道路工程中应用的跨学科研究和多技术协同属性。

3 道路工程数字孪生使能技术

以五维DT模型[9]为基础，对道路工程中的DT应用技术进行研究。在该框架中，物理实体对应于现有的道路项目，孪生数据表示现实世界中道路元素信息，虚拟模型表示创建对应道路的数字副本。连接主要涉及真实实体与虚拟实体之间数据的处理和交互。DT服务旨在通过针对性应用在各个阶段增强和优化现实世界的道路基础设施。本节将DT的使能技术分为三个方面：物理世界的数据获取、虚拟模型的创建、数据处理和交互。通过总结这三个方面的使能技术，进一步分析了它们的特点、局限性和未来发展方向。

3.1 物理世界的数据获取技术

数据是来自物理世界的信息表示，也是DT服务和实时性的基础。物理实体包括道路结构层（如路面层）和表面纹理，它们构成了现实世界中道路的客观存在。获取道路实体的全面数据需要综合结构、材料、交通和环境等相关方面。表3展示了道路工程中用于数据采集的具体技术和相关研究。

从物理世界获取数据是建立道路基础设施虚拟表示的基石。在此框架内，相关技术分为两大类：虚拟模型创建和环境感知。图7给出了应用于道路工程中相关技术的概述。获取物理实体详细数据的过程在本文中被描述为数据建模技术。而环境感知技术则侧重于获取项目位置、实时温度、湿度水平、路面状况和周围地形等参数。

BIM模型直接使用设计和施工阶段的信息来生成虚拟表示[83]。BIM通过资源共享增强了信息的生成和管理，从而极大限度减少了数据收集和统一格式的需要[84]。借助涵盖整个建筑生命周期（从设计施工到运营、退役）的3D模型信息数据库，BIM促进了数据集成。在道路工程的背景下，BIM已被证明能为道路工程[54]提供详细信息。

GPR是一种无损技术，可利用电磁波获取数据而不损害路面结构的完整性。三维GPR系统能够捕捉路面内部的破损特征[56]，并能对隐蔽病害进行三维重建[85]。基于GPR的检测技术有助于开发评估道路内部病害的DT模型，但该领域的研究目前仍有限。此外，GPR通过评估土壤和岩石性质、检测地质构造及监测地下水位，推动了道路工程中环境感知技术的发展，但其潜力尚未被充分发挥且未完全纳入DT框架。

3D扫描技术可以分析物理对象或环境，以捕获相关的三维数据，还可获取颜色等附加属性。得到的点云模型能提供关于现有结构[56]的关键几何信息。此外，点云信息可进一步用来评估路面破损情况[76]。与GPR技术不同，3D扫描侧重于路表病害的感知。移动检测车辆通常配备先进的扫描设备来完成这一过程[65]。

与需要人工操作的传统陆基平台相比，无人机由于其成本效益和优越的性能愈发引人注目。无人机配备了摄像头和激光扫描仪等传感器，主要用于在危险环境中检查基础设施。然而，由于建筑物和树木等障碍，航拍视角往往造成数据丢失。因此，无人机采集的数据常需要预处理[76]或与地面采集技术相辅以确保全覆盖[79]。

地图通常是在平面上按比例渲染的图形表示，以说明特定区域内的地理特征和空间关系。一些研究利用地图数据创建高速公路DT，用地图衍生信息[46]完善海拔数据。这些研究从在线地图数据库中得到如道路地理位置、航空图像、DSM和DTM等信息，以进行水平对齐、垂直对齐和横截面校准。然而，在无法获得可靠地图数据的地区，此方法受到限制。图8对这些建模数据技术进行了概述，并将其分为三种用途：几何信息、道路内部结构和附加信息。

GIS是用于各种类型数据的管理、分析和绘图的计算机系统。GIS技术能够收集空间数据并同时进行地理编码和解码。通过将基于位置的信息与描述性数据相结合，GIS能提供必要的基于位置的分析[86]，特别是在大尺度的孪生模型[54]中。

传感器在数据感知中起着至关重要的作用，作为一种对物理刺激（如热、光、声、压、磁或运动）做出响应的设备，它能根据检测结果生成输出信号。在DT技术中，实时传感器对采集信息是必不可少的，如包括用于收集交通数据的运动称重传感器和胎压传感器，以及嵌入路面结构层中用于捕获环境数据的温度和湿度传感器[64]。传感器可用于多种场景，包括道路施工监测[57]、道路几何评估[69]和路面裂缝检测[65]。此外，学界还探索了自感知沥青路面，其中嵌入式传感器促进了自动数据采集，为增强基础设施监测[51]提供了有前景的路径。

摄影技术通过胶片对光的敏感响应，使用相机或电影设备捕捉物理对象的图像。这种技术可以提供关于路面几何形状、纹理和状况的视觉信息，促进对路面健康状况的感知[77]，在实际应用中常使用车载摄像头。

GNSS是一种利用卫星作为导航站的星际无线电导航系统。这些卫星配备了专门的相机和传感器，捕捉高分辨率图像，以增强实时定位，并确保特定道路项目位置[58]的精度。Liu和Ma [82]提出了一种将单目摄像机与GNSS集成到高速公路DT制图系统中的高速公路里程标记定位方法。图9概述了这些环境感知技术，并按照用途将其分为四类：环境数据、交通数据、地理信息和道路病害信息。

3.2 虚拟模型创建技术

在DT环境中，虚拟实体充当物理实体的数字对应物。将AEC行业的技术应用于道路工程，需要在创建虚拟模型时考虑更为具体的技术因素。表4列出了在道路工程中创建虚拟模型时常用的方法。

BIM已经成为最广泛使用的建模方法之一，主要依赖Civil3D和Revit等工具。基于图像的方法采用无人机摄影测量和运动结构恢复算法，而点云模型则基于空载或车载的3D扫描。Pan等[70]提出了一种从扫描到图形的方法，从更密集的点云数据中生成高速公路的图形表示DT。GPR技术在道路结构缺陷检测和数字化方面的有效性已被证明[85]。融合建模集成了多种方法来提高建模精度，如BIM和GIS的结合促进了多尺度DT模型的创建，有效地整合了宏观和微观的孪生[91]。通过整合来自传感器、摄像头和物联网的数据，Tang等[61]提高了在山地公路等复杂场景中的模型精度。有限元模型（FEM）等仿真方法更贴近孪生的机理[52]。虚拟引擎能被用来渲染路面病害模型[76]。地图可作为在线建模数据的平台，实现各种数据源的无缝集成[59]。

从本质上讲，虚拟模型超越了简单的几何表示，应当包含基于几何、物理、行为和规则的模型，连接起物理和数字世界[9]。这些元素共同创建了道路实体系统的数字表示。然而，大多数研究并没有完全考虑到这四种模型，而是聚焦在几何模型上。也有一些研究侧重于物理模型，如有限元仿真[92]。图10展示了道路工程中虚拟建模的使能技术框架。

几何模型是DT模型的基本组成部分，它为定位其他相关信息提供了必要的空间框架。BIM、GIS、3D扫描和摄影测量等技术通常用于几何建模。BIM经常用于创建适合DT应用的虚拟模型。对于城市基础设施和道路网络等大型项目，GIS在模型创建方面具有显著优势。点云和倾斜摄影在创建路面三维模型中起着关键作用。Davletshina等[88]介绍了一种从点云数据自动构建道路DT几何模型的方法。他们还提出了一种检测和整合道路DT几何变化的方法[89]。物理模型主要通过FEM、GPR、数值模拟和附加属性信息进行模拟和展示。Sheng和Wang [64]开发了一种基于半解析FEM的沥青路面建模软件，用于计算车辆-轮胎-路面相互作用下的路面黏弹性响应。GPR技术采集道路内部结构信号，对于构建具有详细内部物理表征的综合道路结构DT [56]至关重要。行为模型捕获物理实体的动态行为，包括对环境变化的响应和人类活动的运行机制[36]。在道路工程中，行为模型包括裂缝发展、车辙形成和坑洞形成等各种退化的发展过程。规则模型通过设置相关规则和程序来管理行为，这些规则和程序是使用上下文信息和计算机程序[36]构建的。AI模型作为AEC行业的通用规则模型在道路工程中也有所应用，如用于路面性能预测的多时间序列堆叠（MTSS）模型[67]。

3.3 数据处理与交互技术

系统组件之间的互连对于促进各种技术领域间的数据流动与交互至关重要。而实现这种互连属性要解决有效链接和分析相关信息的挑战，进而与物理世界建立有效的连接。表5概述了道路工程中的数据处理与交互技术。

Siddiqa等[97]强调，数据的全生命周期包括数据收集、传输、存储、预处理、分析和应用。基于此，在道路工程的DT环境中，图11确定了数据处理和交互的四个不同层次：数据传输、存储、分析和呈现。

第一阶段是数据传输，依赖于激光扫描检测车[98]和便携式摄像机[73]等无线设备。此外，传感器在特定场景下能建立数据通信进而发挥关键作用[65]。物联网云平台在数据传输和存储中被广泛使用[58]，开源平台FIWARE的可扩展性、管理大量数据和传感器交互的能力使其非常适合构建道路系统DT [93]。软件接口也是非常关键的，如轻量级物理引擎可以无缝集成图像[76]，3D BIM信息可以跨服务器、平台或应用程序传输[68]。此外，边缘计算在减少数据传输负载[59]方面的价值已经得到了证明。

第二阶段是数据存储，对于管理复杂的DT模型必不可少。根据不同的应用目的，处理后的数据可能存储在本地或云中，以确保可访问性和实用性。本地存储通常采用BIM技术，例如，Appelt等[86]在德国采用5D BIM系统来整合建筑信息；Cepa等[54]将BIM和GIS集成进而将生成的数据上传到智能管理平台；Chang等[99]使用基于地图的地理空间软件并结合高精度GNSS数据进行智慧道路建设。相比之下，基于云的数据存储增强了便利性，例如，城市DT数据集被用于道路检测比赛[100]；Consilvio等[68]利用物联网数据库和云平台存储3D模型。

第三阶段是数据分析，对于DT数据的价值利用至关重要。智能算法和机器学习（ML）是最常用的技术。如Cao等[65]使用一种分割算法来检测路面裂缝；Consilvio等[68]使用ML和计算机视觉对点云进行分割；Pan等[70]使用深度学习将路面分割为行车道级别并识别出标记点；Sierra等[77]提出了一种路面认知DT，利用先进的ML技术进行健康监测。在分析平台方面，GIS为数字模型处理和数据分析提供了一个集成的环境[47]。Anantheswar等[92]引入了适用于FEM应用的任意拉格朗日-欧拉（ALE）框架。Liu等[96]引入了MC-DCGAN模型来预测轮胎-路面接触应力。该模型在保证与FEM相当的预测精度的同时，显示出了更强大的计算效率。

最后一个阶段是数据呈现，在视觉上将DT与物理世界连接起来。在此应用包括图形、图表、3D模型等在内的各种方法。许多研究都依赖于二维可视化平台，主要由BIM技术支持[37,42]。此外，3D引擎如UE4 [44]和UE5 [81]常被用来渲染道路DT以实现可视化。例如，路面破损的实时仿真结果可使用3D引擎直接显示[65]。图表为传达专业信息（如碳足迹评估）提供了有效的媒介[81]。图12呈现了DT结果展示的三种常用方法。

3.4 现阶段使能技术分析

道路工程中的DT技术以一系列使能技术为基础，每种技术都有不同特点和局限性。虽然这些技术并不是DT应用所独有的，但它们对于DT系统的开发和持续维护是不可或缺的。表6总结了这些技术的特点和局限性。

在从物理世界获取数据的过程中，利用BIM和地图能对现有数据进行有效整合。然而这些技术伴随着高昂的初始投资和维护成本，且在数据不完整的情况下效果不佳。Damico等[101]应用BIM获取几何信息，同时基于Digimaps等地图数据得到DSM、DTM、航空照片和地形信息[80]。GIS和GNSS提供必要的地理空间和坐标数据，但数据准确性取决于卫星定位。摄影、无人机和3D扫描等对于获取详细的路面纹理和病害数据很有效，但受到特定环境和设备精度的限制。嵌入在道路结构中的传感器可提供荷载和环境的相关实时数据，但在恶劣条件和重载交通下的易损性掩盖了它们的便携与耐用特点。

在虚拟模型构建中，BIM擅长将不同的数据整合成信息模型。GPR有助于创建详细的内部结构模型，但需要专业知识、复杂的数据处理和解译。FEM能够基于材料特性和结构参数进行模拟和预测。UE在创建和渲染三维虚拟模型方面很有效。融合建模是一种更高效的方法，然而在多源数据集成上面临重大挑战。研究人员已经探索了这些方法的不同组合，包括BIM与GIS [54]、三维激光扫描与摄影技术[102]。Yang等[90]提出了一种新的BIM+GIS框架，用于整合路面全域病害和建模，并将GPR数据转换为内部结构病害模型。Damico等[101]提出了一种将GPR、移动激光扫描（MLS）和合成孔径雷达（SAR）数据整合到BIM中的新方法，以创建道路DT原型。尽管取得了这些进步，但仍难以实现在DT框架内实现基于几何、物理、行为和规则模型的全面集成。

数据处理与交互技术同样多元化。BIM作为信息管理平台，在标准化、数据安全等方面存在挑战。GIS是数据可视化和分析的关键平台，但数据集成复杂。物联网增强了连通性和自动化，但严重依赖网络连接，需要强大的安全措施。三维引擎能提供高质量的可视化环境，但对硬件要求较高。ML可以从大型数据集中学习，但需要大量的高质量数据，并且结果缺乏可解释性。边缘计算为数据处理提供了一种可扩展且高效的方法，但必须解决数据一致性问题。

目前的研究主要集中在创建虚拟物理模型和感知路面状况，缺乏DT应用的机制模型和实时连接。与其他道路基础设施的前沿研究相比，道路工程中使用的使能技术需要进一步创新。例如，Gao等[103]提出了一种基于物联网人工智能（AIoT）的DT通信框架来解决桥接DT服务的时间延迟问题。Lin等[104]基于三种FEM模型开发了桥梁DT，用于大跨度斜拉桥的地震倒塌评估。此外，Yu等[105]利用扩展的施工运营建筑信息交换（COBie）标准，通过集成语义来实现隧道孪生数据的集成，以实现数据融合。尽管取得了这些进步，道路DT在物理、行为和规则模型方面仍然不够突出，这主要是由于路面结构的复杂性和材料的不均匀性，导致了数据处理与交互技术相对不足。随着DT技术研究兴趣的增长，相关使能技术的发展具有巨大的潜力。标准化工作对促进从模块化组件有效创建DT至关重要。这种标准化将使道路工程中的DT应用更加高效并最终实现无缝集成。此外，这些努力将有助于增强道路工程中DT技术落地的整体功能和扩展性，并规范先进使能技术的系统应用过程。

4 数字孪生在道路工程生命周期各阶段的应用

道路工程的生命周期通常分为四个阶段：施工、运营、维护和寿命结束[106]，通过集成生命周期各阶段的信息，可以提供变革性的解决方案。例如，Tchana等[49]提出开发一种独特的DT，专门为线性基础设施的生命周期管理量身定制。根据图5所示的“生命周期”概念，本研究探索了DT在四个不同阶段的应用：规划与设计、施工与竣工、运营与维护、拆除与重建。

4.1 规划与设计

道路规划和设计包括路线选择、路面设计和预算编制等关键任务。在这一阶段，DT有效地将工程数据与外部环境条件相结合，尤其是在宏观层面。图13展示了该阶段DT的三种主要场景：城市道路规划、公路几何设计和智能道路框架开发。

在节能减排的背景下，道路规划需要多学科的方法来实现最优的解决方案。基于DT-MCDM-GIS框架（MCDM：多准则决策）的创新城市道路规划方法，将DT、多准则决策和GIS相结合，考虑了土地利用和交通拥堵等多种因素[47]。该框架已成功应用于英国布罗姆利的城市道路规划[107]。在此框架中，DT能够提供现有环境、周边情况和项目相关的数据和处理信息。此外，Maserrat等[108]提出了一个基于DT-MCDM-GIS框架的Dempster-Shafer增强框架，通过评估道路加宽或新建路线的必要性来协助规划决策者。

BIM进一步促进了在道路工程项目[28]的设计阶段应用DT。Wu等[55]通过应用BIM和DT来优化框架桥梁的设计与施工。利用物理模型、传感器更新和运营历史，他们优化了施工方案，并减轻了框架桥梁与道路基础设施之间的潜在碰撞。

在道路工程中，将DT技术整合到先进道路概念的规划和设计阶段表明了其变革潜力。智慧道路通过结合包括DT在内的先进技术，有望彻底改变交通系统和道路基础设施，这正是先进道路概念的代表。配备智能物联网系统的智慧道路增强了车辆的环境意识，提高了智能交通框架内的决策能力[109]。通过采用传感器和执行器网络，智慧道路能够提供实时信息有效管理交通[110]。Sun等[111]阐述了智慧道路的精确定义，将其描述为与先进网络和通信技术无缝集成的道路基础设施，道路基础设施是其核心组成部分。在DT的背景下，Fu等[112]介绍了基于DT的智慧高速公路的三层概念框架，而Wang等[40]则概述了推动DT驱动的智能交通基础设施发展的关键挑战。Mao等[113]提出了物联网支持下的智慧道路路线图。DT和智慧道路概念都代表了对未来交通的远见，但它们的实际实施在现实世界中仍然具有挑战性，目前大多局限于规划和设计阶段。

4.2 施工与竣工

施工阶段是一个多方面的过程，包括从最初的施工计划到最终的竣工的各个阶段。确保道路基础设施的质量、安全性和耐久性对于提供可靠的路面系统至关重要。这一阶段的主要重点在于监测施工质量和进度。图14显示了该阶段DT的三个关键应用：施工管理、竣工模型和智慧公路项目。

在施工过程中，DT技术支持资源分配、材料管理、进度协调和质量保证，如视频链接所示[114]。有研究[57]将BIM与传感器数据集成在一起，以利用动态数据查询，在道路建设中使用二次原材料时发挥了作用。BIM可以实现建筑项目的数字复制，而传感器提供实时更新，确保DT模型保持最新状态。此外，地理空间工具如Veta（由美国Transtec公司生产）和GNSS已被用于在路面施工期间将各种施工数据整合到DT框架内[99]。在印度尼西亚进行的一个试点项目中，地图和基于GPS相机的更新促进了道路建设和管理[59]。Ellul等[94]通过对公路建设项目的案例研究，进一步强调了DT在健康、安全和施工进度监测方面的潜力。

路面质量对驾驶舒适性影响很大，因此需要精确、高效的路面压实。智能压实（IC）技术提高了质量标准，同时降低了成本；然而，其主要应用是车辆系统的实时质量检测，限制了其在先进施工控制中的应用。Han等[58]提出了BIM、IC和IoT相结合的集成框架，建立了基础的DT施工质量管理平台。在这个框架中，BIM提供了高保真的道路基础设施虚拟表示，促进了数据集成、可视化和施工管理，IC提供压实质量监测和控制数据，而IoT通过从现场操作中捕获实时数据来连接物理和数字资产。

在德国，A7高速公路拓宽项目采用了5D-BIM模型，其中包括DT竣工模型[86]。这些已建成的DT模型通过结合3D模型、4D物流网络和时间管理以及5D数量和成本/收入分析，在运维阶段提供相关信息给利益相关者。DT还构成了与维护系统相关联的已建成模型的基础，确保了维护期间资产信息的可追溯性和可管理性。

智慧道路试点项目提供了另一种可能的DT应用。在智能道路的背景下，DT作为物理基础设施和IoT数据的集成表示，可以监控车辆驾驶状态和周围道路状况。通过结合IoT、数字地图和道路建设信息模型，Mao等[113]开发了两个DT系统：一个专注于道路交通；另一个则专注于道路健康监测和资产管理。后一系统结合了来自物联网设备的数据，如温度、湿度、光线和振动测量，以及车道级的车辆数据。Thonhofer等[72]为智慧道路创建了一个协作、连接和自动化的移动决策支持DT平台，通过整合IoT、语义Web、云计算、数据库等技术，实现资产管理、维护、交通流管控等功能。Marai等[71]制作了一种DT盒，带有360°摄像头、GPS设备和用于连接的互联网加密狗，可提供道路基础设施的图像、位置和环境数据，从而创建适合智慧城市背景下的道路资产DT模型。

4.3 运营与维护

在运维阶段，由于道路服役环境的复杂性，管理和访问项目数据变得更具挑战性。作为项目生命周期中最长的阶段，确保路面结构的可靠性和持续性至关重要。图15显示了DT技术在该阶段的三个主要应用：路面健康状况监测、道路资产运营管理和维护决策支持。

4.3.1 路面健康状况监测

道路运维主要侧重于路面破损检测、结构健康评估和维护决策。路面损伤特征的识别构成了这些活动的基础。研究人员试图开发能够捕获所有损伤数据的综合DT模型，包括路表和结构内部数据。

由无人机捕获的图像和SfM技术生成的路面3D模型已被证明在识别各种路面病害和捕捉路边设施特征方面是有效的[78]。这种DT模型还集成了道路损伤数据，以增强监测[66]。此外，Sierra等[77]开发了一种专门针对路面的认知DT，可以准确地表示当前状况并检测路面破损。与标准DT模型不同，认知DT增强了认知能力，使基于语义互联数字模型的自主活动成为可能[115]。在一场基于城市DT的智能道路检测竞赛中，为了鼓励DT应用的发展，引入了一种基于DT数据集的道路检测系统[100]。为了增强识别算法，提出了一种基于渲染轻量级物理引擎的DT虚拟数据增强方法来丰富裂缝数据集[76]。Gooneratne等[116]提出了一种监测路面状况的新方法，通过分析骑车者背包内智能手机的数据，以实现未来长期的DT应用。然而，这些研究主要集中在静态状态监测上，并不容易适用于实时DT实现。

与用于监测路面状况的传统方法不同，DT是基于先进的使能技术，特别是通信工具，设计并用于实时监测和显示路面状况。Cao等[65]提出了一种用于路面裂缝检测的多传感器数据通信DT系统。该系统利用基于边缘的三维裂缝分割算法，通过数据采集和通信，有效地识别了路面裂缝，更接近实时监控，如图16所示。Mahmudah等[117]研究了边缘人工智能和深度学习技术在DT城市框架内的实时道路损伤检测的应用，强调了部署此类系统的挑战和潜力。Heravi等[118]提出了一种基于边缘AI的远程道路固定装置监控系统，该系统使用安装在个人车辆中的小型设备。此外，Barisic等[60]建立了一个温度DT系统，该系统基于安装在几个高速公路路段的传感器的温度测量，证明了其连续监测沥青路面状况的能力。

为了整合内部道路损伤，DT模型通常与GPR等无损检测（NDT）技术相结合。由GPR测量数据构建的3D数字模型能够识别道路结构内部缺陷，从而提高DT [56]的保真度。此外，GPR等NDT技术被认为是未来路面管理系统（PMS）不可或缺的一部分，有助于与BIM等数字路面模型集成，以生成全面的DT模型[101,119]。尽管取得了这些进步，但整合统一的DT模型，无缝结合路表和内部结构状况，仍然是一个重大挑战，这主要是由于解译GPR数据和其他相关因素的复杂性。

4.3.2 道路资产运营管理

在建筑行业，DT和资产管理的总体目标保持一致，重点是利用数字资产信息来提高整个生命周期的资产性能。具体而言，在道路基础设施中，道路不仅是关键的运营基础，而且是基本资产。道路DT作为道路基础设施的主要数字复制品，有效地促进了道路资产运营管理。

在道路基础设施管理中采用DT正在美国各州交通部门中获得动力。DT最初在美国犹他州被用于数据收集和治理[120]。该部门为DT技术开发了一个关键平台，强调其对资产管理的潜在影响[121]。虽然DT技术有望用于道路资产管理，但Vieira等[122]强调了其具体操作的局限性。为了进一步探索DT在实物资产管理中的潜力，他们提出了一个概念架构[37]和一个基于价值的分析方法[123]。Ammar等[124]制定了在交通资产数据管理中采用DT的路线图，并提出了一个硬件主导的案例研究。Kodikara等[125]认为DT是智能化道路资产管理的重要工具。总的来说，这些研究强调了DT在这一领域不断增长的潜力。

道路资产管理主要侧重于运营阶段的可视化信息。例如，使用安装在车辆上的便携式摄像机捕获校园道路资产清单，随后将数据集成到DT模型中[73]。日本首都高速公路的资产管理依赖于智能基础设施管理系统[98]，其中3D点云数据是核心的DT技术。印度尼西亚的研究者通过对技术框架的细致分析，提出了用于高级资产管理分析和决策的DT模型[126]。西班牙马德里开发了基于通用道路GIS管理[54]的半自动化模型。通过集成BIM和GIS，DT模型与外部数据库一起传输到智能管理平台，促进文档可视化。总之，DT模型有效地反映了物理实体，并存储了道路基础设施的实际运营状态数据，为设施管理人员的决策过程提供了宝贵的支持。

4.3.3 性能预测与养护决策

在道路运营阶段，由于环境影响和材料老化，轻微损坏是不可避免的。因此，维护决策对于在路面状况和维修成本之间取得平衡至关重要。DT有两种不同的应用方法：预测路面性能和支持决策过程。

DT模型可以预测物理实体的未来状态。Ye等[52]认为DT是一种基于物理的有限元模型，用于力学和定量描述，以预测桥梁状况。Yu等[67]使用DT预测隧道路面的性能，通过将虚拟BIM模型与物理公路进行数字映射，并使用MTSS算法，他们通过将预测值与实际测量值进行比较，准确地预测了路面的国际粗糙度指数（IRI）。Chen等[95]证明了机器学习方法在道路DT场景中预测路面性能状态的有效性。

上述DT研究是基于数据驱动的性能预测。然而，基于物理模型的预测，如有限元（FE）分析，使预测更接近DT的本质。Anantheswar等[92]提出了一个动态ALE框架，专门针对路面结构进行FE模拟。这种方法在DT环境中被证明是有价值的，因为它使模拟能够确定与未来性能一致的相关参数。Chen等[127]将基于物理的FE模拟数据集成到ML模型中，从而增强了预测置信度。理想情况下，DT应该持续收集路面的实时数据，并使用适当的物理模型和力学范式准确预测其性能。DT的研究和应用仍处于早期阶段，但将DT与仿真方法相结合，对预测未来状况有重要的前景。

在道路养护决策中，图17展示了基于DT和决策支持工具的总体架构[68]。该系统无缝集成了路面数据，包括IRI和侧向力系数，提供了额外的支持功能。在意大利A24高速公路上，该系统已经展示了将干预频率降低10%、维护成本降低12%的潜力。Lei等[128]介绍了一种基于DT的公路健康养护系统，该系统利用卡尔曼滤波进行数据去噪，通过准确预测损伤类型和趋势来改进决策。Fang等[81]考虑到碳排放对环境的影响，结合轻量化碳足迹数据采集方法，开发了公路碳足迹DT可视化平台，对公路运营和改扩建过程中的碳排放量进行了准确量化。Zhu等[129]探讨了DT在解决积雪积水导致的城市道路病害中的应用，利用实时监测、预警系统和增强的维护决策，最终提高了道路安全和运营效率。Yin等[130]调查了183名公路专业人员对DT在养护中的挑战和机遇的观点，发现决策复杂、资产数据质量差、路况信息不完整是使DT在公路养护中效率低下的主要原因。

4.4 拆除与重建

在服役周期结束时，需要拆除和重建道路，以确保交通设施的可持续性。然而关于系统或产品行为的宝贵知识往往会在拆除阶段丢失[131]。DT技术通过以最小的成本在虚拟空间中保留物理实体的整个生命周期信息，为此提供了一种解决方案。在道路行业中，拆迁阶段的DT应用往往比改扩建和重建阶段受到的关注要少。

本文确定了三项关于道路改扩建阶段DT的研究。Jiang等[46]采用DT评估主干道拓宽过程中地下通道的间隙，通过构建基于BIM的地下通道DT模型与在线地图数据相关联，他们简化了间隙检查和地下通道重新设计，无需进行实地调查。在德国的道路加宽项目中，Applet等[86]动态更新了施工模型，以实现施工物流、进度和数量的直接可视化。实时DT促进了基于现实的高效管理决策。此外，前面提到的公路碳足迹DT平台[81]也适用于公路改扩建的决策支持。

5 讨论——挑战与机遇

5.1 DT的内涵

DT技术在道路工程中的应用还处于起步阶段，尽管它越来越多地出现在文献中，但其相关内涵却不尽相同。一些研究没有充分发挥DT技术的潜力，或者将其与建筑环境中的BIM等技术相混淆[23]。本研究结合多个例子提出了DT的明确定义，并引用了一个五维DT模型[9]来阐述使能技术。然而在道路工程背景下的DT详细实施路径研究仍然很少，使其应用缺乏说服力。某些研究提出了DT的未来发展愿景[56,58,62]，但学者间DT知识水平的不同导致了其应用的不平衡，包括动机的缺乏、技术理解的不同和实施的挑战。因此，迫切需要统一和完善DT在道路工程中的内涵，以推动更有效的应用。本文将DT定义为一个包含数字模型、孪生数据和交互连接的多级别的框架，同时也承认目前在建立动态、交互式双向连接方面的局限性。

文献表明，能够使用多种技术来构建DT。在道路工程中，对于构建DT系统、技术手段或应用数据类型都没有严格的标准。与文献[132,68]中的发现类似，大多数DT框架采用四层结构：物理层、数据库层、服务器层和应用层。尽管在内涵解释上存在差异，但在现有研究中呈现出了一般系统架构的共识。图18展示了道路工程DT框架，包括四个方面：数据采集、模型创建、数据交互和DT服务。数据采集涉及将物理路面实体转换为其虚拟数据对应物，使能技术包括3D扫描、摄影、传感器、BIM、GIS、GPR、地图和卫星图像。虚拟模型创建多类型的模型，包括几何、物理、行为和规则模型，以确保孪生特征。交互过程涉及数据的传输、存储、分析和结果可视化。DT服务在道路全生命周期中提供有价值的应用，包括设计、施工、运营、维护、重建和拆除等阶段。

DT领域在全球范围内已经发布了一系列标准文件，如表7所示。这些标准规范由不同的机构发布，其重点也各不相同，涉及DT元素的可视化[133]、数据表示和可操作性[134]、概念框架和术语[135]以及总体要求[136]等方面。ISO系列标准特别关注制造业DT的实施，详细说明了工业内自动化集成系统框架的一般原则[137]、参考架构[138]、数字表示[139]和信息交换[140]。然而，对于建造业，如道路工程领域，仍缺乏更详细的DT相关规范来指导行业的发展。

综上所述，DT技术的内涵在学术界仍是认知不统一的，缺乏统一的标准来规范行业应用路径。尽管诸多尝试、众多文献为DT的实际应用和工业发展做出了贡献，但目前迫切需要一个通用的DT实践架构来增强对DT的理解，促进案例的复制和学习。为此，我们主张增强架构模式、通信协议和数据存储解决方案的标准化，借助这种透明度来提高业界对DT架构及其应用的理解，为更明智、更高效的DT技术发展铺平道路。

5.2 关键使能技术

DT技术代表了一种无法通过单一技术工具实现的变革范式。在不同的领域，如制造业和建筑业，DT使能技术存在显著差异。尽管之前的研究已经深入探索了建造业[33]的DT使能技术，尤其是针对运营维护阶段[36]，但相比之下道路领域的研究相对较少。图19展示了当前和未来道路工程中DT关键使能技术的蓝图。

用于路面数字化建模的工具在多样性方面不如建筑领域。虚拟建模的常用工具包括BIM、GIS、GPR、3D扫描和摄影，其中GPR针对路面内部结构建模。要实现道路全域DT，迫切需要在路面模型和内部模型的整合方面取得进展，而这在很大程度上取决于GPR技术的未来发展。将内部数字模型与路表数据相结合，由GPR和激光扫描相结合所实现的数字孪生将产生更准确的监测和预测能力。路面点云自动建模和GPR数据快速解译是开发全域DT模型的关键。因此，需要开发复杂的ML算法来实现自动化和精确的数据处理。此外，为道路结构开发物理模型、规则模型和行为模型将使先进的多尺度建模成为可能。未来的研究应优先考虑宏观行为模型和微观物理模型的协同开发，并辅以相应的规则模型。

未来的发展潜力还在于数据获取和交互技术。虽然传感和测量技术已被广泛提及，但先进技术的集成和融合仍未得到充分利用。物联网技术有望整合各种传感和测量方法，促进道路工程领域的DT发展[45]。通过自动驾驶车辆收集数据已经在桥梁结构健康监测中发挥了巨大潜力[141]。作为一种成本效益显著的无损检测方法，自动驾驶汽车可以在广泛的路网中收集数据。考虑到路面结构的复杂性，在数据处理过程中，融合来自多个来源（如设备、传感器和系统）的孪生数据仍是一个挑战。多传感器集成和先进的ML算法提供了有前景的解决方案。此外，现有的研究往往缺乏从数据传输到可视化呈现的全面的数据交互过程。基于云的解决方案，结合边缘计算等分布式方法，可以增强数据交互能力。实时互操作性是DT技术的一个核心特征，但它在道路工程领域存在显著的研究空白，需要聚焦相关的技术挑战并寻求解决。第五代移动通信技术（5G）和第六代移动通信技术（6G）、简化人机交互的生成式AI和直观呈现的XR等新兴技术有望实现更实时的交互，进一步推进DT服务。

5.3 未来的潜在应用

对现有研究的回顾表明，DT几乎可以应用于道路工程的整个生命周期，而在不同阶段的频率有所不同。图20将DT技术应用分为六个主要领域。

（1）道路设计辅助：DT技术通过整合多种数据源和仿真场景，优化道路规划设计。相关研究包括城市道路规划方法[47]、道路几何线形设计[55]和智慧道路框架研究[112]。

（2）施工管理：DT通过监控进度、质量和资源分配来提升施工全过程管理。相关研究包括对道路施工现场监测[57]、竣工模型提供[86]和具体智慧道路案例[71]。

（3）路面状况监测：DT技术可以实时监测路面状况，包括病害检测和性能评估。已有14项研究集中于使用静态图像[77]或实时传感器[60]监测道路表面[66]或内部状况[56]。

（4）资产运营管理：DT技术能有效协助道路资产管理，实现最佳的利用和维护。11项相关研究在理论层面[122]或在实际应用中探索了将DT作为基础设施资产管理工具[73]。

（5）养护决策支持：DT分析通过预测退化并及时建议干预措施来指导维修决策。本文确定了10项相关研究，强调了为道路DT量身定制的ML[95]、路面DT的FEM[92]以及基于DT的决策支持工具[68]的使用。

（6）改扩建项目支撑：DT简化了重建工作，大幅度减少了信息缺失问题，提高了整体效率。本阶段仅对三篇文章进行了研究。其中两篇为道路拓宽项目提供了必要的信息[46,86]，而另一篇则为改扩建提供了公路碳足迹数据[81]。

目前的研究主要集中在运营和养护阶段，而在设计、建造和拆除阶段的应用研究相对较少。此外，大多数应用都是小规模的，无法集成到操作系统环境中。为了增强大型DT在全生命周期应用中的迁移性，标准化DT开发和应用程序流程是必不可少的。不同的DT成熟度反映了挑战仍广泛存在。除了前面提到的DT技术内涵和使能技术工具的限制之外，投资复杂性、数据隐私问题、安全风险和利益相关者信任等也阻碍了技术发展。在道路工程规划设计阶段便相伴开发DT，可以显著提高其在后续阶段的实用性和可达性。此外，解决数据隐私问题，加强安全措施，并建立利益相关者的信任，对后续发展是有益的。目前的研究常忽视DT项目的财务成本因素，评估整个路网的DT的必要性，并将其经济效益与项目成本进行比较是至关重要的。研究人员应该通过分析相关的成本和收益来加强对DT应用的评估，重点是足够的效率和最小的资源消耗。如果轻量级DT在应用过程中表现出良好的回报，相关应用将迅速扩大。随着DT原型的进一步验证和成熟度的不断提高，潜在的应用，如在未充分开拓的拆除阶段，有望扩大范围。虽然这一阶段经常被忽视，但未来的研究很可能会揭示其在道路拆除后的土地规划和材料利用方面的潜力。生命周期的视角也揭示了其在原材料生产中的额外应用场景，能显著减少碳排放[57]。在施工阶段使用DT调查道路废旧材料的再利用，为连接起拆除和施工两个阶段提供了契机，从而促进了整个生命周期的可持续性。

DT技术的另一个前景是智慧道路体系，其中DT是其核心组成。大多数研究将DT技术定位为智慧道路架构的核心要素，并通过案例探索其实施路径。DT道路系统和智慧道路概念都体现了数字化转型背景下道路基础设施的发展路径，具有信息化和数据互联互通等共通属性。然而，许多关于智慧道路，尤其是专注于自动驾驶的研究，都忽略了对路面设施本身的研究[113]。智慧道路不仅是实现车路协同的物联网系统，它需要在道路基础设施中嵌入智能，这是道路工程中DT的核心概念。作为道路基础设施领域的开创性概念，智慧道路具有整合和放大先进技术优势的潜力。DT技术有望在智慧道路中彻底改变道路工程，但其成功实施需要多类型的手段支持。实现智慧道路和DT技术的总体架构和基础应用之间的一致性至关重要。这种一致性取决于政策支持、技术进步、试点项目和运营反馈，而这些因素对于智慧道路生态系统中DT的不断完善和适应至关重要。

6 结论

通过分析所收集的80篇相关文献，本研究验证了DT技术在推进道路工程发展方面的巨大潜力。尽管发展历史相对较短，但道路工程中的使能技术几乎涵盖了DT构建的全过程，包括实时数据感知、虚拟模型构建、数据连接与交互，而目前的研究主要集中于虚拟几何模型的构建和物理世界数据的获取。在道路工程中实现五维DT概念仍未实现，相关物理知识、力学机理和行为规范在构建多尺度和高保真模型时的适用性没有得到解决。此外，路面结构的复杂性和材料固有的不均匀性对数据处理和交互技术构成了重大挑战。相比于数据获取和模型构建，数据处理与交互技术往往被忽略或未被充分阐述，导致了DT在应用场景下的不完整性。

DT技术应用已经延伸到道路工程的全生命周期，相关场景可分为四个维度的六种情况，焦点主要在运维阶段。在运营阶段，DT可以监测路面状况，支持资产运营管理，并帮助预测和养护决策，其中主要应用是路面状况监测，而服务性能预测缺乏基于实时检测和监测数据的仿真支持。相比之下，在设计、施工和改扩建阶段的DT应用较少，而拆除阶段的差距更为明显。智能道路与DT技术的融合已经得到了广泛的探索，包括概念框架和工程案例研究。在现阶段，对DT的具体应用路径和标准化方法还需要达成进一步的共识。

总之，本文提出了一个跨越全生命周期的道路工程DT框架，包括数据收集、模型创建、处理交互、场景应用。DT与探地雷达、物联网等新兴技术的融合，有望改善DT的监控、维护能力，促进技术发展。此外，先进的数据融合技术和智能技术，包括5G/6G、AI和虚拟现实，预计会扩大DT的应用范围。DT开发中的标准化应受到更多重视，从较小的DT组件创建有效且可扩展的解决方案是关键。未来的研究应优先考虑智能道路和预测性维护，以应对实时交互、成本优化和模型保真度等挑战。为了充分发挥DT技术的变革潜力，必须重点建立统一的行业标准，整合先进的感知技术，创新数据处理与交互方法，降低开发成本，扩大生命周期应用，最终实现与道路工程完全集成的具有变革性的DT系统。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Wang JW, Gao C, Dong S, Xu S, Yuan CW, Zhang C, et al. Current status and future prospects of existing research on digitalization of highway infrastructure. China J Highw Transp 2020;33(11):101‒24. Chinese.

[2]	US Department of Transportation. Smart grants program [Internet]. Washington, DC: US Department of Transportation; undated [cited 2024 Jul 1]. Available from:

[3]	Shafto M, Conroy M, Doyle R, Glaessgen E, Wang L. Modeling, simulation, information technology and processing roadmap. Washington, DC: National Aeronautics and Space Administration (NASA); 2010. . 10.4135/9781412939591.n797

[4]	Naderi H, Shojaei A. Digital twinning of civil infrastructures: current state of model architectures, interoperability solutions, and future prospects. Autom Construct 2023;149:104785. . 10.1016/j.autcon.2023.104785

[5]	Jiang F, Ma L, Broyd T, Chen K. Digital twin and its implementations in the civil engineering sector. Autom Construct 2021;130:103838. . 10.1016/j.autcon.2021.103838

[6]	Tao F, Qi Q, Wang L, Nee AYC. Digital twins and cyber-physical systems toward smart manufacturing and Industry 4.0: correlation and comparison. Engineering 2019;5(4):653‒61. . 10.1016/j.eng.2019.01.014

[7]	Kritzinger W, Karner M, Traar G, Henjes J, Sihn W. Digital twin in manufacturing: a categorical literature review and classification. IFAC-PapersOnLine 2018;51(11):1016‒22. . 10.1016/j.ifacol.2018.08.474

[8]	Yan B, Yang F, Qiu S, Wang J, Cai B, Wang S, et al. Digital twin in transportation infrastructure management: a systematic review. Intell Transp Infrastruct 2023;2:liad024. . 10.1093/iti/liad024

[9]	Tao F, Zhang M, Liu Y, Nee AYC. Digital twin driven prognostics and health management for complex equipment. CIRP Ann 2018;67(1):169‒72. . 10.1016/j.cirp.2018.04.055

[10]	Grieves M, Vickers J. Origins of the digital twin concept. In: Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems (Excerpt). Melbourne: Florida Institute of Technology; 2016. . 10.1007/978-3-319-38756-7_4

[11]	Tao F, Liu W, Zhang M, Hu T, Qi Q, Zhang H, et al. Five-dimension digital twin model and its ten applications. Jisuanji Jicheng Zhizao Xitong 2019;25(1):1‒18. Chinese.

[12]	Tao F, Zhang H, Liu A, Nee AYC. Digital twin in industry: state-of-the-art. IEEE Trans Industr Inform 2019;15(4):2405‒15. . 10.1109/tii.2018.2873186

[13]	Tao F, Cheng J, Qi Q, Zhang M, Zhang H, Sui F. Digital twin-driven product design, manufacturing and service with big data. Int J Adv Manuf Technol 2018;94(9‒12):3563‒76.

[14]	Zhuang C, Liu J, Xiong H. Digital twin-based smart production management and control framework for the complex product assembly shop-floor. Int J Adv Manuf Technol 2018;96(1‒4):1149‒63.

[15]	Leng J, Wang D, Shen W, Li X, Liu Q, Chen X. Digital twins-based smart manufacturing system design in Industry 4.0: a review. J Manuf Syst 2021;60:119‒37. . 10.1016/j.jmsy.2021.08.007

[16]	Corral-Acero J, Margara F, Marciniak M, Rodero C, Loncaric F, Feng Y, et al. The “digital twin” to enable the vision of precision cardiology. Eur Heart J 2020;41(48):4556‒64. . 10.1093/eurheartj/ehaa159

[17]	Li W, Rentemeister M, Badeda J, Jöst D, Schulte D, Sauer DU. Digital twin for battery systems: cloud battery management system with online state-of-charge and state-of-health estimation. J Energy Storage 2020;30:101557. . 10.1016/j.est.2020.101557

[18]	Lu Y, Huang X, Zhang K, Maharjan S, Zhang Y. Low-latency federated learning and blockchain for edge association in digital twin empowered 6G networks. IEEE Trans Industr Inform 2021;17(7):5098‒107. . 10.1109/tii.2020.3017668

[19]

Glaessgen E, Stargel D. The digital twin paradigm for future NASA and US Air Force vehicles. In: Proceedings of the 53rd AIAA/ASME/ASCE/AHS/ASC structures, structural dynamics and materials conference; 2012 Apr 23‒26; Honolulu, HI, USA. Reston: American Institute of Aeronautics and Astronautics; 2012. p. 1818.

[20]	Dalibor M, Jansen N, Rumpe B, Schmalzing D, Wachtmeister L, Wimmer M, et al. A cross-domain systematic mapping study on software engineering for digital twins. J Syst Softw 2022;193:111361. . 10.1016/j.jss.2022.111361

[21]	Muctadir HM, Manrique Negrin DA, Gunasekaran R, Cleophas L, van den Brand M, Haverkort BR. Current trends in digital twin development, maintenance, and operation: an interview study. Soft Syst Model 2024;23(5):1275‒305. . 10.1007/s10270-024-01167-z

[22]	The approach to delivering a national digital twin for the United Kingdom [Internet]. Cambridge: University of Cambridge; undated [cited 2024 Apr 28]. Available from: 10.5152/dir.2019.19063

[23]	AlBalkhy W, Karmaoui D, Ducoulombier L, Lafhaj Z, Linner T. Digital twins in the built environment: definition, applications, and challenges. Autom Construct 2024;162:105368. . 10.1016/j.autcon.2024.105368

[24]	Boje C, Guerriero A, Kubicki S, Rezgui Y. Towards a semantic construction digital twin: directions for future research. Autom Construct 2020;114:103179. . 10.1016/j.autcon.2020.103179

[25]	Lu Q, Parlikad AK, Woodall P, Don Ranasinghe G, Xie X, Liang Z, et al. Developing a digital twin at building and city levels: a case study of west Cambridge campus. J Manage Eng 2020;36(3):05020004. . 10.1061/(asce)me.1943-5479.0000763

[26]	Su S, Zhong RY, Jiang Y, Song J, Fu Y, Cao H. Digital twin and its potential applications in construction industry: state-of-art review and a conceptual framework. Adv Eng Inform 2023;57:102030. . 10.1016/j.aei.2023.102030

[27]	Madubuike OC, Anumba CJ, Khallaf R. A review of digital twin applications in construction. J Inf Technol Constr ITcon 2022;27:145‒72. . 10.36680/j.itcon.2022.008

[28]	Opoku DGJ, Perera S, Osei-Kyei R, Rashidi M. Digital twin application in the construction industry: a literature review. J Build Eng 2021;40:102726. . 10.1016/j.jobe.2021.102726

[29]

Gao Y, Qian S, Li Z, Wang P, Wang F, He Q. Digital twin and its application in transportation infrastructure. In: Proceeding of the 2021 IEEE 1st International Conference on Digital Twins and Parallel Intelligence (DTPI 2021); 2021 Jul 15-Aug 15; Beijing, China. New York City: IEEE; 2021. p. 298‒301. . 10.1109/dtpi52967.2021.9540108

[30]

Sanfilippo F, Thorstensen RT, Jha A, Jiang Z, Robbersmyr KG. A perspective review on digital twins for roads, bridges, and civil infrastructures. In: Proceeding of the 2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME 2022); 2022 Nov 16‒18; Maldives, Maldives. New York City: IEEE; 2024. p. 1‒6. . 10.1109/iceccme55909.2022.9988693

[31]	Vieira J, Martins JP, de Almeida NM, Patrício H, Morgado JG. Towards resilient and sustainable rail and road networks: a systematic literature review on digital twins. Sustainability 2022;14(12):7060. . 10.3390/su14127060

[32]	Hosamo HH, Hosamo MH. Digital twin technology for bridge maintenance using 3D laser scanning: a review. Adv Civ Eng 2022 Jul:2194949.

[33]	Tuhaise VV, Tah JHM, Abanda FH. Technologies for digital twin applications in construction. Autom Construct 2023;152:104931. . 10.1016/j.autcon.2023.104931

[34]	Honghong S, Gang Y, Haijiang L, Tian Z, Annan J. Digital twin enhanced BIM to shape full life cycle digital transformation for bridge engineering. Autom Construct 2023;147:104736. . 10.1016/j.autcon.2022.104736

[35]	Gerges M, Koris K, Fawad M, Al-Hijazeen AZO, Salamak M. Implementation of digital twin and support vector machine in structural health monitoring of bridges. Arch Civ Eng 2023;69(3):31‒47.

[36]	Zhang A, Yang J, Wang F. Application and enabling digital twin technologies in the operation and maintenance stage of the AEC industry: a literature review. J Build Eng 2023;80:107859. . 10.1016/j.jobe.2023.107859

[37]	Vieira J, Patrício H, Poças Martins J, Gomes Morgado J, Almeida N. The potential value of digital twin in rail and road infrastructure asset management. Lect Notes Mech Eng 2023 Feb:439‒47. . 10.1007/978-3-031-25448-2_42

[38]	Wang X, Zhang Y, Li H, Wang C, Feng P. Applications and challenges of digital twin intelligent sensing technologies for asphalt pavements. Autom Construct 2024;164:105480. . 10.1016/j.autcon.2024.105480

[39]	Wang Y, Wang H, Wang W, Song S, Fu X. Architecture, application, and prospect of digital twin for highway infrastructure. J Traffic Transp Eng 2024;11(5):835‒52. . 10.1016/j.jtte.2024.03.003

[40]

Wang Y, Chen Z, Zhang C, Hu H, Zhang Z, Zhu M. Digital twin-driven smart transportation infrastructure: connotation, reference model, applications and research issues. In: Proceeding of the 2024 25th IEEE International Conference on Industrial Technology (ICIT 2024); 2024 Mar 25‒27; Bristol, UK. New York City: IEEE; 2024. p. 1‒6. . 10.1109/icit58233.2024.10540741

[41]	Sakr M, Sadhu A. Recent progress and future outlook of digital twins in structural health monitoring of civil infrastructure. Smart Mater Struct 2024;33(3):033001. . 10.1088/1361-665x/ad2bd7

[42]	Taherkhani R, Ashtari MA, Aziminezhad M. Digital twin-enabled infrastructures: a bibliometric analysis-based review. J Infrastruct Syst 2024;30(1):03123001. . 10.1061/jitse4.iseng-2323

[43]	Li T, Li X, Rui Y, Ling J, Zhao S, Zhu H. Digital twin for intelligent tunnel construction. Autom Constr 2024;158:105210. . 10.1016/j.autcon.2023.105210

[44]	Zhao Y, Liu Y, Mu E. A review of intelligent subway tunnels based on digital twin technology. Buildings 2024;14(8):2452. . 10.3390/buildings14082452

[45]	Talaghat MA, Golroo A, Kharbouch A, Rasti M, Heikkilä R, Jurva R. Digital twin technology for road pavement. Autom Construct 2024;168:105826. . 10.1016/j.autcon.2024.105826

[46]	Jiang F, Ma L, Broyd T, Chen K, Luo H. Underpass clearance checking in highway widening projects using digital twins. Autom Constr 2022;141:104406. . 10.1016/j.autcon.2022.104406

[47]	Jiang F, Ma L, Broyd T, Chen W, Luo H. Digital twin enabled sustainable urban road planning. Sustain Cities Soc 2022;78:103645. . 10.1016/j.scs.2021.103645

[48]	Akbarialiabad H, Pasdar A, Murrell DF. Digital twins in dermatology, current status, and the road ahead. NPJ Digit Med 2024;7(1):228. . 10.1038/s41746-024-01220-7

[49]	Tchana Y, Ducellier G, Remy S. Designing a unique digital twin for linear infrastructures lifecycle management. Procedia CIRP 2019;84:545‒9. . 10.1016/j.procir.2019.04.176

[50]

Steyn WJ, Broekman A, Jordaan GJ. Digital twinning of asphalt pavement surfacings using visual simultaneous localization and mapping. In: Anupam K, Papagiannakis AT, Bhasin A, Little D, editors. Advances in materials and pavement performance prediction II. London: CRC Press; 2020. p. 97‒100. . 10.1201/9781003027362-24

[51]	Gulisano F, Jimenez-Bermejo D, Castano-Solís S, Sánchez Diez LA, Gallego J. Development of self-sensing asphalt pavements: review and perspectives. Sensors 2024;24(3):792. . 10.3390/s24030792

[52]	Ye S, Lai X, Bartoli I, Aktan AE. Technology for condition and performance evaluation of highway bridges. J Civ Struct Health Monit 2020;10(4):573‒94. . 10.1007/s13349-020-00403-6

[53]	van Raan A. The use of bibliometric analysis in research performance assessment and monitoring of interdisciplinary scientific developments. Tech Theor Prax 2003;12(1):20‒9. . 10.14512/tatup.12.1.20

[54]	Cepa JJ, Pavón RM, Alberti MG, Caramés P. Towards BIM-GIS integration for road intelligent management system. J Civ Eng Manag 2023;29(7):621‒38. . 10.3846/jcem.2023.19514

[55]

Wu B, Liu H, Li A, Huang Z. Application and innovation of BIM technology in municipal projects. In: Proceeding of the 2021 5th International Conference on Civil Engineering, Architectural and Environmental Engineering; 2021 Apr 23‒25; Chengdu, China. Berlin: Springer; 2021. p. 012182. . 10.1088/1755-1315/787/1/012182

[56]	Zhu H, Wei G, Ma D, Yu X, Xu Z, Wang H. 3D digital modelling and identification of pavement typical internal defects based on GPR measured data. Road Mater Pavement Des 2024;25(10):2283. . 10.1080/14680629.2024.2302811

[57]	Meža S, Mauko Pranjić A, Vezočnik R, Osmokrović I, Lenart S. Digital twins and road construction using secondary raw materials. J Adv Transp 2021 Jan:1‒12. . 10.1155/2021/8833058

[58]	Han T, Ma T, Fang Z, Zhang Y, Han CA. BIM-IoT and intelligent compaction integrated framework for advanced road compaction quality monitoring and management. Comput Electr Eng 2022;100:107981. . 10.1016/j.compeleceng.2022.107981

[59]	Hidayat F, Supangkat SH, Hanafi K. Digital twin of road and bridge construction monitoring and maintenance. In: Proceeding of the 2022 8th IEEE International Smart Cities Conference (ISC2 2022); 2022 Sep 26‒29; Paphos, Cyprus. New York City: IEEE; 2022. p. 1‒7. . 10.1109/isc255366.2022.9922473

[60]

Barisic L, Levenberg E, Skar A, Boyd A, Zoulis P. A thermal digital twin for condition monitoring of asphalt roads. In: Liu X, Anupam K, Erkens S, Sun L, Ling J, editors. Green and intelligent technologies for sustainable and smart asphalt pavements. London: CRC Press; 2022. p.709‒13. . 10.1201/9781003251125-113

[61]	Tang R, Zhu J, Ren Y, Ding Y, Wu J, Guo Y, et al. A knowledge-guided fusion visualisation method of digital twin scenes for mountain highways. ISPRS Int J Geoinf 2023;12(10):424. . 10.3390/ijgi12100424

[62]	Steyn WJ. Selected implications of a hyper-connected world on pavement engineering. Int J Pavement Res Technol 2020;13(6):673‒678. . 10.1007/s42947-020-6012-7

[63]	Rumpa SH, Ishrat S, Reza ST, Shafiqul Islam Suman M, Faysal Ahmmed M, Mansoor N. InfraChain: a sensor-enabled roadway management application using blockchain and digital twin. Lect Notes Netw Syst 2024;834:457‒63. . 10.1007/978-981-99-8349-0_36

[64]	Shen K, Wang H. Development of high-efficient asphalt pavement modeling software for digital twin of road infrastructure. Adv Eng Softw 2024;198:103786. . 10.1016/j.advengsoft.2024.103786

[65]	Cao T, Wang Y, Liu S. Pavement crack detection based on 3D edge representation and data communication with digital twins. IEEE Trans Intell Transp Syst 2023;24(7):7697‒706. . 10.1109/tits.2022.3194013

[66]

Fox-Ivey R, Laurent J, Petitclerc B. Using 3D pavement surveys to create a digital twin of your runway or highway. In: Proceeding of the 2021 International Airfield and Highway Pavements Conference (IAHPC 2021); 2021 Jun 8‒10; Virtually. Reston: American Society of Civil Engineers; 2021. p. 180‒92. . 10.1061/9780784483527.016

[67]	Yu G, Zhang S, Hu M, Wang YK. Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking. Adv Civ Eng 2020;2020(1):8824135. . 10.1155/2020/8824135

[68]	Consilvio A, Hernández JS, Chen W, Brilakis I, Bartoccini L, Gennaro FD, et al. Towards a digital twin-based intelligent decision support for road maintenance. Transp Res Procedia 2023;69:791‒798. . 10.1016/j.trpro.2023.02.237

[69]	Gouda M, Pawliuk Z, Mirza J, El-Basyouny K. Using convex hulls with octree/voxel representations of point clouds to assess road and roadside geometric design for automated vehicles. Autom Constr 2023;154:104967. . 10.1016/j.autcon.2023.104967

[70]	Pan Y, Wang M, Lu L, Wei R, Cavazzi S, Peck M, et al. Scan-to-graph: automatic generation and representation of highway geometric digital twins from point cloud data. Autom Construct 2024;166:105654. . 10.1016/j.autcon.2024.105654

[71]	Marai OE, Taleb T, Song J. Roads infrastructure digital twin: a step toward smarter cities realization. IEEE Netw 2021;35(2):136‒43. . 10.1109/mnet.011.2000398

[72]	Thonhofer E, Sigl S, Fischer M, Heuer F, Kuhn A, Erhart J, et al. Infrastructure-based digital twins for cooperative, connected, automated driving and smart road services. IEEE Open J Intell Transp Syst 2023;4:311‒24. . 10.1109/ojits.2023.3266800

[73]

Brown LE, Weidner J, Raheem A, Long Cheu R. Vision-based methodology to create a highway asset inventory for integration in a digital twin model. In: Proceeding of the 2022 International Conference on Transportation and Development (ICTD 2022); 2022 May 31-Jun 3; Seattle, WA, USA. Reston: American Society of Civil Engineers; 2022. p. 26‒33. . 10.1061/9780784484364.003

[74]

Ding J, Brilakis I. The potential for creating a geometric digital twin of road surfaces using photogrammetry and computer vision. In: Proceeding of the 2023 European Council on Computing in Construction (2023 EC3); 2023 Jul 10‒12; Chania, Crete, Greece. Chania: The European Council on Computing in Construction (EC 3); 2023. . 10.35490/ec3.2023.286

[75]

Crampen D, Hein M, Blankenbach J. A level of as-is detail concept for digital twins of roads—a case study. In: Proceeding of the 2023 18th International 3D GeoInfo Conference (3D GeoInfo 2023); 2023 Sep 12‒14; Munich, Germany. Berlin: Springer Nature; 2024. p. 499‒515. . 10.1007/978-3-031-43699-4_31

[76]	Wang W, Xu X, Peng J, Hu W, Wu D. Fine-grained detection of pavement distress based on integrated data using digital twin. Appl Sci 2023;13(7):4549. . 10.3390/app13074549

[77]	Sierra C, Paul S, Rahman A, Kulkarni A. Development of a cognitive digital twin for pavement infrastructure health monitoring. Infrastructures 2022;7(9):113. . 10.3390/infrastructures7090113

[78]

Peddinti PRT, Kim B. Efficient pavement monitoring for South Korea using Unmanned Aerial Vehicles. In: Proceeding of the 2022 International Conference on Transportation and Development (ICTD 2022); 2022 May 31‒Jun 3; Seattle, WA, USA. Reston: American Society of Civil Engineers (ASCE); 2022. p. 61‒72. . 10.1061/9780784484357.006

[79]	Lu L, Dai F. Digitalization of traffic scenes in support of intelligent transportation applications. J Comput Civ Eng 2023;37(5):04023019. . 10.1061/jccee5.cpeng-5204

[80]	Jiang F, Ma L, Broyd T, Chen W, Luo H. Building digital twins of existing highways using map data based on engineering expertise. Autom Construct 2022;134:104081. . 10.1016/j.autcon.2021.104081

[81]	Fang Z, Jiang F, Yan J, Lu Q, Chen L, Tang J, et al. A novel lightweight CF decision-making approach for highway reconstruction and operation. J Clean Prod 2024;434:140127. . 10.1016/j.jclepro.2023.140127

[82]	Liu H, Ma R. An efficient and automatic method based on monocular camera and GNSS for collecting and updating geographical coordinates of mileage pile in highway digital twin map. Meas Sci Technol 2024;35(12):126011. . 10.1088/1361-6501/ad7484

[83]	Lu Q, Chen L, Li S, Pitt M. Semi-automatic geometric digital twinning for existing buildings based on images and CAD drawings. Autom Constr 2020;115:103183. . 10.1016/j.autcon.2020.103183

[84]	Matthews J, Love PED, Heinemann S, Chandler R, Rumsey C, Olatunj O. Real time progress management: re-engineering processes for cloud-based BIM in construction. Autom Construct 2015;58:38‒47. . 10.1016/j.autcon.2015.07.004

[85]	Wang DW, Lyu HT, Tang FJ, Ye CS, Zhang F, Wang Q, et al. Road structural defects detection and digitalization based on 3D ground penetrating radar technology: a state-of-the-art review. China J Highw Transp 2023;36:1‒19. Chinese. . 10.1061/9780784484906.018

[86]

Appelt V. Savings potential in highway planning, construction and maintenance using BIM-German experience with PPP. In: Akhnoukh A, Kaloush K, Elabyad M, Halleman B, Erian N, Enmon II S, et al., editors. Advances in Road Infrastructure and Mobility. Berlin: Springer; 2022. p. 365‒78. . 10.1007/978-3-030-79801-7

[87]	Ma T, Tong Z, Zhang YM, Zhang WG. A three-dimensional reconstruction method of pavement macro-texture using a multi-view deep neural network. China J Highw Transp 2023;36:70‒80. Chinese.

[88]	Davletshina D, Reja VK, Brilakis I. Automating construction of road digital twin geometry using context and location aware segmentation. Autom Construct 2024;168:105795. . 10.1016/j.autcon.2024.105795

[89]

Davletshina D, Reja VK, Brilakis I. Capturing reality changes from point clouds for updating road geometric digital twins. In: Proceeding of the 2024 European Conference on Computing in Construction; 2024 Jul 14‒17; Chania, Crete, Greece. Chania: The European Council on Computing in Construction (EC3); 2024. . 10.35490/ec3.2024.208

[90]	Yang X, Li Y, Liu WB, Zhao ZY, Guan JC, Liu PF, et al. Digital twin of asphalt pavement surface and internal full-field distress based on BIM+GIS technology. China J Highw Transp 2023;36:120‒35. Chinese.

[91]

Steyn WJ, Broekman A. Process for the development of a digital twin of a local road-a case study. In: Proceedings of the 2021 6th GeoChina International Conference on Civil & Transportation Infrastructures; 2021 July 19‒21; Nanchang, China. Berlin: Springer Nature; 2021. p. 11‒22. . 10.1007/978-3-030-79638-9_2

[92]

Anantheswar A, Wollny I, Kaliske M. A dynamic ALE framework enabling efficient simulations within a digital twin of the pavement. In: Proceedings of the 2023 7th Chinese-European Workshop on Functional Pavements (CEW 2023); 2023 Jul 2‒4; Birmingham, UK. London: CRC Press; 2024. p. 173‒6. . 10.1201/9781003387374-34

[93]

Hildebrandt J, Leibl LM, Habich D, Lehner W. Development and evaluation of a FIWARE-based digital twin prototype for road systems. In: Proceedings of the 1st International Workshop on Distributed Digital Twins; 2024 Jun 17; Groningen, the Netherlands. Aachen: CEUR Workshop Proceedings; 2024. . 10.1109/bigdata62323.2024.10825419

[94]	Ellul C, Hamilton N, Pieri A, Floros G. Exploring data for construction digital twins: building health and safety and progress monitoring twins using the unreal gaming engine. Buildings 2024;14(7):2216. . 10.3390/buildings14072216

[95]	Chen K, Eskandari Torbaghan M, Chu M, Zhang L, Garcia-Hernández A. Identifying the most suitable machine learning approach for a road digital twin. Proc Inst Civ Eng Smart Infrastruct Constr 2022;174:88‒101. . 10.1680/jsmic.22.00003

[96]	Liu P, Zhang H, Hu Y, Du K, Guan J, Yordanov V. An efficient conditional GAN-based framework for high-resolution prediction of tyre-pavement contact stresses—a contribution towards a digital twin of the road system. Int J Pavement Eng 2024;25(1):2414074. . 10.1080/10298436.2024.2414074

[97]	Siddiqa A, Hashem IAT, Yaqoob I, Marjani M, Shamshirband S, Gani A, et al. A survey of big data management: taxonomy and state-of-the-art. J Netw Comput Appl 2016;71:151‒66. . 10.1016/j.jnca.2016.04.008

[98]

Nakashima H, Nakamura T, Hosoi Y, Konno K, Kawamura H. Smart infrastructure asset management system on metropolitan expressway in Japan. In: Akhnoukh A, Kaloush K, Elabyad M, Halleman B, Erian N, Enmon II S, et al., editors. Advances in Road Infrastructure and Mobility. Berlin: Springer Nature; 2022. p. 575‒86. . 10.1007/978-3-030-79801-7_41

[99]

Chang GK, Gilliland AL. TaghaviGhalesari A. Aggregating high-precision GNSS intelligent construction data for quality asphalt pavements. In: Proceeding of the 2022 3rd ISIC International Conference on Trends on Construction in the Post-Digital Era (ISIC 2022); 2022 Sep 7‒9; Guimarães, Portugal. Berlin: Springer Nature; 2023. p. 349‒68. . 10.1007/978-3-031-20241-4_24

[100]

Fan R, Zhang Y, Guo S, Li J, Feng Y, Su S, et al. Urban digital twins for intelligent road inspection. In: Proceeding of the 2022 IEEE International Conference on Big Data (Big Data); 2022 Dec 17‒20; Osaka, Japan. New York City: IEEE; 2022. p. 5110‒4. . 10.1109/bigdata55660.2022.10021042

[101]

D’Amico F, Bertolini L, Napolitano A, Gagliardi V, Bianchini Ciampoli L. A novel BIM approach for supporting technical decision-making process in transport infrastructure management. In: Schulz K, editor. Proceedings Volume 11863, Earth Resources and Environmental Remote Sensing/GIS Applications XII-11863 (2021); 2021 Sep 13‒18; Online. Bellingham: SPIE Digital Library; 2021. . 10.1117/12.2600140

[102]

Steyn WJ, Broekman A. Development of a digital twin of a local road network: a case study. J Test Eval 2022;50(6):2901‒15. . 10.1520/jte20210043

[103]

Gao Y, Li H, Xiong G, Song H. AIoT-informed digital twin communication for bridge maintenance. Autom Constr 2023;150:104835. . 10.1016/j.autcon.2023.104835

[104]

Lin K, Xu YL, Lu X, Guan Z, Li J. Digital twin-based collapse fragility assessment of a long-span cable-stayed bridge under strong earthquakes. Autom Constr 2021;123:103547. . 10.1016/j.autcon.2020.103547

[105]

Yu G, Wang Y, Mao Z, Hu M, Sugumaran V, Wang YK. A digital twin-based decision analysis framework for operation and maintenance of tunnels. Tunn Undergr Space Technol 2021;116:104125. . 10.1016/j.tust.2021.104125

[106]

Santero NJ, Masanet E, Horvath A. Life-cycle assessment of pavements. Part I: critical review. Resour Conserv Recycling 2011;55(9‒10):801‒9.

[107]

Jiang F, Li J, Ma L, Dong Z, Chen W, Broyd T, et al. Sustainable urban road planning under the digital twin-MCDM-GIS framework considering multidisciplinary factors. J Clean Prod 2024;469:143097. . 10.1016/j.jclepro.2024.143097

[108]

Maserrat Z, Alesheikh AA, Jafari A, Charandabi NK, Shahidinejad J. A Dempster-Shafer enhanced framework for urban road planning using a model-based digital twin and MCDM techniques. ISPRS Int J Geoinf 2024;13(9):302. . 10.3390/ijgi13090302

[109]

Yuan Q, Li J, Zhou H, Luo G, Lin T, Yang F, et al. Cross-domain resource orchestration for the edge-computing-enabled smart road. IEEE Netw 2020;34(5):60‒7. . 10.1109/mnet.011.2000007

[110]

Fernández-Isabel A, Fuentes-Fernández R, Martín de Diego I. Modeling multi-agent systems to simulate sensor-based smart roads. Simul Model Pract Theory 2020;99:101994. . 10.1016/j.simpat.2019.101994

[111]

Sun L, Zhao H, Tu H, Tian Y. The smart road: practice and concept. Engineering 2018;4(4):436‒7. . 10.1016/j.eng.2018.07.014

[112]

Fu H, Zhao T, Chen Y, Yao Y, Leng J. Framework and operation of digital twin smart freeway. IET Intell Transp Syst 2023;17(3):620‒9. . 10.1049/itr2.12288

[113]

Mao G, Hui Y, Ren X, Li C, Shao Y. The Internet of Things for smart roads: a road map from present to future road infrastructure. IEEE Intell Transp Syst Mag 2022;14(6):66‒76. . 10.1109/mits.2021.3115126

[114]

Twinzo. Digital twin of construction site [Internet]. San Bruno: YouTube; 2023 Mar 7 [cited 2024 Nov 13]. Available from:

[115]

Zheng X, Lu J, Kiritsis D. The emergence of cognitive digital twin: vision, challenges and opportunities. Int J Prod Res 2022;60(24):7610‒32. . 10.1080/00207543.2021.2014591

[116]

Gooneratne CP, Das AN, Mehta YU, Snehita NL, George B. Smartphone-based road condition monitoring: a feasibility study. In: Proceeding of the 2023 16th International Conference on Sensing Technology (ICST 2023); 2023 Dec 17‒20; Hyderabad, India. New York City: IEEE; 2023. p. 1‒6. . 10.1109/icst59744.2023.10460796

[117]

Mahmudah H, Musyafa A, Aisjah AS, Arifin S, Prastyanto CA. Digital twin: challenge road damage detection on edge device. Chem Eng Trans 2024;109:601‒606. . 10.1109/aims61812.2024.10512864

[118]

Younesi Heravi M, Dola IS, Jang Y, Jeong I. Edge AI-enabled road fixture monitoring system. Buildings 2024;14(5):1220. . 10.3390/buildings14051220

[119]

D’Amico F, Bianchini Ciampoli L, Di Benedetto A, Bertolini L, Napolitano A. Integrating non-destructive surveys into a preliminary BIM-oriented digital model for possible future application in road pavements management. Infrastructures 2022;7(1):10. . 10.3390/infrastructures7010010

[120]

Ammar A, Nassereddine H, Dadi G. State departments of transportation’s vision toward digital twins: investigation of roadside asset data management current practices and future requirements. ISPRS Ann Photogram Remote Sens Spatial Inf Sci 2022;4:319‒27. . 10.5194/isprs-annals-v-4-2022-319-2022

[121]

Ammar A, Maier F, Catchings R, Nassereddine H, Dadi G. Departments of transportation efforts to digitize ancillary transportation asset data: a step toward digital twins. Transp Res Rec 2023;2677(11):428‒45. . 10.1177/03611981231166000

[122]

Vieira J, Clara J, Patrício H, Almeida N, Martins JP. Digital twins in asset management: potential application use cases in rail and road infrastructures. In: Conference proceedings info: WCEAM 2021; 2021 Aug 15‒18; Campina-Grande, Brazil. Berlin: Springer Nature; 2022. p. 250‒60. . 10.1007/978-3-030-96794-9_23

[123]

Vieira J, Almeida NMD, Poças Martins J, Patrício H, Morgado JG. Analysing the value of digital twinning opportunities in infrastructure asset management. Infrastructures 2024;9(9):158. . 10.3390/infrastructures9090158

[124]

Ammar A, Maier F, Pratt WS, Richard E, Dadi G. Practical application of digital twins for transportation asset data management: case example of a safety hardware asset. Transp Res Rec 2024;2678(10):114‒30. . 10.1177/03611981241231804

[125]

Kodikara J, Sounthararajah A, Chen L. Reimagining unbound road pavement technology: integrating testing, design, construction and performance in the post-digital era. Transp Geotechnics 2024;47:101274. . 10.1016/j.trgeo.2024.101274

[126]

Tanne YA, Zultaqawa Z, Aulia MD . Falderika, Farhani S, Rivana D. Integrated system for urban road asset management: conceptual framework. In: Proceeding of the 2023 9th International Conference on Signal Processing and Intelligent Systems (ICSPIS 2023); 2023 Dec 14‒15; Bali, Indonesia. New York City: IEEE; 2023. p. 1‒8. . 10.1109/icspis59665.2023.10402657

[127]

Chen K, Torbaghan ME, Thom N, Garcia-Hernandez A, Faramarzi A, Chapman D. A machine learning based approach to predict road rutting considering uncertainty. Case Stud Constr Mater 2024;20:e03186. . 10.1016/j.cscm.2024.e03186

[128]

Lei B, Li R, Huang R. Embedded highway health maintenance system based on digital twin superposition model. EAI Endorsed Trans Energy Web 2024;11:1‒8. . 10.4108/ew.5654

[129]

Zhu S, Peng B, Li D, Bai Y, Liu X, Li Y. Methods for addressing pavement defects based on digital twin technology—a case study of snow and water accumulation on road surface. In: Proceeding of the 2024 2nd International Conference on Urban Construction and Transportation (UCT 2024); 2024 Jan 19‒21; Harbin, China. Cedex: E3S Web of Conferences; 2024. p. 1‒10. . 10.1051/e3sconf/202451204015

[130]

Yin M, Reja VK, Wei R, Sheil B, Brilakis I. How can digital twins be used in highway maintenance? A questionnaire survey for industry practitioners. In: Proceeding of the 2024 European Conference on Computing in Construction; 2024 Jul 14‒17; Chania, Crete, Greece. Chania: The European Council on Computing in Construction (EC3); 2024. . 10.35490/ec3.2024.212

[131]

Liu M, Fang S, Dong H, Xu C. Review of digital twin about concepts, technologies, and industrial applications. J Manuf Syst 2021;58:346‒61. . 10.1016/j.jmsy.2020.06.017

[132]

Chen W, Brilakis I. Developing digital twin data structure and integrated cloud digital twin architecture for roads. In: Proceedings of the ASCE International Conference on Computing in Civil Engineering 2023; 2023 Jun 25‒28; Corvallis, OR, USA. Reston: American Society of Civil Engineers; 2024. p. 424‒32. . 10.1061/9780784485231.051

[133]

ISO/TR 24464 : Automation systems and integration—industrial data—visualization elements of digital twins. International standard. Geneva: International Organization for Standardization; 2020.

[134]

NGSI-LD API: Context information management (CIM). European standard. Nice: European Telecommunications Standards Institute; 2021.

[135]

ISO/IEC 30173 : Digital twin—concepts and terminology. International standard. Geneva: International Organization for Standardization, International Electrotechnical Commission; 2023.

[136]

GB/T 43441.1: Information technology—digital twin—part 1: general requirements. Chinese standard. Beijing: Standardization Administration of the People’s Republic of China (SAC); 2023. Chinese.

[137]

ISO 23247‒1: Automation systems and integration—digital twin framework for manufacturing—part 1: overview and general principles. International standard. Geneva: International Organization for Standardization; 2021.

[138]

ISO 23247‒2: Automation systems and integration—digital twin framework for manufacturing—part 2: reference architecture. International standard. Geneva: International Organization for Standardization; 2021.

[139]

ISO 23247‒3: Automation systems and integration—digital twin framework for manufacturing—part 3: digital representation of manufacturing elements. International standard. Geneva: International Organization for Standardization; 2021.

[140]

ISO 23247‒4: Automation systems and integration—digital twin framework for manufacturing—part 4: information exchange. International standard. Geneva: International Organization for Standardization; 2021.

[141]

Shokravi H, Vafaei M, Samali B, Bakhary N. In-fleet structural health monitoring of roadway bridges using connected and autonomous vehicles’ data. Comput Aided Civ Infrastruct Eng 2024;39(14):2122‒39. . 10.1111/mice.13180