AI在水利科学与工程中的应用

20XX/XX/XXAI在水利科学与工程中的应用汇报人:XXXCONTENTS目录01

AI技术概述与水利行业背景02

防洪减灾智能系统应用03

水资源智能管理与调度04

水利工程安全监测技术CONTENTS目录05

智慧水利关键技术融合06

典型应用案例分析07

技术挑战与发展对策08

未来展望与趋势AI技术概述与水利行业背景01人工智能核心技术体系机器学习与深度学习机器学习算法（如随机森林、支持向量机）可高效处理水利数据，提升水文预测、水质分析速度3倍以上；深度学习技术（如LSTM、CNN）在洪水预测、地形地貌分析中展现强大能力，如某山区水库采用Transformer模型将溃坝风险响应时间从45分钟缩短至2.1小时。计算机视觉与智能感知计算机视觉技术结合边缘计算，实现水利设施缺陷（如裂缝、渗漏）实时识别，三峡大坝AI监测平台缺陷识别率达95%；智能传感器与物联网构建“神经末梢”，实时采集水位、水质等数据，为决策提供科学依据，如罗湖区“鸿蒙+AI”系统首周识别涉水违规行为70余起。数字孪生与仿真推演数字孪生技术构建物理水利系统虚拟镜像，实现运行状态实时监测与模拟分析，如山东“智水齐鲁”体系融合大模型与数字孪生流域，实现洪水调度全流程仿真；AI驱动的水动力模型可逐小时生成淹没区域与水深分布图，为应急疏散提供精准数据支撑。大数据与云计算技术大数据技术处理海量水利数据，挖掘潜在规律，如华北地区AI模型整合地下水监测数据，缓解超采问题使区域水位回升3米；云计算提供强大计算与存储能力，实现资源共享与远程协作，虚拟化技术提升水利工程设计计算资源利用率至85%。水利工程智能化转型需求应对极端气候事件的挑战全球气候变化加剧，极端降水事件频发，传统防汛模式面临严峻挑战。如2024年重庆“5·12”暴雨暴露了传统模型在复杂水情下的局限性，亟需AI技术提升预测预警能力。传统水利管理模式的短板传统水利管理依赖人工巡检和经验决策，存在监测滞后、调度刚性、数据孤岛等问题。例如，传统水质监测需人工采样分析，费时费力且实时性差；人工巡检难以实现水利设施全天候、高精度监测。提升水资源利用效率的迫切需求水资源供需矛盾日益突出，区域间、行业间用水竞争加剧。传统水资源调度方式效率低、响应慢，通过AI驱动的智能调度系统，可实现水资源动态优化配置，如某流域采用AI调度模型使水资源利用率提升15%。工程安全与运维智能化的要求大型水利工程结构复杂，传统安全监测手段难以全面及时发现隐患。AI技术如计算机视觉、声纹监测等，可实现对大坝、堤防等设施的实时健康监测与智能预警，如三峡大坝AI监测平台将缺陷识别率提高到95%。AI与水利融合的技术基础“天空地水工”一体化监测感知体系

整合空基（无人机、卫星遥感）、地基（雨量站、渗压计、视频监测站）、水工（坝体内部传感器阵列）等多维度监测手段，为AI模型提供高密度、高可靠性数据源。如珠江水利委员会在大藤峡水利枢纽布设4000多个安全监测点，涵盖20多种监测类型，仪器完好率达99.8%。“物理机理+数据驱动”融合算法架构

针对渗流监测等静态场景，物理信息神经网络（如PI-RGSM模型）融入水文地质参数与边界条件硬约束，平均决定系数可达0.978以上；针对洪水预报等动态场景，深度学习模型挖掘历史与实时数据关联关系；针对视觉检测场景，YOLO等目标检测模型训练水利专属数据集。AI与GIS、数字孪生技术深度融合

GIS技术为AI提供空间数据支撑，实现淹没范围模拟、流域态势呈现等可视化需求；数字孪生构建三维虚拟场景，实现AI模型预测结果与物理实体实时映射。如山东“智水齐鲁”体系中，大模型与数字孪生流域的融合实现了洪水调度的全流程仿真。防洪减灾智能系统应用02基于深度学习的洪水预报模型

深度学习在洪水预报中的技术优势深度学习模型，如LSTM、Transformer等，能有效处理水文气象时间序列数据，捕捉复杂非线性关系，较传统模型提升预报精度和预见期。例如，美国NASA开发的AI洪水预测系统提前72小时准确率达89%。

多源数据融合与模型架构融合卫星遥感、地面传感器、气象雷达等多源数据，构建“数据预处理-特征提取-模型训练-预测输出”的深度学习架构。如某山区水库采用Transformer模型，将传统响应时间从45分钟缩短至2.1小时。

模型优化与自学习能力通过强化学习、迁移学习等方法优化模型参数，结合实时监测数据实现动态校正与自学习。某流域采用SparkMLlib构建调度模型，洪水预报误差可控制在较低范围，并能适应气候变化场景。

工程应用与实际成效2024年长江流域部署的AI预警平台将洪水预测精度提升25%，预警时间提前至72小时；珠江流域试点应用中，AI模型提前2.1小时预测溃坝风险，疏散人口3.2万人，避免重大伤亡。多源感知网络构建部署水位计、雨量计、流速仪及高清摄像头等物联网设备，结合卫星遥感和气象雷达数据，形成“天空地”一体化监测网络，实时采集降雨量、水位、水流速度等关键水文要素。AI驱动的实时监测与识别利用计算机视觉与AI算法，对监测数据进行实时分析，实现对城市内涝积水点、水面漂浮物、违规采砂船只等异常事件的秒级识别与分钟级响应，处置效率较传统方式提高6倍以上。智能预警模型与决策支持基于深度学习模型（如LSTM、Transformer）分析历史与实时数据，构建城市内涝预测模型，提前数小时至数十小时发出预警。结合数字孪生技术，推演洪水演进过程，为疏散救援、交通管制等提供科学决策支持。预警信息发布与应急联动建立“发现-预警-处置-复核-销号”的标准化闭环管理体系，通过电脑客户端、手机APP、短信等多渠道推送预警信息至相关部门和公众，实现多部门协同应急响应，有效降低人员伤亡和财产损失。城市内涝监测与预警系统多灾害耦合模拟与应急响应

多灾害耦合模拟的技术挑战多灾害耦合模拟面临数据质量与标准化（传感器数据缺失率23%）、模型可解释性（黑箱模型导致5起调度失误）、计算资源限制（洪水模拟需GPU集群512核）等关键技术挑战。

AI驱动的多灾害耦合模拟方法对比串联耦合（误差累积系数1.72）、并联耦合（误差系数0.86）、GNN耦合（误差系数0.43）等方法，GNN耦合在所有场景下均表现最优，能有效提升模拟精度。

基于Transformer模型的灾害预警案例某山区水库采用基于Transformer的深度学习模型，融合多源数据，在2023年提前2.1小时预测到溃坝风险，疏散人口3.2万人，将传统模型的响应时间从45分钟大幅缩短。

多灾害应急响应的智能化闭环管理构建“发现-预警-处置-复核-销号”的标准化闭环管理体系，结合AI智能识别与实时监测，如金华市AI智慧监管平台应用以来，隐患处置率达100%，复发率显著降低。防洪模型构建与验证方法01多源数据融合技术架构针对水文数据采集存在的短板，构建天空地一体化监测感知体系，整合卫星遥感、无人机航拍、地面传感器（如水位计、雨量计）及水工建筑物内部传感数据，形成多维度数据源，为防洪模型提供高密度、高可靠性的数据支撑。02AI核心算法选型与模型构建采用“物理机理+数据驱动”的融合架构，如物理信息神经网络（PI-RGSM模型）融入水文地质参数与边界条件硬约束，结合深度学习模型（如LSTM、Transformer）挖掘历史水文数据与实时降雨、水位数据的关联关系，实现预报参数动态优化，提升洪峰预报精度。03全尺度模拟与双盲测试验证通过全尺度模拟技术对模型进行验证，设置不同典型场景（如不同量级暴雨、流域地形差异），采用双盲测试方法，将模型预测结果与实际观测数据对比，确保模型在各类复杂情况下的准确性和稳定性。例如，在珠江流域试点应用中，模型提前72小时预测洪峰，准确率达89%。04模型验证的详细过程与结果评估模型验证过程包括数据准备、参数率定、模拟运行和结果分析。通过对比预测值与实测值的误差（如洪峰流量误差、水位误差），采用决定系数、均方根误差等指标评估模型性能。如某山区水库AI模型将传统模型响应时间从45分钟缩短至2.1小时，溃坝风险预警准确率显著提升。水资源智能管理与调度03数据驱动的水资源评价体系传统水资源评价的局限性传统水资源评价方法依赖大量人力和时间，且结果易受专业人员经验和主观判断影响，难以高效、客观地处理复杂水资源状况。AI赋能下的自动化评价实现人工智能技术通过对海量水资源相关数据的分析和学习，能够实现自动化的水资源评价，得出更准确和客观的结果，为水利工程设计提供科学决策支持。多源数据融合的评价维度拓展数据驱动的评价体系整合水文、气象、地质、用水需求等多源数据，利用机器学习算法深入挖掘数据价值，可全面评估水资源分布状况、储量、质量及未来趋势。水库智能调度优化算法

01传统调度模式的局限性传统水库调度依赖人工经验和试错方法，响应慢、效率低，难以应对复杂多变的水文气象条件和多目标优化需求。

02强化学习在水库调度中的应用通过强化学习算法，水库智能体可根据水位、降雨、下游需水等实时数据，动态优化蓄泄方案。如某水库采用强化学习调整闸门开度，年节电超2亿千瓦时。

03多目标优化与智能决策支持AI调度系统能综合考虑防洪、发电、灌溉、生态等多目标，通过智能决策平台实现水资源动态平衡与优化配置，提升水资源利用效率。

04自学习与动态调整能力AI驱动的调度管理系统具备自学习能力，可通过分析历史调度数据和反馈，不断优化调度规则，适应环境变化和需求，增强水利工程的自适应能力。水资源集约节约利用管理智能用水监测与数据分析通过部署智能水表等物联网监测设备，实时采集用水量、水质等数据。利用大数据分析技术挖掘用水规律与优化潜力，如某流域采用SparkMLlib构建调度模型，使水资源利用率提升15%。AI驱动的用水计划与调配方案结合AI算法模型，综合考虑气象、作物需水、工业生产等多因素，制定科学合理的用水计划和动态调配方案。实现按需供水，减少浪费，提升水资源配置效率。智能灌溉系统的应用与节水成效基于土壤湿度传感器、AI图像识别技术，智能灌溉系统可根据作物生长状况和土壤墒情自动调节灌溉量与时间。世界银行报告显示，智慧灌溉技术使农业用水效率提高30%，助力粮食安全。工业用水优化与循环利用AI技术应用于工业用水系统，通过分析生产工艺用水数据，优化用水流程，实现冷却水、工艺水的高效循环利用。减少新鲜水取用量和废水排放量，提升工业用水重复利用率。跨区域水资源协同调控

跨区域协同调控的核心目标旨在解决水资源时空分布不均问题，通过AI技术实现多流域、多部门联合调度，提升水资源利用效率与区域水安全保障能力。

AI驱动的多源数据融合决策整合气象、水文、用水需求等跨区域数据，利用机器学习模型优化水资源配置方案，如某流域采用SparkMLlib构建调度模型，使水资源利用率提升15%。

智能调度算法与协同机制基于强化学习和博弈论，动态平衡各区域用水权益，实现跨流域水库群联合调度。例如，通过纳什均衡约束构建智能体决策模型，提升调度透明度与公平性。

数字孪生与虚拟仿真平台构建跨区域数字孪生流域，模拟不同调度策略下的水文响应，辅助制定应急预案。如山东“智水齐鲁”体系实现洪水调度全流程仿真与多部门协同决策。水利工程安全监测技术04大坝安全智能监测系统

多模态感知技术融合构建"天空地水工"一体化监测体系，整合无人机激光雷达、地面传感器阵列及坝体内部传感网络，实现对水位、渗压、形变等20余种参数的实时采集，如大藤峡水利枢纽布设4000余个监测点，仪器完好率达99.8%。

AI驱动的异常识别与预警采用物理信息神经网络（如PI-RGSM模型）对渗流数据进行分析，分钟级定位异常渗流信号，识别准确率超95%；结合智能问答模块与多终端预警机制，实现"无人值守、有人监管"的远程全域管控模式。

数字孪生与可视化管理通过数字孪生技术构建大坝三维虚拟镜像，融合GIS空间数据与AI模型预测结果，实时映射坝体运行状态；支持浏览器与移动端访问，关键数据可视化呈现，如当前水位、校核水位及安全评估报告。

工程应用与效益提升三峡大坝部署AI监测平台后，缺陷识别率提升至95%，预警时间缩短至1小时内；湖北智慧水库综合管理平台对全省6700多座水库进行24小时巡查，实现安全隐患"早发现、早处置"，事故率下降30%。技术定义与核心组成水利设施健康监测可视化是利用摄像头、传感器、AI算法等技术，对大坝、闸门等重点水利工程进行实时图像采集、智能分析及图形化展示的综合系统，核心包括图像采集层、AI识别层和可视化预警层。相比传统巡检的技术优势AI图像识别实现全天候监测，不受昼夜天气影响；能检测到毫米级裂缝、轻微变形等微小缺陷；自动化处理减少人工干预，数据可追溯，支持固定摄像头、无人机等多种采集方式。关键技术实施路径明确监测目标与布设点位，建立基于YOLO、MaskR-CNN等算法的AI识别模型，搭建集成GIS地图的可视化预警平台，设定报警规则与用户权限，上线后持续收集新样本更新模型。典型应用场景与成效罗湖区梧桐山河碧道部署“鸿蒙+AI”智慧监控系统，运行首周成功识别预警涉水违规行为70余起，排除安全隐患10余条，异常事件处置效率提升2倍以上。AI图像识别在设施健康监测中的应用声纹AI监测技术与设备状态评估

声纹AI监测技术的核心原理声纹AI监测技术基于声学特征识别，通过分析水利设备运行时的声音信号，提取频谱、时域等关键特征，结合深度学习模型实现设备状态的非接触式实时监测，弥补传统接触式传感器和人工听诊的不足。

声纹AI监测系统的架构组成系统主要由声音采集模块（多通道麦克风阵列、噪声模型建模）、声纹特征提取模块（频谱分析、时域特征提取、深度学习模型）和样本库积累模块（数据采集方案设计、预处理与标注算法）构成，确保监测的准确性与稳定性。

设备状态评估的关键应用场景声纹AI监测技术可有效应用于水利工程中水泵、闸门、发电机组等关键设备的状态评估，通过识别设备异常声音特征，实现故障的早期预警与诊断，提升设备维护效率和工程运行安全性。

声纹AI技术的显著优势相比传统监测方式，声纹AI技术具有非接触式安装、全天候实时监测、不依赖人工经验、能优先发现潜在故障等优势，特别适用于恶劣运行环境下的水利设备状态监测与评估。结构故障诊断与预测模型

基于机器学习的故障诊断算法通过随机森林、支持向量机等算法分析大坝、堤防等结构的监测数据，如变形、渗流等参数，实现对裂缝、渗漏等故障的自动识别，准确率可达95%以上。

深度学习驱动的性能退化预测利用LSTM、Transformer等深度学习模型，结合历史运行数据和环境因素，构建水利工程结构性能退化模型，可提前数周甚至数月预测潜在故障风险，为维修养护提供决策支持。

多源数据融合的预警机制整合传感器监测数据、图像识别结果、气象水文信息等多源数据，通过数据融合技术提升故障诊断与预测的可靠性，实现从被动响应到主动预警的转变，如某山区水库提前2.1小时预测到溃坝风险。智慧水利关键技术融合05数字孪生技术在水利工程中的应用

物理世界与数字镜像的实时映射数字孪生技术通过构建水利工程物理实体的虚拟镜像，实现对其运行状态的实时监测和模拟分析，如山东“智水齐鲁”体系中，大模型与数字孪生流域的融合实现了洪水调度的全流程仿真。

“预报—预警—预演—预案”闭环构建数字孪生技术通过虚实交互推演，构建“预报—预警—预演—预案”闭环，优化跨流域调度效能，为防洪减灾、水资源调配等提供科学决策支持。

工程全生命周期管理的集成应用数字孪生技术集成应用于水利工程规划、设计、施工、运维及退役的全生命周期管理，实现工程建设与运行管理的精细化、智能化，提升工程整体管理水平。

多源数据融合与可视化决策支持融合水文、气象、地质、工程结构等多源数据，结合GIS技术，在数字孪生平台上直观可视化展示工程状态、洪水演进、淹没范围等，为管理人员提供直观、高效的决策支持。物联网与边缘计算协同架构

“云-边-端”一体化架构设计依托开源鸿蒙等操作系统，搭建端侧智能感知、边缘实时计算、云端全局监控的协同架构。如罗湖区梧桐山河碧道系统，通过本地化智能决策减少数据传输需求，降低网络带宽占用，确保数据处理高效与低延迟。

边缘节点的实时数据处理功能边缘节点部署AI简化模型，执行实时判断任务，如水位阈值检测、异常行为识别等。例如某山区水库边缘计算节点，将洪水模拟响应时间从45分钟缩短至2.1小时，实现“秒级识别—分钟响应”。

云端AI的深度分析与全局优化云端运行完整AI模型，负责深度数据分析、长期趋势预测及跨区域协同调度。如湖北智慧水库综合管理平台，云端AI对全省6700多座水库的雨水情、渗流等数据进行全局分析，生成“健康报告”并优化调度策略。

多源异构数据的融合传输机制整合空基（卫星、无人机）、地基（传感器、摄像头）、水工（坝体传感器阵列）等多源数据，通过标准化接口实现高效传输与融合。珠江水利委员会在大藤峡水利枢纽布设4000多个监测点，仪器完好率达99.8%，保障数据可靠采集与传输。GIS与AI融合的空间分析技术GIS空间数据与AI算法的集成架构GIS技术为AI提供空间数据支撑，AI算法增强GIS分析能力，二者融合构建“数据-模型-决策”完整链路，实现水利要素的空间化与智能化分析。AI增强的空间模式识别与预测AI算法（如深度学习、机器学习）深度挖掘GIS空间数据，识别水文地质、水质、淹没范围等复杂空间模式，提升洪水演进、旱情分布等预测的准确性。基于GIS与AI的水利场景可视化应用结合GIS的地理信息展示与AI的分析结果，实现淹没范围模拟、流域态势呈现等可视化，为管理人员提供直观的空间决策支持，如动态展示洪水淹没水深分布。数字孪生流域中的GIS与AI协同在数字孪生流域构建中，GIS提供三维虚拟场景基础，AI模型实现预测结果与物理实体的实时映射，如山东“智水齐鲁”体系融合大模型与数字孪生，实现洪水调度全流程仿真。水利大模型与知识图谱构建

水利大模型的本地化部署与训练湖北省水利水电科学研究院成功完成国产人工智能大模型DeepSeek的本地化部署，通过投喂水利标准规范、期刊文献、政策文件等优质数据，构建水利行业知识库、标准库、法规库、顶层方案库，让AI更“懂”水利业务。

水利标准AI大模型的架构设计水利部组织研发的“水利标准AI大模型”，基于“SkyLIM”体系采用“海量知识库+双模型+标准服务”架构，推动AI算法在水利领域的标准化应用，提升模型的可解释性和泛化能力。

知识图谱与大模型的混合搜索能力通过持续提高大模型与知识图谱混合搜索能力，以荆楚水库平台为切入点，实现AI与水利业务功能的智能交互，利用大模型完善数据管理体系，加强数字孪生技术与人工智能技术融合应用。

水利知识图谱的核心内容与价值水利知识图谱整合了水文气象数据、工程结构数据、监测传感数据、标准规范、政策文件等多源信息，为AI模型提供结构化的知识支撑，提升智能决策支持的精准度和可靠性，助力从“经验驱动”向“数据驱动”转变。典型应用案例分析06“智慧长江”全流域管理平台中国国家水利部推出的“智慧长江”项目已覆盖全流域，利用卫星遥感和物联网设备，预测洪水精度提升至95%，每年减少经济损失超百亿元。珠江流域AI防洪模型应用2026年珠江流域试点应用AI防洪模型，通过全尺度模拟与双盲测试，实现了洪水预报精度提升和灾害损失的有效降低，为流域防洪提供了有力支持。湖北智慧水库综合管理平台湖北智慧水库综合管理平台实时监测雨水情、渗流、渗压、形变等多项数据，24小时巡查并“诊断”全省6700多座水库的“健康报告”，提升水库管理智能化水平。山东“智水齐鲁”数字孪生体系山东“智水齐鲁”体系中，大模型与数字孪生流域的融合实现了洪水调度的全流程仿真，通过虚实交互推演，优化跨流域调度效能，提升防洪决策科学性。流域级智慧水利平台实践城市水务AI监管系统应用

智能水质监测系统基于AI技术的智能水质监测系统通过传感器网络实时感知pH值、溶解氧、浊度等水质参数，结合数据分析和模型建立，提供实时监测和预警，改变传统人工采样和实验室分析费时费力且不够实时的状况，保障城市水供水质安全。

智能水量控制系统利用AI技术建立智能水量控制系统，通过智能水表和传感器网络监测各个供水点水量，结合数据分析和模型实现智能控制与监测，自动识别异常用水行为并提醒用户合理用水，以达到节水和保护水资源的目的，提升传统水量控制效率。

智能污水处理系统AI技术应用于智能污水处理系统，通过传感器网络实时监测污水处理厂各环节，结合数据分析和模型实现对处理过程的实时监测和优化控制，自动识别污水中有害物质并控制处理设备，提高处理效率和减少资源消耗，推动城市污水处理智能化。

AI智慧监管平台如金华市推动在建水利工程接入“金华市建设工程智慧管理平台”，以AI智能识别等技术实现低成本快速落地，动态监管人的不安全行为，构建覆盖安全、质量、进度的智能化监管体系，实现从人工巡查向智能感知、被动处置向主动预警转变。农村水利智能化改造案例

智能灌溉系统提升用水效率某省采用Java+TensorFlow构建预测系统，结合智能传感器和AI算法，实现根据作物需水量和土壤湿度自动调节灌溉量，使农业用水效率提升15%。农村小流域智能山洪预警小流域辐射预警模型与卫星联动，智慧监测“哨兵”实现对山洪灾害的精准预警，提前预警时间从传统的2小时提升至6小时，有效保障农村地区生命财产安全。智慧泵站无人值守与远程控制基于PLC的水闸智能监控系统，结合物联网网关，实现农村泵站的实时监测、数据记录、异常报警及远程控制，构建动态调控、远程运维的智慧水利体系，降低人工成本，提高运行效率。农村饮水安全智能监测智能水质监测系统通过传感器网络实时感知农村饮水工程的水质参数，如pH值、溶解氧、浊度等，结合AI数据分析，实现水质异常自动预警，保障农村居民饮水安全。国际智慧水利项目借鉴美国NASA洪水预测系统美国NASA开发的AI洪水预测系统，通过深度学习算法分析卫星图像，实现了对洪水的精准预测，提前72小时准确率达89%。科罗拉多河流域AI调度系统在美国科罗拉多河流域，2024年实施的AI调度系统将农业灌溉用水效率提高了20%，年节约水量达5亿立方米。澳大利亚墨累-达令盆地干旱预测模型在澳大利亚墨累-达令盆地，2024年项目利用机器学习模型预测干旱发生概率，准确率达85%，帮助farmers提前调整种植计划。技术挑战与发展对策07数据采集环节的短板水文数据采集存在三大短板，如洞庭湖水文监测现状显示，传感器数据缺失率可达23%，影响AI模型输入的准确性与完整性。多源数据融合的技术挑战水利数据来源多样（水文、气象、遥感等），存在格式不一、标准各异问题，多源数据融合的技术架构复杂，需解决数据异构性难题。数据治理与标准化体系建设需建立水利元数据标准（如GB/T51027-2024），通过数据清洗、转换和集成，构建统一的数据资源池，确保数据的准确性、完整性和一致性。数据质量与标准化问题算法可解释性与伦理风险黑箱模型决策风险AI模型如深度学习的“黑箱”特性，可能导致5起调度失误等问题，降低决策透明度与可信度，影响水利工程关键决策的可靠性。数据隐私与安全挑战水利监测涉及海量水文、地理等敏感数据，数据采集与共享过程中存在隐私泄露风险，需平衡技术应用与数据安全保护。算法偏见与公平性问题训练数据若存在区域或历史偏差，可能导致AI模型在水资源分配、灾害预警等方面产生不公平结果，影响水利服务的普惠性。可解释性技术应用探索基于LIME等可解释性设计，可提升AI决策透明度达40%，帮助工程师理解模型推理过程，增强对水利AI系统的信任与监管能力。跨部门协同机制构建政策法规与标准统一建立统一的水利元数据标准（如GB/T51027-2024），