Abstract Slope deformation prediction is crucial for early warning of slope failure, which can prevent property damage and save human life. Existing predictive models focus on predicting the displacement of a single monitoring point based on time series data, without considering spatial correlations among monitoring points, which makes it difficult to reveal the displacement changes in the entire monitoring system and ignores the potential threats from nonselected points. To address the above problem, this paper presents a novel deep learning method for predicting the slope deformation, by considering the spatial correlations between all points in the entire displacement monitoring system. The essential idea behind the proposed method is to predict the slope deformation based on the global information (i.e., the correlated displacements of all points in the entire monitoring system), rather than based on the local information (i.e., the displacements of a specified single point in the monitoring system). In the proposed method, (1) a weighted adjacency matrix is built to interpret the spatial correlations between all points, (2) a feature matrix is assembled to store the time-series displacements of all points, and (3) one of the state-of-the-art deep learning models, i.e., T-GCN, is developed to process the above graph-structured data consisting of two matrices. The effectiveness of the proposed method is verified by performing predictions based on a real dataset. The proposed method can be applied to predict time-dependency information in other similar geohazard scenarios, based on time-series data collected from multiple monitoring points.

The quick and accurate measurement and evaluation of the deterioration degree and consolidation effectiveness on the surface of masonry relics is valuable for disease investigation and restoration work. However, there is still a lack of quantitative indices for evaluating the deterioration degree and consolidation effectiveness of masonry relics in situ. Based on the micro-drilling resistance method, new quantitative evaluation indices for the deterioration degree and consolidation of masonry materials were proposed. Five types of masonry samples with different deterioration degrees were prepared by artificially accelerated deterioration tests involving sandstone and clay brick as research objects. Three types of consolidants were used to consolidate the deteriorated samples. Drilling resistance tests were conducted for deteriorated and consolidated samples. The variations in deterioration depth and average drilling resistance for samples with different numbers of deterioration cycles were analysed, while the differences in consolidation depth and average drilling resistance for samples with different consolidant types and dosages were compared. Finally, the deterioration degree index (

The construction field currently suffers from low productivity, a lack of expertise among practitioners, weak innovation, and lack of predictability. The digital twin, an advanced digital technology, empowers the construction sector to advance towards intelligent construction and digital transformation. It ultimately aims for highly accurate digital simulation to achieve comprehensive optimization of all phases of a construction project. Currently, the process of digital twin applications is facing challenges such as poor data quality, the inability to harmonize types that are difficult to integrate, and insufficient data security. Further research on the application of digital twins in the construction domain is still needed to accelerate the development of digital twins and promote their practical application. This paper analyzes the commonly used architectures for digital twins in the construction domain in the literature and summarizes the commonly used technologies to implement the architectures, including artificial intelligence, machine learning, data mining, cyber–physical systems, internet of things, virtual reality, augmented reality applications, and considers their advantages and limitations. The focus of this paper is centered on the application of digital twins in the entire lifecycle of a construction project, which includes the design, construction, operation, maintenance, demolition and restoration phases. Digital twins are mainly moving towards the integration of data and information, model automation, intelligent system control, and data security and privacy. Digital twins present data management and integration challenges, privacy and security protection, technical manpower development, and transformation needs. Future research should address these challenges by improving data quality, developing robust integration methodologies, and strengthening data security measures.