AI bietet neue Möglichkeiten in einer Reihe von Bereichen, von Business über Industriedesign bis hin zu Unterhaltung. Aber wie wäre es mit Tiefbau und Stadtplanung? Wie kann maschinelles und tiefes Lernen uns helfen, sicherere, nachhaltigere und belastbarere gebaute Umgebungen zu schaffen?
Ein Forscherteam des NSF NHERI SimCenter, eines Computermodellierungs- und Simulationszentrums für die Naturgefahren-Engineering-Community an der University of California in Berkeley, hat eine Reihe von Tools namens BRAILS - Gebäudeerkennung mit KI im großen Maßstab - entwickelt kann automatisch Merkmale von Gebäuden in einer Stadt identifizieren und sogar die Risiken erkennen, denen die Strukturen einer Stadt bei einem Erdbeben, Hurrikan oder Tsunami ausgesetzt sind.
Charles (Chaofeng) Wang, Postdoktorand an der University of California in Berkeley und Hauptentwickler von BRAILS, sagte, das Projekt sei aus dem Bedürfnis heraus entstanden, die Strukturen in einer Stadt schnell und zuverlässig zu charakterisieren.
„Wir möchten die Auswirkungen von Gefahren auf alle Gebäude in einer Region simulieren, haben jedoch keine Beschreibung der Gebäudeattribute“, sagte Wang. „In der San Francisco Bay gibt es beispielsweise Millionen von Gebäuden. Mit AI können wir die benötigten Informationen erhalten. Wir können neuronale Netzwerkmodelle trainieren, um Gebäudeinformationen aus Bildern und anderen Datenquellen abzuleiten. “
BRAILS verwendet maschinelles Lernen, Deep Learning und Computer Vision, um Informationen über die gebaute Umgebung zu extrahieren. Es ist als Werkzeug für Architekten, Ingenieure und Planungsfachleute gedacht, um Gebäude und Infrastruktursysteme effizienter zu planen, zu entwerfen und zu verwalten.
Das SimCenter hat kürzlich die BRAILS-Version 2.0 veröffentlicht, die Module zur Vorhersage eines größeren Spektrums von Gebäudeeigenschaften enthält. Dazu gehören die Nutzungsklasse (gewerblich, Einfamilienhaus oder Mehrfamilienhaus), der Dachtyp (flach, giebelig oder hüpfend), die Fundamenthöhe, das Baujahr, die Anzahl der Stockwerke und die Frage, ob ein Gebäude eine „weiche Geschichte“ hat. Ein Begriff aus dem Tiefbau für Bauwerke, die Erdgeschosse mit großen Öffnungen (wie Schaufenster) umfassen, die während eines Erdbebens anfälliger für einen Zusammenbruch sind.
Das von Wang und seinen Mitarbeitern entwickelte grundlegende BRAILS-Framework extrahiert automatisch Gebäudeinformationen aus Satelliten- und Bodenbildern, die aus Google Maps stammen, und führt diese mit Daten aus verschiedenen Quellen zusammen, z. B. Microsoft Footprint Data und OpenStreetMap - ein Gemeinschaftsprojekt zur Erstellung eines kostenlosen bearbeitbaren Projekts Weltkarte. Das Framework bietet auch die Möglichkeit, diese Daten mit Steuerunterlagen, Stadterhebungen und anderen Informationen zu verschmelzen, um die Computer-Vision-Komponente zu ergänzen.
"Angesichts der Bedeutung regionaler Simulationen und der Notwendigkeit großer Bestandsdaten, um diese auszuführen, ist maschinelles Lernen wirklich die einzige Option, um Fortschritte zu erzielen", bemerkte SimCenter Principal Investigator und Co-Direktor Sanjay Govindjee. "Es ist aufregend zu sehen, wie Bauingenieure diese neuen Technologien lernen und sie auf reale Probleme anwenden."
Crowdsourcing-Leistung nutzen
Vor kurzem hat das SimCenter ein Projekt auf dem Citizen Science-Webportal Zooniverse gestartet, um zusätzliche beschriftete Daten zu sammeln. Das Projekt mit dem Titel „Gebäudedetektiv für Katastrophenvorsorge“ ermöglicht es der Öffentlichkeit, bestimmte architektonische Merkmale von Bauwerken wie Dächern, Fenstern und Kaminen zu identifizieren. Diese Beschriftungen werden verwendet, um zusätzliche Module zur Merkmalsextraktion zu trainieren.
"Wir haben das Zooniverse-Projekt im März gestartet und innerhalb weniger Wochen hatten wir tausend Freiwillige und 20,000 kommentierte Bilder", sagte Wang.
Da keine Datenquelle vollständig oder vollständig genau ist, führt BRAILS Datenverbesserungen mithilfe logischer und statistischer Methoden durch, um Lücken zu schließen. Es berechnet auch die Unsicherheit für seine Schätzungen.
Nachdem die Genauigkeit dieser Module einzeln entwickelt und getestet wurde, kombinierte das Team sie, um das CityBuilder-Tool in BRAILS zu erstellen. Durch Eingabe einer bestimmten Stadt oder Region in CityBuilder kann automatisch eine Charakterisierung jeder Struktur in diesem geografischen Gebiet generiert werden.
Wang und seine Mitarbeiter führten eine Reihe von Validierungsdemonstrationen oder Testbetten durch, um die Genauigkeit der von der KI abgeleiteten Modelle zu bestimmen. Jeder Prüfstand erstellt ein Inventar der Strukturen und simuliert die Auswirkungen einer Gefährdung anhand historischer oder plausibler Ereignisse.
Das Team hat Prüfstände für Erdbeben in San Francisco erstellt. und Hurrikane in Lake Charles, Louisiana, der texanischen Küste und Atlantic City, New Jersey.
"Unsere Ziele sind zweifach", sagte Wang. „Erstens, um den Schaden in Zukunft durch Simulationen und die Bereitstellung von Ergebnissen für Entscheidungsträger und politische Entscheidungsträger zu mindern. Und zweitens, um diese Daten zu verwenden, um schnell ein reales Szenario zu simulieren - unmittelbar nach einem neuen Ereignis, bevor das Aufklärungsteam eingesetzt wird. Wir hoffen, dass Simulationsergebnisse in Echtzeit dazu beitragen können, die Notfallreaktion genauer zu steuern. “
Das Team präsentierte auf dem Workshop 2020 über gemeinsame Betriebsforschungslogistik in der Nearshore-Umgebung (SHORELINE2021) ein Testfeld für den Hurrikan Laura (21), den stärksten Hurrikan, der in Louisiana landet.
"Bei einigen Modellen, wie der Belegung, liegt die Genauigkeit bei nahezu 100%", sagte Wang, als er nach der Leistung von BRAILS gefragt wurde. „Bei anderen Modulen wie dem Dachtyp sehen wir eine Genauigkeit von 90%.“
Rechenressourcen
Um die BRAILS-Module zu trainieren und die Simulationen auszuführen, verwendeten die Forscher Supercomputer im Texas Advanced Computing Center (TACC) - insbesondere Frontera, den schnellsten akademischen Supercomputer der Welt, und Maverick 2, ein GPU-basiertes System für Deep Learning.
„Bei einem Modell könnte das Training in wenigen Stunden abgeschlossen sein, dies hängt jedoch von der Anzahl der Bilder, der Anzahl der GPUs, der Lernrate usw. ab“, erklärte Wang.
TACC ist wie das SimCenter ein finanzierter Partner im NSF NHERI-Programm. TACC entwarf und wartet das DesignSafe-CI (Cyberinfrastructure) - eine Plattform für Berechnungen, Datenanalysen und Tools, die von Naturgefahrenforschern verwendet werden.
"Dieses Projekt ist ein großartiges Beispiel dafür, wie fortschrittliches Computing durch DesignSafe neue Wege der Naturgefahrenforschung und neue Werkzeuge ermöglichen kann, wobei viele Komponenten von NHERI zusammenarbeiten", sagte Ellen Rathje, Professorin für Bauingenieurwesen an der University of Texas in Austin und Hauptforscher des DesignSafe-Projekts.
BRAILS / CityBuilder arbeitet nahtlos mit dem R2D-Tool (SimCenter Regional Resilience Determination) zusammen. R2D ist eine grafische Benutzeroberfläche für das SimCenter-Anwendungsframework zur Quantifizierung der regionalen Auswirkungen von Naturgefahren. Zu den Ergebnissen gehören der Schadenszustand und die Verlustquote - der Prozentsatz der Reparaturkosten eines Gebäudes zum Wiederbeschaffungswert - jedes Gebäudes in einer ganzen Stadt oder Region sowie der Grad des Vertrauens in die Vorhersage.
"Die Simulation von Gefahrenereignissen - das Anwenden von Windfeldern oder Bodenschütteln auf Tausende oder Millionen von Gebäuden, um die Auswirkungen eines Hurrikans oder Erdbebens zu bewerten - erfordert viel Rechenaufwand und Zeit", sagte Wang. „Für einen in der ganzen Stadt SimulationJe nach Größe dauert die Ausführung auf TACC in der Regel Stunden. “
TACC ist ein ideales Umfeld für diese Forschung, sagt Wang. Es bietet den größten Teil der Berechnungen, die sein Team benötigt. „Wenn ich an NSF-Projekten im Zusammenhang mit DesignSafe arbeite, kann ich fast ohne Einschränkungen rechnen. Es ist toll."
Einfluss hat
Um unsere Gemeinden widerstandsfähiger gegen Naturgefahren zu machen, müssen wir wissen, wie viel Schaden wir in Zukunft anrichten werden, um Anwohner und politische Entscheidungsträger darüber zu informieren, ob Gebäude gestärkt oder Menschen an andere Orte gebracht werden sollen.
"Das ist es, was die Simulation und Modellierung bieten kann", sagte Wang. "Alles, um eine widerstandsfähigere gebaute Umgebung zu schaffen."