La IA ofrece nuevas oportunidades en una variedad de campos, desde los negocios hasta el diseño industrial y el entretenimiento. Pero, ¿qué hay de la ingeniería civil y la planificación urbana? ¿Cómo pueden ayudarnos el aprendizaje profundo y la máquina a crear entornos construidos más seguros, sostenibles y resilientes?
Un equipo de investigadores del NSF NHERI SimCenter, centro de modelado y simulación computacional para la comunidad de ingeniería de peligros naturales con sede en la Universidad de California, Berkeley, ha desarrollado un conjunto de herramientas llamado BRAILS — Reconocimiento de edificios usando IA a gran escala — puede identificar automáticamente las características de los edificios de una ciudad e incluso detectar los riesgos que las estructuras de una ciudad enfrentarían en caso de terremoto, huracán o tsunami.
Charles (Chaofeng) Wang, investigador postdoctoral en la Universidad de California, Berkeley, y desarrollador principal de BRAILS, dice que el proyecto surgió de la necesidad de caracterizar de manera rápida y confiable las estructuras en una ciudad.
“Queremos simular el impacto de los peligros en todos los edificios de una región, pero no tenemos una descripción de los atributos del edificio”, dijo Wang. “Por ejemplo, en el área de la Bahía de San Francisco, hay millones de edificios. Al usar la IA, podemos obtener la información necesaria. Podemos entrenar modelos de redes neuronales para inferir información de edificios a partir de imágenes y otras fuentes de datos ".
BRAILS utiliza el aprendizaje automático, el aprendizaje profundo y la visión por computadora para extraer información sobre el entorno construido. Se concibe como una herramienta para que arquitectos, ingenieros y profesionales de la planificación planifiquen, diseñen y administren edificios y sistemas de infraestructura de manera más eficiente.
SimCenter lanzó recientemente la versión 2.0 de BRAILS, que incluye módulos para predecir un espectro más amplio de características del edificio. Estos incluyen la clase de ocupación (comercial, unifamiliar o multifamiliar), tipo de techo (plano, a dos aguas o a cuatro aguas), elevación de los cimientos, año de construcción, número de pisos y si un edificio tiene un "piso suave" un término de ingeniería civil para estructuras que incluyen plantas bajas con grandes aberturas (como escaparates) que pueden ser más propensas a colapsar durante un terremoto.
El marco básico de BRAILS desarrollado por Wang y sus colaboradores extrae automáticamente la información del edificio de imágenes satelitales y a nivel del suelo extraídas de Google Maps y las fusiona con datos de varias fuentes, como Microsoft Footprint Data y OpenStreetMap, un proyecto colaborativo para crear un archivo editable gratuito. mapa del mundo. El marco también brinda la opción de fusionar estos datos con registros de impuestos, encuestas de la ciudad y otra información, para complementar el componente de visión por computadora.
"Dada la importancia de las simulaciones regionales y la necesidad de grandes datos de inventario para ejecutarlas, el aprendizaje automático es realmente la única opción para avanzar", señaló el investigador principal y codirector de SimCenter, Sanjay Govindjee. "Es emocionante ver a los ingenieros civiles aprender estas nuevas tecnologías y aplicarlas a problemas del mundo real".
Aprovechando el poder del crowdsourcing
Recientemente, SimCenter lanzó un proyecto en el portal web de ciencia ciudadana, Zooniverse, para recopilar datos etiquetados adicionales. El proyecto, llamado “Detective de edificios para la preparación para desastres”, permite al público identificar características arquitectónicas específicas de estructuras, como techos, ventanas y chimeneas. Estas etiquetas se utilizarán para entrenar módulos de extracción de características adicionales.
“Lanzamos el proyecto Zooniverse en marzo y en un par de semanas tuvimos mil voluntarios y 20,000 imágenes anotadas”, dijo Wang.
Dado que ninguna fuente de datos es completa o totalmente precisa, BRAILS realiza mejoras de datos utilizando métodos lógicos y estadísticos para llenar los vacíos. También calcula la incertidumbre de sus estimaciones.
Después de desarrollar y probar la precisión de estos módulos individualmente, el equipo los combinó para crear la herramienta CityBuilder dentro de BRAILS. Ingresar una ciudad o región determinada en CityBuilder puede generar automáticamente una caracterización de cada estructura en esa área geográfica.
Wang y sus colaboradores realizaron una serie de demostraciones de validación, o como ellos los llaman, bancos de pruebas, para determinar la precisión de los modelos derivados de la IA. Cada banco de pruebas genera un inventario de estructuras y simula el impacto de un peligro basado en eventos históricos o plausibles.
El equipo ha creado bancos de pruebas para terremotos en San Francisco; y huracanes en Lake Charles, Louisiana, la costa de Texas y Atlantic City, Nueva Jersey.
“Nuestros objetivos son dobles”, dijo Wang. “Primero, mitigar el daño en el futuro haciendo simulaciones y proporcionando resultados a los responsables de la toma de decisiones y políticas. Y, en segundo lugar, utilizar estos datos para simular rápidamente un escenario real, siguiendo instantáneamente un nuevo evento, antes de que se despliegue el equipo de reconocimiento. Esperamos que los resultados de la simulación casi en tiempo real puedan ayudar a orientar la respuesta de emergencia con mayor precisión ".
El equipo presentó un banco de pruebas para el huracán Laura (2020), el huracán más fuerte que tocó tierra en Luisiana, en el Taller de 2021 sobre logística de investigación operativa compartida en el entorno costero (SHORELINE21).
"Para algunos modelos, como la ocupación, estamos viendo que la precisión es cercana al 100%", dijo Wang cuando se le preguntó sobre el desempeño de BRAILS. "Para otros módulos, como el tipo de techo, estamos viendo un 90% de precisión".
Recursos computacionales
Para entrenar los módulos BRAILS y ejecutar las simulaciones, los investigadores utilizaron supercomputadoras en el Centro de Computación Avanzada de Texas (TACC), notablemente Frontera, la supercomputadora académica más rápida del mundo, y Maverick 2, un sistema basado en GPU diseñado para el aprendizaje profundo.
“Para un modelo, el entrenamiento podría terminarse en unas pocas horas, pero esto depende de la cantidad de imágenes, la cantidad de GPU, la tasa de aprendizaje, etc.”, explicó Wang.
TACC, como SimCenter, es un socio financiado en el programa NSF NHERI. TACC diseñó y mantiene DesignSafe-CI (Cyberinfrastructure), una plataforma para el cálculo, el análisis de datos y las herramientas utilizadas por los investigadores de amenazas naturales.
"Este proyecto es un gran ejemplo de cómo la informática avanzada a través de DesignSafe puede permitir nuevas vías de investigación de peligros naturales y nuevas herramientas, con muchos componentes de NHERI trabajando juntos", dijo Ellen Rathje, profesora de ingeniería civil en la Universidad de Texas en Austin y investigador principal del proyecto DesignSafe.
BRAILS / CityBuilder está diseñado para funcionar a la perfección con la herramienta de determinación de resiliencia regional (R2D) de SimCenter. R2D es una interfaz gráfica de usuario para el marco de la aplicación SimCenter para cuantificar el impacto regional de los peligros naturales. Sus resultados incluyen el estado de daño y la tasa de pérdida (el porcentaje del costo de reparación de un edificio con respecto a su valor de reemplazo) de cada edificio en toda una ciudad o región y el grado de confianza en la predicción.
“Las simulaciones de eventos de riesgo —aplicar campos de viento o sacudidas del suelo a miles o millones de edificios para evaluar el impacto de un huracán o terremoto— requieren muchos recursos informáticos y tiempo”, dijo Wang. "Para una ciudad simulación, según el tamaño, normalmente se necesitan horas para ejecutar con TACC ".
TACC es un entorno ideal para esta investigación, dice Wang. Proporciona la mayor parte del cálculo que necesita su equipo. “Al trabajar en proyectos de NSF relacionados con DesignSafe, puedo computar casi sin limitaciones. Es impresionante."
Impactos
Para hacer que nuestras comunidades sean más resistentes a los peligros naturales, necesitamos saber qué nivel de daño tendremos en el futuro, para informar a los residentes y a los legisladores sobre si fortalecer los edificios o trasladar a las personas a otros lugares.
"Eso es lo que la simulación y el modelado pueden proporcionar", dijo Wang. "Todo para crear un entorno construido más resistente".