AI memberikan peluang baru di berbagai bidang, mulai dari bisnis hingga desain industri hingga hiburan. Tapi bagaimana dengan teknik sipil dan tata kota? Bagaimana machine- dan deep-learning dapat membantu kita menciptakan lingkungan binaan yang lebih aman, lebih berkelanjutan, dan tangguh?
Sebuah tim peneliti dari NSF NHERI SimCenter, pusat pemodelan dan simulasi komputasi untuk rekayasa bahaya alam berbasis komunitas di University of California, Berkeley, telah mengembangkan seperangkat alat yang disebut BRAILS — Membangun Pengakuan menggunakan AI dalam Skala Besar — yang dapat secara otomatis mengidentifikasi karakteristik bangunan di kota dan bahkan mendeteksi risiko yang akan dihadapi struktur kota dalam gempa bumi, badai, atau tsunami.
Charles (Chaofeng) Wang, seorang peneliti postdoctoral di University of California, Berkeley, dan pengembang utama BRAILS, mengatakan bahwa proyek tersebut tumbuh dari kebutuhan untuk mengkarakterisasi struktur di kota dengan cepat dan andal.
"Kami ingin mensimulasikan dampak bahaya pada semua bangunan di suatu wilayah, tetapi kami tidak memiliki deskripsi atribut bangunan," kata Wang. “Misalnya di kawasan Teluk San Francisco, ada jutaan bangunan. Dengan menggunakan AI, kami dapat memperoleh informasi yang dibutuhkan. Kami dapat melatih model jaringan neural untuk menyimpulkan informasi bangunan dari gambar dan sumber data lainnya. ”
BRAILS menggunakan pembelajaran mesin, pembelajaran mendalam, dan visi komputer untuk mengekstrak informasi tentang lingkungan buatan. Ini dibayangkan sebagai alat bagi arsitek, insinyur, dan profesional perencanaan untuk merencanakan, merancang, dan mengelola bangunan dan sistem infrastruktur dengan lebih efisien.
SimCenter baru-baru ini merilis BRAILS versi 2.0 yang mencakup modul untuk memprediksi spektrum karakteristik bangunan yang lebih besar. Ini termasuk kelas hunian (komersial, keluarga tunggal, atau multi-keluarga), jenis atap (datar, runcing, atau berpinggul), ketinggian pondasi, tahun dibangun, jumlah lantai, dan apakah bangunan memiliki "lantai lunak" - istilah teknik sipil untuk struktur yang mencakup lantai dasar dengan bukaan besar (seperti etalase toko) yang mungkin lebih rentan runtuh selama gempa bumi.
Kerangka kerja BRAILS dasar yang dikembangkan oleh Wang dan kolaboratornya secara otomatis mengekstrak informasi bangunan dari satelit dan gambar permukaan tanah yang diambil dari Google Maps dan menggabungkannya dengan data dari beberapa sumber, seperti Microsoft Footprint Data dan OpenStreetMap — sebuah proyek kolaboratif untuk membuat yang dapat diedit gratis peta Dunia. Kerangka kerja ini juga menyediakan opsi untuk menggabungkan data ini dengan catatan pajak, survei kota, dan informasi lainnya, untuk melengkapi komponen visi komputer.
“Mengingat pentingnya simulasi regional dan kebutuhan akan data inventaris yang besar untuk menjalankannya, pembelajaran mesin benar-benar satu-satunya pilihan untuk membuat kemajuan,” kata Penyelidik Utama SimCenter dan wakil direktur Sanjay Govindjee. “Sangat menarik melihat insinyur sipil mempelajari teknologi baru ini dan menerapkannya pada masalah dunia nyata.”
Memanfaatkan kekuatan crowdsourcing
Baru-baru ini, SimCenter meluncurkan proyek di portal web ilmu warga, Zooniverse, untuk mengumpulkan data berlabel tambahan. Proyek, yang disebut “Detektif Bangunan untuk Kesiapsiagaan Bencana,” memungkinkan publik untuk mengidentifikasi fitur arsitektur tertentu dari struktur, seperti atap, jendela, dan cerobong asap. Label ini akan digunakan untuk melatih modul ekstraksi fitur tambahan.
“Kami meluncurkan proyek Zooniverse pada Maret dan dalam beberapa minggu kami memiliki seribu sukarelawan, dan 20,000 gambar dijelaskan,” kata Wang.
Karena tidak ada sumber data yang lengkap atau sepenuhnya akurat, BRAILS melakukan penyempurnaan data menggunakan metode logis dan statistik untuk mengisi kekosongan. Itu juga menghitung ketidakpastian untuk perkiraannya.
Setelah mengembangkan dan menguji keakuratan modul ini secara individual, tim menggabungkannya untuk membuat alat CityBuilder di dalam BRAILS. Memasukkan kota atau wilayah tertentu ke CityBuilder dapat secara otomatis menghasilkan karakterisasi setiap struktur di wilayah geografis tersebut.
Wang dan kolaboratornya melakukan serangkaian demonstrasi validasi, atau yang mereka sebut, testbeds, untuk menentukan keakuratan model yang diturunkan dari AI. Setiap testbed menghasilkan inventaris struktur dan mensimulasikan dampak bahaya berdasarkan peristiwa historis atau yang masuk akal.
Tim telah membuat testbed untuk gempa bumi di San Francisco; dan badai di Danau Charles, Louisiana, pantai Texas, dan Atlantic City, New Jersey.
"Tujuan kami ada dua," kata Wang. “Pertama, mengurangi kerusakan di masa depan dengan melakukan simulasi dan memberikan hasil kepada pengambil keputusan dan kebijakan. Dan kedua, menggunakan data ini untuk segera menyimulasikan skenario nyata — langsung mengikuti peristiwa baru, sebelum tim pengintai dikerahkan. Kami berharap hasil simulasi yang mendekati waktu nyata dapat membantu memandu tanggap darurat dengan lebih akurat. ”
Tim mempresentasikan testbed untuk Hurricane Laura (2020), badai terkuat yang menghantam daratan di Louisiana, pada Lokakarya 2021 tentang SHared Operational Research Logistics in the Nearshore Environment (SHORELINE21).
"Untuk beberapa model, seperti hunian, kami melihat keakuratannya mendekati 100%," kata Wang saat ditanya tentang performa BRAILS. “Untuk modul lain, seperti tipe atap, kami melihat akurasi 90%.”
Sumber daya komputasi
Untuk melatih modul BRAILS dan menjalankan simulasi, para peneliti menggunakan superkomputer di Texas Advanced Computing Center (TACC) —terutama Frontera, superkomputer akademik tercepat di dunia, dan Maverick 2, sistem berbasis GPU yang dirancang untuk pembelajaran mendalam.
“Untuk satu model, pelatihan bisa selesai dalam beberapa jam, tapi ini tergantung pada jumlah gambar, jumlah GPU, kecepatan pembelajaran, dll,” jelas Wang.
TACC, seperti SimCenter, adalah mitra yang didanai dalam program NSF NHERI. TACC merancang dan memelihara DesignSafe-CI (Cyberinfrastructure) —sebuah platform untuk komputasi, analisis data, dan alat yang digunakan oleh peneliti bahaya alam.
“Proyek ini adalah contoh yang bagus tentang bagaimana komputasi canggih melalui DesignSafe dapat memungkinkan jalan baru penelitian bahaya alam dan alat baru, dengan banyak komponen NHERI bekerja sama,” kata Ellen Rathje, profesor teknik sipil di The University of Texas di Austin dan peneliti utama dari proyek DesignSafe.
BRAILS / CityBuilder dirancang untuk bekerja secara mulus dengan alat Penentuan Ketahanan Regional (R2D) SimCenter. R2D adalah antarmuka pengguna grafis untuk kerangka aplikasi SimCenter untuk mengukur dampak regional dari bahaya alam. Keluarannya mencakup status kerusakan dan rasio kerugian — persentase biaya perbaikan bangunan terhadap nilai penggantiannya — dari setiap bangunan di seluruh kota atau wilayah dan tingkat keyakinan dalam prediksi.
“Simulasi peristiwa bahaya — menerapkan medan angin atau getaran tanah pada ribuan atau jutaan bangunan untuk menilai dampak badai atau gempa bumi — membutuhkan banyak sumber daya dan waktu komputasi,” kata Wang. “Untuk satu kota simulasi, bergantung pada ukurannya, biasanya perlu waktu berjam-jam untuk berjalan di TACC. ”
TACC adalah lingkungan yang ideal untuk penelitian ini, kata Wang. Ini memberikan sebagian besar komputasi yang dibutuhkan timnya. “Bekerja pada proyek NSF yang terkait dengan DesignSafe, saya dapat menghitung hampir tanpa batasan. Itu mengagumkan."
dampak
Untuk membuat komunitas kita lebih tahan terhadap bahaya alam, kita perlu mengetahui tingkat kerusakan yang akan kita alami di masa depan, untuk memberi tahu penduduk dan pembuat kebijakan tentang apakah akan memperkuat bangunan atau memindahkan orang ke tempat lain.
"Itulah yang dapat diberikan simulasi dan pemodelan," kata Wang. “Semuanya untuk menciptakan lingkungan binaan yang lebih tangguh.”