L'intelligenza artificiale offre nuove opportunità in una vasta gamma di settori, dal business al design industriale all'intrattenimento. Ma che dire dell'ingegneria civile e dell'urbanistica? In che modo il machine learning e il deep learning possono aiutarci a creare ambienti costruiti più sicuri, sostenibili e resilienti?
Un team di ricercatori del NSF NHERI SimCenter, centro di modellazione e simulazione computazionale per l'ingegneria dei rischi naturali con sede presso l'Università della California, Berkeley, ha sviluppato una suite di strumenti chiamata BRAILS - Building Recognition using AI at Large-Scale - che è in grado di identificare automaticamente le caratteristiche degli edifici in una città e persino rilevare i rischi che le strutture di una città dovrebbero affrontare in caso di terremoto, uragano o tsunami.
Charles (Chaofeng) Wang, ricercatore post-dottorato presso l'Università della California, Berkeley, e sviluppatore principale di BRAILS, afferma che il progetto è nato dalla necessità di caratterizzare in modo rapido e affidabile le strutture di una città.
"Vogliamo simulare l'impatto dei pericoli su tutti gli edifici in una regione, ma non abbiamo una descrizione delle caratteristiche dell'edificio", ha detto Wang. “Ad esempio, nell'area della Baia di San Francisco, ci sono milioni di edifici. Utilizzando l'IA, siamo in grado di ottenere le informazioni necessarie. Possiamo addestrare modelli di rete neurale per dedurre informazioni sugli edifici da immagini e altre fonti di dati ".
BRAILS utilizza l'apprendimento automatico, l'apprendimento profondo e la visione artificiale per estrarre informazioni sull'ambiente costruito. È concepito come uno strumento per architetti, ingegneri e professionisti della pianificazione per pianificare, progettare e gestire in modo più efficiente edifici e sistemi infrastrutturali.
Il SimCenter ha recentemente rilasciato BRAILS versione 2.0 che include moduli per prevedere uno spettro più ampio di caratteristiche degli edifici. Questi includono la classe di occupazione (commerciale, unifamiliare o plurifamiliare), il tipo di tetto (piatto, a due spioventi o a padiglione), l'elevazione della fondazione, l'anno di costruzione, il numero di piani e se un edificio ha un "piano morbido" - un termine di ingegneria civile per strutture che includono piani terra con grandi aperture (come vetrine) che possono essere più inclini a crollare durante un terremoto.
Il framework BRAILS di base sviluppato da Wang e dai suoi collaboratori estrae automaticamente le informazioni sugli edifici da immagini satellitari e a livello del suolo tratte da Google Maps e le fonde con i dati di diverse fonti, come Microsoft Footprint Data e OpenStreetMap, un progetto collaborativo per creare un mappa del mondo. Il framework offre anche la possibilità di fondere questi dati con registri fiscali, indagini cittadine e altre informazioni, per integrare la componente di visione artificiale.
"Data l'importanza delle simulazioni regionali e la necessità di dati di inventario di grandi dimensioni per eseguirle, l'apprendimento automatico è davvero l'unica opzione per fare progressi", ha osservato Sanjay Govindjee, Principal Investigator e co-Direttore di SimCenter. "È emozionante vedere ingegneri civili che apprendono queste nuove tecnologie e le applicano a problemi del mondo reale".
Sfruttare il potere del crowdsourcing
Recentemente, il SimCenter ha lanciato un progetto sul portale web di citizen science, Zooniverse, per raccogliere ulteriori dati etichettati. Il progetto, denominato "Building Detective for Disaster Preparedness", consente al pubblico di identificare le caratteristiche architettoniche specifiche delle strutture, come tetti, finestre e camini. Queste etichette verranno utilizzate per addestrare moduli aggiuntivi di estrazione delle funzionalità.
"Abbiamo lanciato il progetto Zooniverse a marzo e in un paio di settimane abbiamo avuto un migliaio di volontari e 20,000 immagini annotate", ha detto Wang.
Poiché nessuna fonte di dati è completa o del tutto accurata, BRAILS esegue miglioramenti dei dati utilizzando metodi logici e statistici per colmare le lacune. Calcola anche l'incertezza per le sue stime.
Dopo aver sviluppato e testato l'accuratezza di questi moduli individualmente, il team li ha combinati per creare lo strumento CityBuilder all'interno di BRAILS. L'inserimento di una data città o regione in CityBuilder può generare automaticamente una caratterizzazione di ogni struttura in quell'area geografica.
Wang ei suoi collaboratori hanno eseguito una serie di dimostrazioni di convalida, o come li chiamano loro, banchi di prova, per determinare l'accuratezza dei modelli derivati dall'intelligenza artificiale. Ogni banco di prova genera un inventario delle strutture e simula l'impatto di un pericolo sulla base di eventi storici o plausibili.
Il team ha creato banchi di prova per i terremoti a San Francisco; e gli uragani a Lake Charles, in Louisiana, sulla costa del Texas e ad Atlantic City, nel New Jersey.
"I nostri obiettivi sono duplici", ha detto Wang. “In primo luogo, mitigare il danno in futuro effettuando simulazioni e fornendo risultati ai responsabili delle decisioni e delle politiche. In secondo luogo, utilizzare questi dati per simulare rapidamente uno scenario reale, immediatamente dopo un nuovo evento, prima che venga schierato il team di ricognizione. Ci auguriamo che i risultati della simulazione quasi in tempo reale possano aiutare a guidare la risposta alle emergenze con maggiore precisione ".
Il team ha presentato un banco di prova per l'uragano Laura (2020), l'uragano più forte ad approdare in Louisiana, al seminario 2021 sulla logistica della ricerca operativa SHared nell'ambiente vicino alla costa (SHORELINE21).
"Per alcuni modelli, come l'occupazione, stiamo vedendo che la precisione è vicina al 100%", ha detto Wang quando gli è stato chiesto delle prestazioni di BRAILS. "Per altri moduli, come il tipo di tetto, vediamo una precisione del 90%."
Risorse computazionali
Per addestrare i moduli BRAILS ed eseguire le simulazioni, i ricercatori hanno utilizzato supercomputer presso il Texas Advanced Computing Center (TACC), in particolare Frontera, il supercomputer accademico più veloce al mondo, e Maverick 2, un sistema basato su GPU progettato per l'apprendimento profondo.
"Per un modello, la formazione potrebbe essere completata in poche ore, ma questo dipende dal numero di immagini, dal numero di GPU, dalla velocità di apprendimento, ecc.", Ha spiegato Wang.
TACC, come SimCenter, è un partner finanziato nel programma NSF NHERI. TACC ha progettato e mantiene DesignSafe-CI (Cyberinfrastructure), una piattaforma per il calcolo, l'analisi dei dati e gli strumenti utilizzati dai ricercatori sui rischi naturali.
"Questo progetto è un ottimo esempio di come il calcolo avanzato attraverso DesignSafe possa consentire nuove vie di ricerca sui rischi naturali e nuovi strumenti, con molti componenti di NHERI che lavorano insieme", ha detto Ellen Rathje, professore di ingegneria civile presso l'Università del Texas ad Austin e ricercatore principale del progetto DesignSafe.
BRAILS / CityBuilder è progettato per funzionare perfettamente con lo strumento SimCenter Regional Resilience Determination (R2D). R2D è un'interfaccia utente grafica per il framework applicativo SimCenter per quantificare l'impatto regionale dei pericoli naturali. I suoi risultati includono lo stato del danno e il rapporto di perdita - la percentuale del costo di riparazione di un edificio rispetto al suo valore di sostituzione - di ogni edificio in un'intera città o regione e il grado di fiducia nella previsione.
"Le simulazioni di eventi pericolosi, che applicano campi di vento o scuotimento del terreno a migliaia o milioni di edifici per valutare l'impatto di un uragano o di un terremoto, richiedono molte risorse di calcolo e tempo", ha affermato Wang. “Per una città intera simulazione, a seconda delle dimensioni, in genere occorrono ore per eseguire il TACC. "
Il TACC è un ambiente ideale per questa ricerca, dice Wang. Fornisce la maggior parte dei calcoli necessari al suo team. “Lavorando su progetti NSF relativi a DesignSafe, posso calcolare quasi senza limitazioni. È meraviglioso."
impatti
Per rendere le nostre comunità più resistenti ai rischi naturali, dobbiamo sapere quale livello di danno avremo in futuro, per informare i residenti e i responsabili politici sull'opportunità di rafforzare gli edifici o spostare le persone in altri luoghi.
"Questo è ciò che la simulazione e la modellazione possono fornire", ha detto Wang. "Tutto per creare un ambiente costruito più resiliente."