AI menyediakan peluang baru dalam berbagai bidang, dari perniagaan hingga reka bentuk industri hingga hiburan. Tetapi bagaimana dengan kejuruteraan awam dan perancangan bandar? Bagaimana pembelajaran mesin dan mendalam dapat membantu kita membuat persekitaran yang lebih selamat, lebih lestari, dan berdaya tahan?
Satu pasukan penyelidik dari NSF NHERI SimCenter, pusat pemodelan dan simulasi komputasi untuk komuniti kejuruteraan bahaya semula jadi yang berpusat di University of California, Berkeley, telah mengembangkan sekumpulan alat yang disebut BRAILS — Building Recognition menggunakan AI at Large-Scale — yang secara automatik dapat mengenal pasti ciri-ciri bangunan di sebuah bandar dan bahkan dapat mengesan risiko yang akan dihadapi oleh struktur bandar dalam gempa bumi, taufan, atau tsunami.
Charles (Chaofeng) Wang, seorang penyelidik pasca doktoral di University of California, Berkeley, dan pemaju utama BRAILS, mengatakan bahawa projek itu berkembang kerana keperluan untuk mencirikan struktur di bandar dengan cepat dan andal.
"Kami ingin mensimulasikan dampak bahaya pada semua bangunan di suatu wilayah, tetapi kami tidak mempunyai keterangan mengenai atribut bangunan," kata Wang. "Sebagai contoh, di kawasan Teluk San Francisco, terdapat berjuta-juta bangunan. Dengan menggunakan AI, kami dapat memperoleh maklumat yang diperlukan. Kami dapat melatih model rangkaian neural untuk menyimpulkan maklumat bangunan dari gambar dan sumber data lain. "
BRAILS menggunakan pembelajaran mesin, pembelajaran mendalam, dan visi komputer untuk mengekstrak maklumat mengenai persekitaran yang dibina. Ini dibayangkan sebagai alat untuk arkitek, jurutera, dan profesional perencanaan untuk merancang, merancang, dan mengurus bangunan dan sistem infrastruktur dengan lebih efisien.
The SimCenter baru-baru ini mengeluarkan BRAILS versi 2.0 yang merangkumi modul untuk meramalkan spektrum ciri bangunan yang lebih besar. Ini termasuk kelas hunian (komersial, keluarga tunggal, atau multi-keluarga), jenis bumbung (rata, canggih, atau pinggul), ketinggian pondasi, tahun dibina, jumlah lantai, dan sama ada bangunan mempunyai "cerita lembut" istilah kejuruteraan awam untuk struktur yang merangkumi tingkat bawah dengan bukaan besar (seperti etalase) yang mungkin lebih cenderung runtuh semasa gempa bumi.
Kerangka BRAILS asas yang dikembangkan oleh Wang dan kolaboratornya secara automatik mengekstrak maklumat bangunan dari imej satelit dan permukaan tanah yang diambil dari Peta Google dan menggabungkannya dengan data dari beberapa sumber, seperti Data Jejak Microsoft dan OpenStreetMap — sebuah projek kolaborasi untuk membuat diedit secara percuma peta dunia. Kerangka ini juga memberikan pilihan untuk menggabungkan data ini dengan catatan pajak, tinjauan kota, dan maklumat lain, untuk melengkapkan komponen penglihatan komputer.
"Memandangkan pentingnya simulasi serantau dan keperluan untuk data inventori yang besar untuk melaksanakannya, pembelajaran mesin adalah satu-satunya pilihan untuk membuat kemajuan," kata Penyelidik Utama SimCenter dan pengarah bersama Sanjay Govindjee. "Sangat menggembirakan apabila melihat jurutera awam mempelajari teknologi baru ini dan menerapkannya pada masalah dunia nyata."
Memanfaatkan kuasa sumber ramai
Baru-baru ini, SimCenter melancarkan projek di portal web sains warganegara, Zooniverse, untuk mengumpulkan data berlabel tambahan. Projek tersebut, yang disebut "Bangunan Detektif untuk Kesiapsiagaan Bencana," memungkinkan masyarakat untuk mengenal pasti ciri-ciri struktur seni bina tertentu, seperti bumbung, tingkap, dan cerobong asap. Label ini akan digunakan untuk melatih modul pengekstrakan ciri tambahan.
"Kami melancarkan projek Zooniverse pada bulan Mac dan dalam beberapa minggu kami memiliki seribu sukarelawan, dan 20,000 gambar diberi penjelasan," kata Wang.
Oleh kerana tidak ada sumber data yang lengkap atau tepat, BRAILS melakukan peningkatan data menggunakan kaedah logik dan statistik untuk mengisi jurang. Ia juga mengira ketidaktentuan anggarannya.
Setelah mengembangkan dan menguji ketepatan modul ini secara individu, pasukan menggabungkannya untuk membuat alat CityBuilder di dalam BRAILS. Memasukkan bandar atau wilayah tertentu ke CityBuilder secara automatik dapat menghasilkan pencirian setiap struktur di kawasan geografi tersebut.
Wang dan kolaboratornya melakukan serangkaian demonstrasi pengesahan, atau ketika mereka memanggilnya, testbed, untuk menentukan ketepatan model yang berasal dari AI. Setiap tempat ujian menghasilkan inventori struktur dan mensimulasikan kesan bahaya berdasarkan peristiwa bersejarah atau masuk akal.
Pasukan ini telah mencipta tempat ujian untuk gempa bumi di San Francisco; dan taufan di Lake Charles, Louisiana, pantai Texas, dan Atlantic City, New Jersey.
"Objektif kami adalah dua kali ganda," kata Wang. “Pertama, untuk mengurangkan kerusakan di masa depan dengan melakukan simulasi dan memberikan hasil kepada pembuat keputusan dan pembuat keputusan. Dan yang kedua, untuk menggunakan data ini untuk mensimulasikan senario sebenar dengan cepat — seketika setelah peristiwa baru, sebelum tim pengintai dikerahkan. Kami berharap hasil simulasi hampir masa nyata dapat membantu memandu tindak balas kecemasan dengan lebih tepat. "
Pasukan ini mempersembahkan tempat ujian untuk Taufan Laura (2020), taufan terkuat yang membuat pendaratan di Louisiana, di Bengkel 2021 mengenai Logistik Penyelidikan Operasi Bersama Dalam Persekitaran Dekat Pantai (SHORELINE21).
"Untuk beberapa model, seperti penghunian, kami melihat ketepatannya mendekati 100%," kata Wang ketika ditanya mengenai prestasi BRAILS. "Untuk modul lain, seperti jenis atap, kami melihat ketepatan 90%."
Sumber pengiraan
Untuk melatih modul BRAILS dan menjalankan simulasi, para penyelidik menggunakan superkomputer di Texas Advanced Computing Center (TACC) - terutamanya Frontera, superkomputer akademik terpantas di dunia, dan Maverick 2, sistem berasaskan GPU yang direka untuk pembelajaran mendalam.
"Untuk satu model, latihan dapat diselesaikan dalam beberapa jam, tetapi ini bergantung pada jumlah gambar, jumlah GPU, tingkat pembelajaran, dan lain-lain," jelas Wang.
TACC, seperti SimCenter, adalah rakan kongsi yang dibiayai dalam program NSF NHERI. TACC merancang dan mengekalkan DesignSafe-CI (Cyberinfrastructure) - platform untuk pengiraan, analisis data, dan alat yang digunakan oleh penyelidik bahaya semula jadi.
"Projek ini adalah contoh hebat bagaimana pengkomputeran canggih melalui DesignSafe dapat memungkinkan jalan penyelidikan bahaya alam dan alat baru, dengan banyak komponen NHERI bekerjasama," kata Ellen Rathje, profesor kejuruteraan awam di The University of Texas di Austin dan penyiasat utama projek DesignSafe.
BRAILS / CityBuilder dirancang untuk berfungsi dengan lancar dengan alat SimCenter Regional Resilience Determination (R2D). R2D adalah antara muka pengguna grafik untuk kerangka aplikasi SimCenter untuk mengukur kesan wilayah dari bahaya semula jadi. Hasilnya merangkumi keadaan kerosakan dan nisbah kerugian - peratusan kos pembaikan bangunan hingga nilai penggantiannya - setiap bangunan di seluruh bandar atau wilayah dan tahap keyakinan terhadap ramalan tersebut.
"Simulasi kejadian bahaya - menerapkan medan angin atau gegaran tanah ke ribuan atau berjuta-juta bangunan untuk menilai kesan taufan atau gempa bumi - memerlukan banyak sumber dan waktu pengkomputeran," kata Wang. "Untuk satu bandar simulasi, bergantung pada ukurannya, biasanya memerlukan waktu berjam-jam untuk menjalankan TACC. "
TACC adalah persekitaran yang sesuai untuk penyelidikan ini, kata Wang. Ini memberikan sebahagian besar pengiraan yang diperlukan oleh pasukannya. “Mengusahakan projek NSF yang berkaitan dengan DesignSafe, saya dapat membuat pengiraan hampir tanpa batasan. Ia hebat. "
Kesan
Untuk menjadikan komuniti kita lebih tahan terhadap bahaya semula jadi, kita perlu mengetahui tahap kerosakan yang akan kita hadapi pada masa akan datang, untuk memberitahu penduduk dan pembuat dasar mengenai sama ada mengukuhkan bangunan atau memindahkan orang ke tempat lain.
"Itulah yang dapat diberikan oleh simulasi dan pemodelan," kata Wang. "Semua untuk mewujudkan persekitaran binaan yang lebih tangguh."