AI biedt nieuwe kansen op allerlei gebieden, van zakelijk tot industrieel ontwerp tot entertainment. Maar hoe zit het met civiele techniek en stadsplanning? Hoe kunnen machine- en deep-learning ons helpen veiliger, duurzamer en veerkrachtiger gebouwde omgevingen te creëren?
Een team van onderzoekers van het NSF NHERI SimCenter, een computationeel modellerings- en simulatiecentrum voor de natuurrampen-engineeringgemeenschap van de University of California, Berkeley, heeft een reeks tools ontwikkeld met de naam BRAILS (Building Recognition met behulp van AI op grote schaal) die kan automatisch kenmerken van gebouwen in een stad identificeren en zelfs de risico's detecteren waarmee de structuren van een stad te maken krijgen bij een aardbeving, orkaan of tsunami.
Charles (Chaofeng) Wang, een postdoctoraal onderzoeker aan de Universiteit van Californië, Berkeley, en de hoofdontwikkelaar van BRAILS, zegt dat het project is voortgekomen uit de behoefte om de structuren in een stad snel en betrouwbaar te karakteriseren.
"We willen de impact van gevaren op alle gebouwen in een regio simuleren, maar we hebben geen beschrijving van de kenmerken van het gebouw", zei Wang. “In de omgeving van de Baai van San Francisco staan bijvoorbeeld miljoenen gebouwen. Met behulp van AI kunnen we de benodigde informatie verkrijgen. We kunnen neurale netwerkmodellen trainen om bouwinformatie af te leiden uit afbeeldingen en andere gegevensbronnen.”
BRAILS maakt gebruik van machine learning, deep learning en computer vision om informatie over de gebouwde omgeving te extraheren. Het is bedoeld als een hulpmiddel voor architecten, ingenieurs en planningprofessionals om gebouwen en infrastructuursystemen efficiënter te plannen, ontwerpen en beheren.
Het SimCenter heeft onlangs BRAILS versie 2.0 uitgebracht, die modules bevat om een groter spectrum aan gebouwkenmerken te voorspellen. Deze omvatten de bezettingsklasse (commercieel, eengezinswoning of meergezinswoning), daktype (plat, puntgevel of schilddak), funderingshoogte, bouwjaar, aantal verdiepingen en of een gebouw een ‘zacht verhaal’ heeft. een civieltechnische term voor constructies met begane grondvloeren met grote openingen (zoals winkelpuien) die tijdens een aardbeving gevoeliger kunnen zijn voor instorting.
Het basis-BRAILS-framework, ontwikkeld door Wang en zijn medewerkers, haalt automatisch bouwinformatie uit satelliet- en grondniveaubeelden uit Google Maps en voegt deze samen met gegevens uit verschillende bronnen, zoals Microsoft Footprint Data en OpenStreetMap – een samenwerkingsproject om een gratis bewerkbaar ontwerp te creëren. wereldkaart. Het raamwerk biedt ook de mogelijkheid om deze gegevens te combineren met belastinggegevens, stadsenquêtes en andere informatie, als aanvulling op de computervisiecomponent.
“Gezien het belang van regionale simulaties en de behoefte aan grote inventarisgegevens om deze uit te voeren, is machinaal leren eigenlijk de enige optie om vooruitgang te boeken”, aldus Sanjay Govindjee, hoofdonderzoeker en mededirecteur van SimCenter. "Het is opwindend om te zien hoe civiel ingenieurs deze nieuwe technologieën leren en deze toepassen op echte problemen."
De kracht van crowdsourcing benutten
Onlangs lanceerde het SimCenter een project op het burgerwetenschappelijke webportaal Zooniverse om aanvullende gelabelde gegevens te verzamelen. Het project, genaamd ‘Building Detective for Disaster Preparedness’, stelt het publiek in staat specifieke architectonische kenmerken van constructies te identificeren, zoals daken, ramen en schoorstenen. Deze labels zullen worden gebruikt om extra feature-extractiemodules te trainen.
“We lanceerden het Zooniverse-project in maart en binnen een paar weken hadden we duizend vrijwilligers en 20,000 geannoteerde afbeeldingen”, zei Wang.
Omdat geen enkele gegevensbron compleet of volledig accuraat is, voert BRAILS gegevensverbeteringen uit met behulp van logische en statistische methoden om lacunes op te vullen. Het berekent ook de onzekerheid voor zijn schattingen.
Na het individueel ontwikkelen en testen van de nauwkeurigheid van deze modules, combineerde het team ze om de CityBuilder-tool binnen BRAILS te creëren. Door een bepaalde stad of regio in CityBuilder in te voeren, kan automatisch een karakterisering van elke structuur in dat geografische gebied worden gegenereerd.
Wang en zijn medewerkers voerden een reeks validatiedemonstraties uit, of zoals zij ze noemen, testbeds, om de nauwkeurigheid van de van AI afgeleide modellen te bepalen. Elk testbed genereert een inventaris van structuren en simuleert de impact van een gevaar op basis van historische of plausibele gebeurtenissen.
Het team heeft proefopstellingen gemaakt voor aardbevingen in San Francisco; en orkanen in Lake Charles, Louisiana, de kust van Texas, en Atlantic City, New Jersey.
“Onze doelstellingen zijn tweeledig”, zei Wang. “Ten eerste om de schade in de toekomst te beperken door simulaties uit te voeren en resultaten te verstrekken aan besluitvormers en beleidsmakers. En ten tweede om deze gegevens te gebruiken om snel een reëel scenario te simuleren – onmiddellijk na een nieuwe gebeurtenis, voordat het verkenningsteam wordt ingezet. We hopen dat bijna-realtime simulatieresultaten kunnen helpen bij het sturen van noodhulp met grotere nauwkeurigheid.”
Het team presenteerde een testbed voor de orkaan Laura (2020), de sterkste orkaan die aan land kwam in Louisiana, tijdens de 2021 Workshop on SHared Operational Research Logistics In the Nearshore Environment (SHORELINE21).
“Voor sommige modellen, zoals bezetting, zien we dat de nauwkeurigheid bijna 100% bedraagt”, zei Wang toen hem werd gevraagd naar de prestaties van BRAILS. “Voor andere modules, zoals daktypes, zien we een nauwkeurigheid van 90%.”
Computerhulpmiddelen
Om de BRAILS-modules te trainen en de simulaties uit te voeren, gebruikten de onderzoekers supercomputers van het Texas Advanced Computing Center (TACC), met name Frontera, de snelste academische supercomputer ter wereld, en Maverick 2, een GPU-gebaseerd systeem ontworpen voor deep learning.
“Voor één model zou de training binnen een paar uur klaar kunnen zijn, maar dit hangt af van het aantal afbeeldingen, het aantal GPU’s, de leersnelheid, enz.”, legt Wang uit.
TACC is, net als het SimCenter, een gefinancierde partner in het NSF NHERI-programma. TACC ontwierp en onderhoudt de DesignSafe-CI (Cyberinfrastructure) - een platform voor berekeningen, data-analyse en tools die worden gebruikt door onderzoekers op het gebied van natuurrisico's.
“Dit project is een geweldig voorbeeld van hoe geavanceerd computergebruik via DesignSafe nieuwe mogelijkheden kan bieden voor onderzoek naar natuurlijke gevaren en nieuwe tools, waarbij veel componenten van NHERI samenwerken”, zegt Ellen Rathje, hoogleraar civiele techniek aan de Universiteit van Texas in Austin en hoofdonderzoeker van het DesignSafe-project.
BRAILS/CityBuilder is ontworpen om naadloos samen te werken met de SimCenter Regional Resilience Determination (R2D) tool. R2D is een grafische gebruikersinterface voor het SimCenter-applicatieframework voor het kwantificeren van de regionale impact van natuurlijke gevaren. De resultaten omvatten de schadetoestand en de verliesratio (het percentage van de reparatiekosten van een gebouw ten opzichte van de vervangingswaarde) van elk gebouw in een hele stad of regio en de mate van vertrouwen in de voorspelling.
“De simulaties van gevarengebeurtenissen – het toepassen van windvelden of grondschokken op duizenden of miljoenen gebouwen om de impact van een orkaan of aardbeving te beoordelen – vereisen veel computerbronnen en tijd,” zei Wang. “Voor één stad breed simulatieAfhankelijk van de grootte duurt het doorgaans uren om op TACC te draaien.”
TACC is een ideale omgeving voor dit onderzoek, zegt Wang. Het biedt het grootste deel van de berekeningen die zijn team nodig heeft. “Als ik aan NSF-projecten werk die verband houden met DesignSafe, kan ik vrijwel zonder beperkingen rekenen. Het is geweldig."
Effecten
Om onze gemeenschappen weerbaarder te maken tegen natuurlijke gevaren, moeten we weten hoeveel schade we in de toekomst zullen lijden, om bewoners en beleidsmakers te informeren over de vraag of we gebouwen moeten versterken of mensen naar andere plaatsen moeten verplaatsen.
“Dat is wat de simulatie en modellering kunnen bieden,” zei Wang. “Alles om een veerkrachtiger gebouwde omgeving te creëren.”