A IA está oferecendo novas oportunidades em uma variedade de campos, desde negócios a design industrial e entretenimento. Mas e quanto à engenharia civil e ao planejamento urbano? Como o aprendizado profundo e de máquina pode nos ajudar a criar ambientes construídos mais seguros, sustentáveis e resilientes?
Uma equipe de pesquisadores do NSF NHERI SimCenter, centro de modelagem e simulação computacional para a comunidade de engenharia de riscos naturais com base na Universidade da Califórnia, Berkeley, desenvolveu um conjunto de ferramentas chamado BRAILS — Building Recognition using AI at Large Scale — that pode identificar automaticamente as características dos edifícios em uma cidade e até mesmo detectar os riscos que as estruturas de uma cidade enfrentariam em um terremoto, furacão ou tsunami.
Charles (Chaofeng) Wang, pesquisador de pós-doutorado na Universidade da Califórnia, Berkeley, e principal desenvolvedor do BRAILS, diz que o projeto surgiu da necessidade de caracterizar de forma rápida e confiável as estruturas de uma cidade.
“Queremos simular o impacto dos perigos em todos os edifícios de uma região, mas não temos uma descrição dos atributos do edifício”, disse Wang. “Por exemplo, na área da Baía de São Francisco, existem milhões de edifícios. Usando a IA, podemos obter as informações necessárias. Podemos treinar modelos de rede neural para inferir informações de construção a partir de imagens e outras fontes de dados. ”
BRAILS usa aprendizado de máquina, aprendizado profundo e visão computacional para extrair informações sobre o ambiente construído. É concebido como uma ferramenta para arquitetos, engenheiros e profissionais de planejamento para planejar, projetar e gerenciar edifícios e sistemas de infraestrutura com mais eficiência.
O SimCenter lançou recentemente a versão 2.0 do BRAILS, que inclui módulos para prever um espectro maior de características de construção. Isso inclui a classe de ocupação (comercial, unifamiliar ou multifamiliar), tipo de telhado (plano, empena ou quadrilado), elevação da fundação, ano de construção, número de andares e se um prédio tem um "pavimento macio" - Um termo de engenharia civil para estruturas que incluem pisos térreos com grandes aberturas (como vitrines) que podem ser mais propensas a desabar durante um terremoto.
A estrutura básica do BRAILS desenvolvida por Wang e seus colaboradores extrai automaticamente informações de construção de imagens de satélite e no nível do solo retiradas do Google Maps e as mescla com dados de várias fontes, como Microsoft Footprint Data e OpenStreetMap - um projeto colaborativo para criar um arquivo editável gratuito mapa do mundo. A estrutura também oferece a opção de fundir esses dados com registros fiscais, pesquisas municipais e outras informações, para complementar o componente de visão computacional.
“Dada a importância das simulações regionais e a necessidade de grandes dados de inventário para executá-las, o aprendizado de máquina é realmente a única opção para fazer progresso”, observou o investigador principal e codiretor Sanjay Govindjee do SimCenter. “É empolgante ver engenheiros civis aprendendo essas novas tecnologias e aplicando-as aos problemas do mundo real.”
Aproveitando o poder de crowdsourcing
Recentemente, o SimCenter lançou um projeto no portal de ciência do cidadão, Zooniverse, para coletar dados rotulados adicionais. O projeto, denominado “Building Detective for Disaster Preparedness,” permite ao público identificar características arquitetônicas específicas de estruturas, como telhados, janelas e chaminés. Esses rótulos serão usados para treinar módulos de extração de recursos adicionais.
“Lançamos o projeto Zooniverse em março e em algumas semanas tínhamos mil voluntários e 20,000 imagens anotadas”, disse Wang.
Como nenhuma fonte de dados é completa ou totalmente precisa, o BRAILS realiza aprimoramentos de dados usando métodos lógicos e estatísticos para preencher as lacunas. Ele também calcula a incerteza para suas estimativas.
Depois de desenvolver e testar a precisão desses módulos individualmente, a equipe os combinou para criar a ferramenta CityBuilder dentro do BRAILS. Inserir uma determinada cidade ou região no CityBuilder pode gerar automaticamente uma caracterização de cada estrutura naquela área geográfica.
Wang e seus colaboradores realizaram uma série de demonstrações de validação, ou como eles os chamam, testbeds, para determinar a precisão dos modelos derivados de IA. Cada testbed gera um inventário de estruturas e simula o impacto de um perigo com base em eventos históricos ou plausíveis.
A equipe criou bancos de ensaio para terremotos em San Francisco; e furacões em Lake Charles, Louisiana, na costa do Texas e em Atlantic City, New Jersey.
“Nossos objetivos são duplos”, disse Wang. “Em primeiro lugar, para mitigar os danos no futuro, fazendo simulações e fornecendo resultados para tomadores de decisão e tomadores de decisão. E, segundo, usar esses dados para simular rapidamente um cenário real - imediatamente após um novo evento, antes que a equipe de reconhecimento seja enviada. Esperamos que os resultados da simulação quase em tempo real possam ajudar a orientar a resposta a emergências com maior precisão. ”
A equipe apresentou um teste para o furacão Laura (2020), o furacão mais forte a atingir a costa da Louisiana, no Workshop 2021 sobre Logística de Pesquisa Operacional SHared no Ambiente Nearshore (SHORELINE21).
“Para alguns modelos, como a ocupação, estamos vendo que a precisão está perto de 100%”, disse Wang quando questionado sobre o desempenho do BRAILS. “Para outros módulos, como o tipo de telhado, estamos vendo 90% de precisão.”
Recursos computacionais
Para treinar os módulos BRAILS e executar as simulações, os pesquisadores usaram supercomputadores no Texas Advanced Computing Center (TACC) - notavelmente Frontera, o supercomputador acadêmico mais rápido do mundo, e Maverick 2, um sistema baseado em GPU projetado para aprendizado profundo.
“Para um modelo, o treinamento pode ser concluído em algumas horas, mas isso depende do número de imagens, do número de GPUs, da taxa de aprendizagem etc.”, explicou Wang.
TACC, como o SimCenter, é um parceiro financiado no programa NSF NHERI. A TACC projetou e mantém o DesignSafe-CI (Cyberinfrastructure) - uma plataforma para computação, análise de dados e ferramentas usadas por pesquisadores de risco natural.
“Este projeto é um grande exemplo de como a computação avançada por meio do DesignSafe pode permitir novos caminhos de pesquisa de riscos naturais e novas ferramentas, com muitos componentes da NHERI trabalhando juntos”, disse Ellen Rathje, professora de engenharia civil da Universidade do Texas em Austin e investigador principal do projeto DesignSafe.
BRAILS / CityBuilder foi projetado para funcionar perfeitamente com a ferramenta SimCenter Regional Resilience Determination (R2D). R2D é uma interface gráfica do usuário para a estrutura do aplicativo SimCenter para quantificar o impacto regional de desastres naturais. Seus resultados incluem o estado do dano e a taxa de perda - a porcentagem do custo de reparo de um edifício em relação ao seu valor de reposição - de cada edifício em uma cidade ou região inteira e o grau de confiança na previsão.
“As simulações de eventos de risco - aplicando campos de vento ou tremores de solo a milhares ou milhões de edifícios para avaliar o impacto de um furacão ou terremoto - requerem muitos recursos de computação e tempo”, disse Wang. “Para uma cidade inteira simulação, dependendo do tamanho, normalmente leva horas para funcionar no TACC. ”
O TACC é um ambiente ideal para essa pesquisa, diz Wang. Ele fornece a maior parte da computação de que sua equipe precisa. “Trabalhando em projetos NSF relacionados ao DesignSafe, posso computar quase sem limitações. É incrivel."
Impacto
Para tornar nossas comunidades mais resilientes aos desastres naturais, precisamos saber que nível de danos teremos no futuro, para informar os residentes e legisladores sobre se devemos fortalecer edifícios ou mover pessoas para outros lugares.
“Isso é o que a simulação e a modelagem podem fornecer”, disse Wang. “Tudo para criar um ambiente construído mais resiliente.”