Yapay zeka, iş dünyasından endüstriyel tasarıma ve eğlenceye kadar çeşitli alanlarda yeni fırsatlar sunuyor. Peki ya inşaat mühendisliği ve şehir planlama? Makine ve derin öğrenme daha güvenli, daha sürdürülebilir ve dayanıklı yapılı ortamlar yaratmamıza nasıl yardımcı olabilir?
Berkeley'deki Kaliforniya Üniversitesi'ndeki doğal afetler mühendisliği topluluğuna yönelik hesaplamalı modelleme ve simülasyon merkezi olan NSF NHERI SimCenter'dan bir araştırmacı ekibi, BRAILS (Büyük Ölçekte Yapay Zeka kullanarak Bina Tanıma) adı verilen bir araç paketi geliştirdi. bir şehirdeki binaların özelliklerini otomatik olarak tanımlayabiliyor ve hatta şehirdeki yapıların deprem, kasırga veya tsunami durumunda karşı karşıya kalabileceği riskleri tespit edebiliyor.
Berkeley'deki Kaliforniya Üniversitesi'nde doktora sonrası araştırmacı ve BRAILS'in baş geliştiricisi Charles (Chaofeng) Wang, projenin bir şehirdeki yapıları hızlı ve güvenilir bir şekilde karakterize etme ihtiyacından ortaya çıktığını söylüyor.
Wang, "Tehlikelerin bir bölgedeki tüm binalar üzerindeki etkisini simüle etmek istiyoruz, ancak bina niteliklerinin bir tanımına sahip değiliz" dedi. Örneğin, San Francisco Körfezi bölgesinde milyonlarca bina var. AI kullanarak gerekli bilgileri alabiliyoruz. Resimlerden ve diğer veri kaynaklarından bina bilgilerini çıkarmak için sinir ağı modellerini eğitebiliriz. "
BRAILS, yapılı çevre hakkında bilgi çıkarmak için makine öğrenimini, derin öğrenmeyi ve bilgisayarlı görmeyi kullanıyor. Mimarlar, mühendisler ve planlama profesyonellerinin binaları ve altyapı sistemlerini daha verimli bir şekilde planlaması, tasarlaması ve yönetmesi için bir araç olarak tasarlanmıştır.
SimCenter yakın zamanda daha geniş bir bina özellikleri yelpazesini tahmin etmek için modüller içeren BRAILS 2.0 sürümünü yayınladı. Bunlar arasında kullanım sınıfı (ticari, tek aileli veya çok aileli), çatı tipi (düz, üçgen çatılı veya kırmalı), temel yüksekliği, inşa yılı, kat sayısı ve bir binanın "yumuşak katlı" olup olmadığı yer alır. Bir deprem sırasında çökmeye daha yatkın olabilecek geniş açıklıklara (vitrin vitrinleri gibi) sahip zemin katları içeren yapılar için bir inşaat mühendisliği terimi.
Wang ve işbirlikçileri tarafından geliştirilen temel BRAILS çerçevesi, bina bilgilerini Google Haritalar'dan alınan uydu ve yer seviyesi görüntülerinden otomatik olarak çıkarıyor ve bunları Microsoft Footprint Data ve OpenStreetMap gibi çeşitli kaynaklardan gelen verilerle birleştiriyor. Dünya haritası. Çerçeve aynı zamanda bilgisayar görüşü bileşenini tamamlamak için bu verileri vergi kayıtları, şehir anketleri ve diğer bilgilerle birleştirme seçeneği de sunuyor.
SimCenter Baş Araştırmacısı ve eş-Direktörü Sanjay Govindjee, "Bölgesel simülasyonların önemi ve bunları yürütmek için büyük envanter verilerine duyulan ihtiyaç göz önüne alındığında, makine öğrenimi gerçekten ilerleme kaydetmek için tek seçenektir" dedi. "İnşaat mühendislerinin bu yeni teknolojileri öğrendiklerini ve bunları gerçek dünya sorunlarına uyguladıklarını görmek heyecan verici."
Kitlesel kaynak gücünden yararlanma
Son zamanlarda SimCenter, ek etiketli veriler toplamak için vatandaş bilimi web portalı Zooniverse'de bir proje başlattı. “Afete Hazırlık için Bina Dedektifliği” adı verilen proje, halkın yapıların çatı, pencere ve baca gibi belirli mimari özelliklerini tanımlamasını sağlıyor. Bu etiketler ek özellik çıkarma modüllerini eğitmek için kullanılacaktır.
Wang, "Zooniverse projesini Mart ayında başlattık ve birkaç hafta içinde bin gönüllümüz oldu ve 20,000 görsele açıklama ekledik," dedi.
Hiçbir veri kaynağı tam veya tam olarak doğru olmadığından, BRAILS boşlukları doldurmak için mantıksal ve istatistiksel yöntemler kullanarak veri iyileştirmeleri gerçekleştirir. Ayrıca tahminleri için belirsizliği de hesaplar.
Ekip, bu modüllerin doğruluğunu ayrı ayrı geliştirip test ettikten sonra, BRAILS içinde CityBuilder aracını oluşturmak için bunları birleştirdi. CityBuilder'a belirli bir şehir veya bölgenin girilmesi, o coğrafi alandaki her yapının bir karakterizasyonunu otomatik olarak oluşturabilir.
Wang ve işbirlikçileri, yapay zekadan türetilmiş modellerin doğruluğunu belirlemek için bir dizi doğrulama gösterisi veya kendi deyimiyle test ortamları gerçekleştirdiler. Her test ortamı, yapıların bir envanterini oluşturur ve tarihsel veya olası olaylara dayalı olarak bir tehlikenin etkisini simüle eder.
Ekip, San Francisco'daki depremler için test yatakları oluşturdu; ve Lake Charles, Louisiana, Texas sahili ve Atlantic City, New Jersey'deki kasırgalar.
Wang, "Hedeflerimiz iki yönlü" dedi. “İlk olarak, simülasyonlar yaparak ve sonuçları karar vericilere ve politika yapıcılara sunarak gelecekteki hasarı azaltmak. İkincisi, bu verileri, keşif ekibi konuşlandırılmadan önce yeni bir olayı anında takip ederek gerçek bir senaryoyu hızlı bir şekilde simüle etmek için kullanmak. Gerçek zamanlıya yakın simülasyon sonuçlarının, acil durum müdahalesini daha doğru bir şekilde yönlendirmeye yardımcı olabileceğini umuyoruz."
Ekip, 2020 Yakın Kıyı Ortamında Paylaşılan Yöneylem Araştırma Lojistiği Çalıştayı'nda (SHORELINE2021) Louisiana'da karaya inen en güçlü kasırga olan Laura Kasırgası (21) için bir test ortamı sundu.
Wang, BRAILS'in performansı hakkında soru sorulduğunda, "Doluluk gibi bazı modeller için doğruluğun% 100'e yakın olduğunu görüyoruz" dedi. "Çatı tipi gibi diğer modüller için% 90 doğruluk görüyoruz."
Hesaplamalı kaynaklar
BRAILS modüllerini eğitmek ve simülasyonları yürütmek için araştırmacılar Texas Gelişmiş Bilgi İşlem Merkezi'ndeki (TACC) süper bilgisayarları kullandılar; özellikle dünyanın en hızlı akademik süper bilgisayarı Frontera ve derin öğrenme için tasarlanmış GPU tabanlı bir sistem olan Maverick 2.
Wang, "Bir model için eğitim birkaç saat içinde bitirilebilir, ancak bu görüntü sayısına, GPU sayısına, öğrenme oranına vb. Bağlıdır" dedi.
TACC, SimCenter gibi, NSF NHERI programının finanse edilen bir ortağıdır. TACC, doğal tehlike araştırmacıları tarafından kullanılan hesaplama, veri analizi ve araçlara yönelik bir platform olan DesignSafe-CI'yi (Siber altyapı) tasarladı ve bakımını yaptı.
Austin'deki Texas Üniversitesi'nde inşaat mühendisliği profesörü Ellen Rathje şöyle konuştu: "Bu proje, NHERI'nin birçok bileşeninin birlikte çalıştığı DesignSafe aracılığıyla gelişmiş bilgi işlemin, doğal afet araştırmaları ve yeni araçlar için yeni yollar açabileceğinin harika bir örneğidir." DesignSafe projesinin baş araştırmacısı.
BRAILS/CityBuilder, SimCenter Bölgesel Dayanıklılık Belirleme (R2D) aracıyla sorunsuz çalışacak şekilde tasarlanmıştır. R2D, doğal tehlikelerin bölgesel etkisini ölçmek için SimCenter uygulama çerçevesine yönelik bir grafik kullanıcı arayüzüdür. Çıktıları arasında, tüm şehir veya bölgedeki her binanın hasar durumu ve kayıp oranı (bir binanın onarım maliyetinin yenileme değerine yüzdesi) ve tahmine olan güven derecesi yer alır.
Wang, "Bir kasırganın veya depremin etkisini değerlendirmek için rüzgar alanlarını veya yer sarsıntısını binlerce veya milyonlarca binaya uygulayan tehlike olayı simülasyonları, çok fazla bilgi işlem kaynağı ve zaman gerektiriyor" dedi. “Bir şehir çapında simülasyonboyutuna bağlı olarak TACC'de çalışması genellikle saatler sürüyor."
Wang, TACC'nin bu araştırma için ideal bir ortam olduğunu söylüyor. Ekibinin ihtiyaç duyduğu hesaplamanın çoğunu sağlar. "DesignSafe ile ilgili NSF projeleri üzerinde çalışırken, neredeyse sınırsız olarak hesaplama yapabiliyorum. Bu harika."
Etkiler
Topluluklarımızı doğal tehlikelere karşı daha dirençli hale getirmek için, bina sakinlerini ve politika yapıcıları binaları güçlendirmek mi yoksa insanları başka yerlere taşımak mı gerektiği konusunda bilgilendirmek için gelecekte ne düzeyde zarar vereceğimizi bilmemiz gerekir.
Wang, "Simülasyon ve modellemenin sağlayabileceği şey bu," dedi. "Hepsi daha dayanıklı bir yapılı ortam yaratmak için."