AI đang mang đến những cơ hội mới trong nhiều lĩnh vực, từ kinh doanh, thiết kế công nghiệp đến giải trí. Nhưng làm thế nào về công trình dân dụng và quy hoạch thành phố? Học máy và học sâu có thể giúp chúng ta tạo ra những môi trường xây dựng an toàn hơn, bền vững hơn và linh hoạt hơn như thế nào?
Một nhóm các nhà nghiên cứu từ NSF NHERI SimCenter, trung tâm mô hình hóa và mô phỏng tính toán cho cộng đồng kỹ thuật các mối nguy hiểm tự nhiên có trụ sở tại Đại học California, Berkeley, đã phát triển một bộ công cụ có tên BRAILS — Building Recognition sử dụng AI ở quy mô lớn — đó có thể tự động xác định đặc điểm của các tòa nhà trong thành phố và thậm chí phát hiện những rủi ro mà các công trình của thành phố sẽ phải đối mặt trong trận động đất, bão hoặc sóng thần.
Charles (Chaofeng) Wang, một nhà nghiên cứu sau tiến sĩ tại Đại học California, Berkeley, và là nhà phát triển chính của BRAILS, cho biết dự án phát triển do nhu cầu mô tả các cấu trúc trong thành phố một cách nhanh chóng và đáng tin cậy.
Wang nói: “Chúng tôi muốn mô phỏng tác động của các mối nguy hiểm đối với tất cả các tòa nhà trong một khu vực, nhưng chúng tôi không có mô tả về các thuộc tính của tòa nhà. “Ví dụ, ở khu vực Vịnh San Francisco, có hàng triệu tòa nhà. Sử dụng AI, chúng tôi có thể nhận được thông tin cần thiết. Chúng tôi có thể đào tạo các mô hình mạng nơ-ron để suy ra thông tin tòa nhà từ hình ảnh và các nguồn dữ liệu khác ”.
BRAILS sử dụng máy học, học sâu và thị giác máy tính để trích xuất thông tin về môi trường được xây dựng. Nó được hình dung như một công cụ cho các kiến trúc sư, kỹ sư và các chuyên gia lập kế hoạch để lập kế hoạch, thiết kế và quản lý các tòa nhà và hệ thống cơ sở hạ tầng một cách hiệu quả hơn.
SimCenter gần đây đã phát hành BRAILS phiên bản 2.0 bao gồm các mô-đun để dự đoán phổ lớn hơn về các đặc điểm của tòa nhà. Chúng bao gồm hạng người ở (thương mại, một gia đình hoặc nhiều gia đình), loại mái (bằng phẳng, có đầu hồi hoặc có bản lề), cao trình nền, năm xây dựng, số tầng và liệu một tòa nhà có “tầng mềm” hay không - một thuật ngữ kỹ thuật dân dụng để chỉ các cấu trúc bao gồm các tầng trệt với các khe hở lớn (như mặt tiền cửa hàng) có thể dễ bị sập hơn trong trận động đất.
Khung BRAILS cơ bản do Wang và các cộng tác viên của anh phát triển sẽ tự động trích xuất thông tin tòa nhà từ các hình ảnh vệ tinh và mặt đất được vẽ từ Google Maps và kết hợp các thông tin này với dữ liệu từ một số nguồn, chẳng hạn như Microsoft Footprint Data và OpenStreetMap — một dự án hợp tác để tạo ra một hình ảnh có thể chỉnh sửa miễn phí bản đồ thế giới. Khung cũng cung cấp tùy chọn để kết hợp dữ liệu này với hồ sơ thuế, khảo sát thành phố và thông tin khác, để bổ sung cho thành phần thị giác máy tính.
“Do tầm quan trọng của mô phỏng khu vực và nhu cầu về dữ liệu hàng tồn kho lớn để thực hiện những điều này, học máy thực sự là lựa chọn duy nhất để đạt được tiến bộ,” Điều tra viên chính của SimCenter và đồng Giám đốc Sanjay Govindjee lưu ý. “Thật thú vị khi thấy các kỹ sư dân dụng học hỏi những công nghệ mới này và áp dụng chúng vào các vấn đề trong thế giới thực”.
Tận dụng sức mạnh nguồn cung ứng cộng đồng
Gần đây, SimCenter đã khởi động một dự án trên cổng thông tin điện tử khoa học công dân, Zooniverse, để thu thập dữ liệu được gắn nhãn bổ sung. Dự án có tên "Thám tử xây dựng để chuẩn bị cho thiên tai", cho phép công chúng xác định các đặc điểm kiến trúc cụ thể của các cấu trúc, như mái nhà, cửa sổ và ống khói. Các nhãn này sẽ được sử dụng để đào tạo các mô-đun trích xuất tính năng bổ sung.
Wang cho biết: “Chúng tôi đã khởi động dự án Zooniverse vào tháng 20,000 và trong vòng vài tuần, chúng tôi đã có một nghìn tình nguyện viên và XNUMX hình ảnh được chú thích.
Vì không có nguồn dữ liệu nào là hoàn chỉnh hoặc hoàn toàn chính xác, BRAILS thực hiện cải tiến dữ liệu bằng cách sử dụng các phương pháp thống kê và logic để lấp đầy khoảng trống. Nó cũng tính toán độ không đảm bảo cho các ước tính của nó.
Sau khi phát triển và kiểm tra độ chính xác của các mô-đun này riêng lẻ, nhóm đã kết hợp chúng để tạo công cụ CityBuilder bên trong BRAILS. Nhập một thành phố hoặc khu vực nhất định vào CityBuilder có thể tự động tạo ra mô tả đặc điểm của mọi cấu trúc trong khu vực địa lý đó.
Wang và các cộng tác viên của ông đã thực hiện một loạt các minh chứng xác thực, hay như cách gọi của họ, các tấm thử nghiệm, để xác định độ chính xác của các mô hình lấy từ AI. Mỗi tấm thử nghiệm tạo ra một bản kiểm kê các cấu trúc và mô phỏng tác động của mối nguy hiểm dựa trên các sự kiện lịch sử hoặc chính đáng.
Nhóm nghiên cứu đã tạo ra các bãi thử động đất ở San Francisco; và bão ở Hồ Charles, Louisiana, bờ biển Texas, và Thành phố Đại Tây Dương, New Jersey.
“Mục tiêu của chúng tôi là gấp đôi,” Wang nói. “Đầu tiên, để giảm thiểu thiệt hại trong tương lai bằng cách thực hiện các mô phỏng và cung cấp kết quả cho các nhà hoạch định chính sách và quyết định. Và thứ hai, sử dụng dữ liệu này để nhanh chóng mô phỏng một kịch bản thực — ngay sau một sự kiện mới, trước khi đội trinh sát được triển khai. Chúng tôi hy vọng kết quả mô phỏng gần thời gian thực có thể giúp hướng dẫn phản ứng khẩn cấp với độ chính xác cao hơn ”.
Nhóm nghiên cứu đã trình bày một tấm thử nghiệm cho Bão Laura (2020), cơn bão mạnh nhất đổ bộ vào Louisiana, tại Hội thảo năm 2021 về Hậu cần Nghiên cứu Hoạt động SHared trong Môi trường Gần bờ (SHORELINE21).
“Đối với một số mô hình, chẳng hạn như công suất sử dụng, chúng tôi nhận thấy độ chính xác là gần 100%,” Wang nói khi được hỏi về hiệu suất của BRAILS. “Đối với các mô-đun khác, như kiểu mái nhà, chúng tôi đang thấy độ chính xác 90%.”
Tài nguyên tính toán
Để đào tạo các mô-đun BRAILS và chạy các mô phỏng, các nhà nghiên cứu đã sử dụng các siêu máy tính tại Trung tâm Máy tính Tiên tiến Texas (TACC) — đặc biệt là Frontera, siêu máy tính học thuật nhanh nhất trên thế giới và Maverick 2, một hệ thống dựa trên GPU được thiết kế để học sâu.
Wang giải thích: “Đối với một mô hình, quá trình đào tạo có thể kết thúc sau vài giờ, nhưng điều này phụ thuộc vào số lượng hình ảnh, số lượng GPU, tốc độ học tập, v.v.”.
TACC, giống như SimCenter, là một đối tác được tài trợ trong chương trình NSF NHERI. TACC đã thiết kế và duy trì DesignSafe-CI (Cyberinfra Structure) —một nền tảng để tính toán, phân tích dữ liệu và các công cụ được các nhà nghiên cứu về hiểm họa thiên nhiên sử dụng.
“Dự án này là một ví dụ tuyệt vời về cách máy tính tiên tiến thông qua DesignSafe có thể tạo ra những con đường mới trong nghiên cứu các mối nguy hiểm tự nhiên và các công cụ mới, với nhiều thành phần của NHERI cùng làm việc”, Ellen Rathje, giáo sư kỹ thuật dân dụng tại Đại học Texas ở Austin và điều tra viên chính của dự án DesignSafe.
BRAILS / CityBuilder được thiết kế để hoạt động liền mạch với công cụ Xác định khả năng phục hồi khu vực của SimCenter (R2D). R2D là giao diện người dùng đồ họa cho khuôn khổ ứng dụng SimCenter để định lượng tác động khu vực do các hiểm họa tự nhiên. Kết quả đầu ra của nó bao gồm tình trạng hư hỏng và tỷ lệ tổn thất - tỷ lệ phần trăm chi phí sửa chữa của một tòa nhà so với giá trị thay thế của nó - của mỗi tòa nhà trên toàn thành phố hoặc khu vực và mức độ tin cậy vào dự đoán.
Wang nói: “Mô phỏng sự kiện nguy hiểm — áp dụng các trường gió hoặc rung chuyển mặt đất lên hàng nghìn hoặc hàng triệu tòa nhà để đánh giá tác động của một cơn bão hoặc động đất — đòi hỏi rất nhiều tài nguyên và thời gian tính toán. “Đối với một thành phố mô phỏng, tùy thuộc vào kích thước, thường mất hàng giờ để chạy trên TACC. ”
Wang nói TACC là một môi trường lý tưởng cho nghiên cứu này. Nó cung cấp hầu hết các tính toán mà nhóm của anh ấy cần. “Làm việc trên các dự án NSF liên quan đến DesignSafe, tôi có thể tính toán hầu như không có giới hạn. Thật tuyệt vời. ”
Tác động
Để giúp cộng đồng của chúng ta có khả năng chống chịu tốt hơn trước các hiểm họa thiên nhiên, chúng ta cần biết mức độ thiệt hại của chúng ta trong tương lai, để thông báo cho người dân và các nhà hoạch định chính sách về việc nên tăng cường các tòa nhà hoặc di chuyển người dân đến nơi khác.
“Đó là những gì mà mô phỏng và mô hình hóa có thể cung cấp,” Wang nói. “Tất cả để tạo ra một môi trường được xây dựng có khả năng phục hồi tốt hơn.