美國科學家用 AI 識別建築特徵,推算它被地震震倒的風險!

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈利用 AI 识别城市建筑物特征,预测其面对地震等灾难时的风险 〉。)

【為什麼我們要挑選這篇文章】AI 能預測建築物的倒塌風險!美國科學家開發名為 BRAILS 的 AI 工具,能預測建築物在地震、颱風、海嘯中的風險。台灣位於地震帶,受颱風侵襲的機率也高,或許可以嘗試建立類似的工具,抓出高風險建築,保障安全。(責任編輯:郭家宏)

從商業到工業設計,再到娛樂等一列領域,人工智慧正在提供新的機遇。那麼,土木工程和城市規劃又會如何?機器學習和深度學習將如何幫助我們建立更安全、更具可持續、更具彈性的建築環境。

美國國家科學基金會(NSF)NHERI SimCenter 是加州大學柏克萊分校自然災害工程社區的計算建模和仿真中心,該機構的一個團隊開發了一套名為 BRAILS(大規模人工智慧建築識別)的工具,可以自動識別城市建築的特徵,甚至可以檢測城市建築在地震、颶風或海嘯中可能面臨的風險。

加州大學柏克萊分校的博士後研究員,BRAILS 專案的首席開發者 Charles(Chaofeng)Wang 說:該專案的產生是出於快速、可靠地描述城市結構的需要。

「我們想仿真災害對一個地區所有建築的影響,但我們沒有建築屬性的描述,」Wang 說。「例如,在舊金山灣區,有數百萬棟建築。使用人工智慧,我們能夠得到所需的資訊。我們可以訓練神經網絡模型,從圖像和其他數據源中推斷建築資訊。」

AI 能透過房屋類型、樓層數等資訊,推測地震時的倒塌風險

BRAILS 使用機器學習、深度學習和電腦視覺來提取有關建築環境的資訊。它被設想為建築師、工程師和規劃專業人員更有效地規劃、設計和管理建築物和基礎設施系統的工具。

SimCenter 最近發佈了 BRAILS 2.0 版本,其中包括預測更大範圍建築特徵的模組。這些特徵包括居住類型(商業、獨戶或多戶)、屋頂類型(平頂、山牆或斜頂)、基礎立面、建造年份、樓層數以及建築物是否有「軟層」——土木工程術語,指具有很大開放空間底層的結構(如店面),這些結構在地震中更容易倒塌。

由 Wang 和他的同事開發的基本 BRAILS 框架會自動從衛星和地面圖像自動提取建築物資訊,並將這些資訊與來自多個數據源的數據(如微軟足跡數據和開放地圖)進行合併。這是一個協作專案,可以免費建立可編輯的世界地圖。該框架還提供將這些數據與稅務、城市調查和其他資訊相結合的選項,以補充電腦視覺組件。

SimCenter 首席研究員兼聯合主任 Sanjay Govindjee 指出:「鑒於區域仿真的重要性,以及執行這些任務需要大量庫存數據,機器學習確實是取得進展的唯一選擇。我們很興奮能看到土木工程師學習這些新技術,並將其應用於現實世界的問題。」

透過群眾外包,研究團隊取得更多建築數據

最近,SimCenter 在公民科學門戶網站 Zooniverse 上啟動了一個專案,以收集更多的標籤數據。該項目被稱為「建築防災偵探」,它使公眾能夠識別建築物的特定建築特徵,如屋頂、窗戶和煙囪。這些標籤將用於訓練額外的特徵提取模組。

Wang 說:「我們在三月份啟動了 Zooniverse 專案,在幾週內我們就有了 1000 名志願者,並標註了 2 萬張圖片。」

由於沒有完整或完全準確的數據源,BRAILS 使用邏輯和統計方法來執行數據增強,以填補空白。它還計算其估計的不確定性。

在分別開發和測試這些模組的準確性後,團隊將它們組合在一起,並在 BRAILS 內部建立了 CityBuilder 工具。將給定的城市或區域輸入到 CityBuilder,可以自動生成該地理區域中每個結構的特徵。

Wang 和他的同事進行了一系列驗證演示,或者如他們所說的測試平台,以確定人工智慧衍生模型的準確性。每個測試台都會生成結構清單,並根據歷史或可能發生的事件來仿真災害的影響。

該團隊已經在舊金山建立了地震試驗台,以及路易斯安那州查爾斯湖、德克薩斯州海岸和紐澤西州大西洋城的颶風試驗台。

Wang 說:「我們的目標是雙重的。首先,透過仿真並向決策者提供結果,以減輕未來的損失。其次,利用這些數據快速仿真真實場景,這樣能夠在偵察小組部署前就快速跟進新事件。我們希望近即時的仿真結果能夠幫助指導更準確的應急響應。」

該團隊在 2021 年 2 月發行的《建築自動化》中概述了他們的框架。他們展示了他們的神經網路可以生成一個區域內建築物真實的空間分佈,並描述了如何將其用於紐澤西州五個沿海城市的大規模自然災害風險管理。

該團隊在 2021 年近岸環境共享運營研究物流研討會(SHORELINE21)上展示了在路易斯安那州登陸的最強颶風勞拉的測試平台。

在被問及 BRAILS 的性能時,Wang 說:「對於某些模型,比如入住率,我們看到準確率接近 100%。而對於其他模組,比如屋頂類型,我們看到了的準確率趨近 90%。」

研究團隊透過 TACC 完成運算

為了訓練 BRAILS 模組並運行仿真,研究人員使用了德克薩斯州高級計算中心(TACC)的超級電腦——特別是世界上速度最快的學術超級電腦 Frontera,和專為深度學習設計的基於 GPU 系統的 Maverick 2。

Wang 解釋說:「對於一個模型,訓練可以在幾個小時內完成,但這取決於圖像的數量,圖形處理器的數量,學習率等因素。」

和 SimCenter 一樣,TACC 是 NSF NHERI 專案的資助夥伴。TACC 設計並維護 DesignSafe-CI(網絡基礎設施)——一個用於計算、數據分析的平台和自然災害研究人員使用的工具的平台。

德克薩斯大學奧斯汀分校土木工程教授,DesignSafe 專案的首席研究員 Ellen Rathje 說:「該專案是一個很好的例子,說明透過 DesignSafe 進行的高級運算如何與 NHERI 的許多組件一起工作,為自然災害研究和新工具開闢新的途徑。」

BRAILS/CityBuilder 與 SimCenter 區域彈性測定(R2D)工具無縫配合。R2D 是 SimCenter 應用程式框架的圖形用戶界面,用於量化自然災害對區域的影響。它的輸出包括整個城市或地區中每座建築的損壞狀態和損失率(建築修復成本與重置價值的百分比),以及對預測的信心程度。

「將風場或地面震動應用於成千上萬棟建築,以評估颶風或地震這類災害事件影響的仿真需要大量的計算資源和時間,」Wang 說。「根據規模的不同,一個城市範圍的仿真通常需要在 TACC 上運行數小時。」

他說,TACC 是進行這項研究的理想環境,它提供了他的團隊需要的大部分計算。「從事與 DesignSafe 相關的 NSF 項目,我幾乎可以毫無限制地計算。這真是太棒了。」

為了使我們的社區更能抵禦自然災害,我們需要知道我們將來會遭受多大程度的破壞,以便告知居民和決策者是否應該加固建築或將人們轉移到其他地方。

「這就是仿真和建模所能提供的,」Wang 說。「所有這些都是為了創造一個更具彈性的建築環境。」

相關 報導

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈利用 AI 识别城市建筑物特征,预测其面对地震等灾难时的风险 〉。圖片來源: 大數據文摘

延伸閱讀

缺水會讓地震變多?中研院:陸地儲水量會影響斷層活動
【全球最大地震偵測網!】Google 將串連數百萬台 Android 手機,發出即時地震警報
深海地震如何觀測?透過「背向散射」,美國科學家將海底光纜變成地震儀


訂閱《TechOrange》每日電子報!

每天一早,需要來根知識能量棒? TechOrange 與你一起,吸收世界新知識、消化科技新局勢。點我訂閱電子報 ,取得最新深度報導。

點關鍵字看更多相關文章: