利用AI識別城市建筑物特征，預測其面對地震等災難時的風險
大數據文摘出品
來源：sciencedaily
編譯：Jane
從商業到工業設計，再到娛樂等一列領域，人工智能正在提供新的機遇。那么，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創建更安全、更具可持續、更具彈性的建筑環境。
美國國家科學基金會(NSF) NHERI SimCenter是加州大學伯克利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(大規模人工智能建筑識別)的工具，可以自動識別城市建筑的特征，甚至可以檢測城市建筑在地震、颶風或海嘯中可能面臨的風險。
加州大學伯克利分校的博士后研究員，BRAILS項目的首席開發者Charles(Chaofeng)Wang說：該項目的產生是出于快速、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筑的影響，但我們沒有建筑屬性的描述，”Wang說。“例如，在舊金山灣區，有數百萬棟建筑。使用人工智能，我們能夠得到所需的信息。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筑信息。”
BRAILS使用機器學習、深度學習和計算機視覺來提取有關建筑環境的信息。它被設想為建筑師、工程師和規劃專業人員更有效地規劃、設計和管理建筑物和基礎設施系統的工具。
SimCenter最近發布了BRAILS 2.0版本，其中包括預測更大范圍建筑特征的模塊。這些特征包括居住類型(商業、獨戶或多戶)、屋頂類型(平頂、山墻或斜頂)、基礎立面、建造年份、樓層數以及建筑物是否有“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筑物信息，并將這些信息與來自多個數據源的數據(如微軟足跡數據和開放地圖)進行合并--這是一個協作項目，可以免費創建可編輯的世界地圖。該框架還提供將這些數據與稅務、城市調查和其他信息相結合的選項，以補充計算機視覺組件。
SimCenter首席研究員兼聯合主任Sanjay Govindjee指出:“鑒于區域仿真的重要性，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，并將其應用于現實世界的問題”。
巧用眾包數據力量
最近，SimCenter在公民科學門戶網站Zooniverse上啟動了一個項目，以收集更多的標簽數據。該項目被稱為“建筑防災偵探”，它使公眾能夠識別建筑物的特定建筑特征，如屋頂、窗戶和煙囪。這些標簽將用于訓練額外的特征提取模塊。
Wang說:“我們在三月份啟動了Zooniverse項目，在幾周內我們就有了1000名志愿者，并標注了2萬張圖片。”
由于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塊的準確性后，團隊將它們組合在一起，并在BRAILS內部創建了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征。
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臺，以確定人工智能衍生模型的準確性。每個測試臺都會生成結構清單，并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臺，以及路易斯安那州查爾斯湖、德克薩斯州海岸和新澤西州大西洋城的颶風試驗臺。
Wang說：“我們的目標是雙重的。首先，通過仿真并向決策者提供結果，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。我們希望近實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《建筑自動化》中概述了他們的框架。他們展示了他們的神經網絡可以生成一個區域內建筑物真實的空間分布，并描述了如何將其用于新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臺。
在被問及BRAILS的性能時，Wang說:“對于某些模型，比如入住率，我們看到準確率接近100%。而對于其他模塊，比如屋頂類型，我們看到了的準確率趨近90%。”
計算資源
為了訓練BRAILS模塊并運行仿真，研究人員使用了德克薩斯州高級計算中心(TACC)的超級計算機——特別是世界上速度最快的學術超級計算機Frontera和專為深度學習設計的基于GPU系統的Maverick 2。
Wang解釋說：“對于一個模型，訓練可以在幾個小時內完成，但這取決于圖像的數量，圖形處理器的數量，學習率等因素。”
和SimCenter一樣，TACC是NSF NHERI項目的資助伙伴。TACC設計并維護DesignSafe-CI(網絡基礎設施)——一個用于計算、數據分析的平臺和自然災害研究人員使用的工具的平臺。
德克薩斯大學奧斯汀分校土木工程教授，DesignSafe項目的首席研究員Ellen Rathje說：“該項目是一個很好的例子，說明通過DesignSafe進行的高級計算如何與NHERI的許多組件一起工作，為自然災害研究和新工具開辟新的途徑。”
BRAILS/CityBuilder與SimCenter區域彈性測定(R2D)工具無縫配合。R2D是SimCenter應用程序框架的圖形用戶界面，用于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筑的損壞狀態和損失率(建筑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于成千上萬棟建筑，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，一個城市范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。”
影響
為了使我們的社區更能抵御自然災害，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筑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筑環境。”
相關報道：https://www.sciencedaily.com/releases/2021/05/210519120858.htm
【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】
