利用人工智能识别城市建筑的特征并预测其在面对地震和其他灾害机会时的风险。那么土木工程和城市规划呢？机器学习和深度学习将如何帮助我们创造更安全、更可持续、更具弹性的建筑环境。美国国家科学基金会(NSF)NHERISimCenter（加州大学伯克利分校自然灾害工程社区的计算建模和模拟中心）的一个团队开发了一套名为BRAILS（大规模建筑识别人工智能）的工具，城市建筑的特征可以自动识别，甚至可以检测到城市建筑在地震、飓风或海啸中可能面临的风险。加州大学伯克利分校的博士后研究员、BRAILS项目的首席开发人员查尔斯（朝峰）王说，该项目的产生是出于快速可靠地描述城市结构的需要。“我们想模拟灾难对一个地区所有建筑物的影响，但我们没有建筑物属性的描述，”王说。“例如，在旧金山湾区，有数以百万计的建筑物。利用人工智能，我们可以获得我们需要的信息。我们可以训练神经网络模型，从图像和其他数据源中推断建筑物信息。”BRAILS使用机器学习、深度学习和计算机视觉来提取有关建筑环境的信息。它被认为是建筑师、工程师和规划专业人员更有效地规划、设计和管理建筑物和基础设施系统的工具。SimCenter最近发布了BRAILS2.0版，其中包括用于预测更广泛的建筑特征的模块。这些特征包括居住类型（商业、单户或多户）、屋顶类型（平屋顶、山墙屋顶或倾斜屋顶）、基础立面、建造年份、楼层数以及建筑物是否有“软地板”-土木工程术语，指的是底层有大面积开放空间的结构（如店面），在地震中更容易倒塌。Wang及其同事开发的基本BRAILS框架自动从卫星和地面图像中提取建筑信息，并将这些信息与来自多个数据源的数据合并，例如Microsoft足迹数据和OpenMaps——这是一个为创建可编辑世界地图的协作项目自由的。该框架还提供了将这些数据与税收、城市调查和其他信息相结合的选项，以补充计算机视觉组件。SimCenter首席研究员兼联合主任SanjayGovindjee指出：“鉴于区域模拟的重要性，以及执行这些任务所需的大量数据，机器学习确实是取得进展的唯一选择。我们很高兴看到土木工程师了解这些新技术，并将其应用于现实世界的问题”。利用众包数据的力量最近，SimCenter在公民科学门户网站Zooniverse上启动了一个项目，以收集更多标记数据。该项目被称为建筑危险侦探，使公众能够识别建筑物的特定建筑特征，例如屋顶、窗户和烟囱。这些标签将用于训练额外的特征提取模块。“我们在3月份启动了Zooniverse项目，几周内我们就有1,000名志愿者和20,000张图片进行了注释，”Wang说。由于没有完整或完全准确的数据源，BRAILS使用逻辑和统计方法进行数据扩充以填补空白。它还计算其估计的不确定性。在单独开发和测试这些模块的准确性后，团队将它们组合起来并在BRAILS中创建了CityBuilder工具。将给定的城市或地区输入CityBuilder会自动生成该地理区域中每个结构的特征。Wang和他的同事进行了一系列验证演示，或者他们称之为测试床，以确定AI衍生模型的准确性。每个试验台都会生成一个结构清单，并根据历史或可能发生的事件模拟灾难的影响。该团队在旧金山建造了地震试验台，并在路易斯安那州查尔斯湖、德克萨斯州海岸和新泽西州大西洋城建造了飓风试验台。“我们的目标是双重的，”王说。“首先，通过模拟并将结果呈现给决策者来减轻未来的损失。其次，使用这些数据快速模拟现实场景，这样我们就可以在部署新的侦察队之前快速跟进他们。”事件。我们希望近乎实时的模拟结果可以帮助指导更准确的应急响应。”该团队在《建筑自动化》2021年2月号中概述了他们的框架。他们表明他们的神经网络可以生成一个区域中建筑物的真实空间分布，并描述它如何用于新泽西州五个沿海城市的大规模自然灾害风险管理。该团队在2021年共享运营研究研讨会上展示了飓风劳拉的试验台，这是登陆路易斯安那州的最强飓风近岸环境物流(SHORELINE21)。当被问及BRAILS的性能时，Wang说：“对于某些模型，例如占用率，我们看到准确率接近100%。对于其他模块，例如屋顶类型，我们看到准确率接近90%。计算资源来训练BRAILS模块和在运行模拟时，研究人员使用了德克萨斯高级计算中心(TACC)的超级计算机——特别是世界上最快的学术超级计算机Frontera和基于Maverick2的GPU系统。“对于一个模型，训练可以在几个小时，但这取决于图像数量、GPU数量、学习率等因素，”Wang解释道。与SimCenter一样，TACC是NSFNHERI项目的资助合作伙伴。TACC设计并维护DesignSafe-CI（CyberInfrastructure）——自然灾害研究人员使用的计算、数据分析和工具平台。德克萨斯大学奥斯汀分校土木工程教授、DesignSafe项目首席研究员EllenRathje说：“这个项目是一个很好的例子，说明通过DesignSafe进行的高级计算如何与NHERI的许多组件一起工作以促进自然灾害研究。新工具开辟了新的道路。”BRAILS/CityBuilder可与SimCenter区域恢复力测定(R2D)工具无缝协作。R2D是SimCenter应用程序框架的图形用户界面，用于量化自然灾害对一个地区的影响。其输出包括整个城市或地区每座建筑物的损坏状态和损失率（建筑物的修复成本占其重置价值的百分比），以及预测的置信度。“将风场或地面震动应用于数万座建筑物以评估飓风或地震等灾害事件的影响的模拟需要大量的计算资源和时间，”Wang说。“根据规模，全市模拟通常需要数小时才能在TACC上运行。”他说，TACC是这项研究的理想环境，提供了他的团队所需的大部分计算。“从事与DesignSafe相关的NSF项目时，我几乎可以无限制地数数。这真是太棒了。”影响为了使我们的社区更能抵御自然灾害，我们需要知道我们在未来会经历多少破坏，以便告知居民和政策制定者是否应该加固建筑物或将人们转移到其他地方。“这就是模拟和建模可以提供的，”Wang说。“所有这些都是为了创造一个更具弹性的建筑环境。”相关报道：https://www.sciencedaily.com/releases/2021/05/210519120858.htm【本文为栏目组织大数据文摘原文翻译，微信公众号《大数据文摘》（id：BigDataDigest）》]点此查看该作者更多好文
