大數(shù)據(jù)文摘出品

來源：sciencedaily

編譯：Jane

從商業(yè)到工業(yè)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(guī)劃又會如何?機器學習和深度學習將如何幫助我們創(chuàng)建更安全、更具可持續(xù)、更具彈性的建筑環(huán)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(qū)的計算建模和仿真中心，該機構(gòu)的一個團隊開發(fā)了一套名為BRAILS(大規(guī)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(fā)者Charles(Chaofeng)Wang說：該項目的產(chǎn)生是出于快速、可靠地描述城市結(jié)構(gòu)的需要。

“我們想仿真災害對一個地區(qū)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(qū)，有數(shù)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(jīng)網(wǎng)絡模型，從圖像和其他數(shù)據(jù)源中推斷建筑信息。”

[[401547]]

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(huán)境的信息。它被設想為建筑師、工程師和規(guī)劃專業(yè)人員更有效地規(guī)劃、設計和管理建筑物和基礎設施系統(tǒng)的工具。

SimCenter最近發(fā)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(yè)、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(shù)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(jié)構(gòu)(如店面)，這些結(jié)構(gòu)在地震中更容易倒塌。

由Wang和他的同事開發(fā)的基本BRAILS框架會自動從衛(wèi)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(shù)據(jù)源的數(shù)據(jù)(如微軟足跡數(shù)據(jù)和開放地圖)進行合并--這是一個協(xié)作項目，可以免費創(chuàng)建可編輯的世界地圖。該框架還提供將這些數(shù)據(jù)與稅務、城市調(diào)查和其他信息相結(jié)合的選項，以補充計算機視覺組件。

SimCenter首席研究員兼聯(lián)合主任Sanjay Govindjee指出:“鑒于區(qū)域仿真的重要性，以及執(zhí)行這些任務需要大量庫存數(shù)據(jù)，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(xiàn)實世界的問題”。

巧用眾包數(shù)據(jù)力量

最近，SimCenter在公民科學門戶網(wǎng)站Zooniverse上啟動了一個項目，以收集更多的標簽數(shù)據(jù)。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(nèi)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(shù)據(jù)源，BRAILS使用邏輯和統(tǒng)計方法來執(zhí)行數(shù)據(jù)增強，以填補空白。它還計算其估計的不確定性。

在分別開發(fā)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(nèi)部創(chuàng)建了CityBuilder工具。將給定的城市或區(qū)域輸入到CityBuilder，可以自動生成該地理區(qū)域中每個結(jié)構(gòu)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(jié)構(gòu)清單，并根據(jù)歷史或可能發(fā)生的事件來仿真災害的影響。

該團隊已經(jīng)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(jié)果，以減輕未來的損失。其次，利用這些數(shù)據(jù)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(jié)果能夠幫助指導更準確的應急響應。”

該團隊在2021年2月發(fā)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(jīng)網(wǎng)絡可以生成一個區(qū)域內(nèi)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(guī)模自然災害風險管理。

該團隊在2021年近岸環(huán)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(tǒng)的Maverick 2。

Wang解釋說：“對于一個模型，訓練可以在幾個小時內(nèi)完成，但這取決于圖像的數(shù)量，圖形處理器的數(shù)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(wǎng)絡基礎設施)——一個用于計算、數(shù)據(jù)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(qū)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(qū)域的影響。它的輸出包括整個城市或地區(qū)中每座建筑的損壞狀態(tài)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(jù)規(guī)模的不同，一個城市范圍的仿真通常需要在TACC上運行數(shù)小時。”

他說，TACC是進行這項研究的理想環(huán)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?guī)缀蹩梢院翢o限制地計算。這真是太棒了。”

影響

為了使我們的社區(qū)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?qū)⑷藗冝D(zhuǎn)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(chuàng)造一個更具彈性的建筑環(huán)境。”

相關報道：https://www.sciencedaily.com/releases/2021/05/210519120858.htm

【本文是51CTO專欄機構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文