Top.Mail.Ru
Наука и технология 

Создание более безопасных городов с помощью ИИ: исследователи используют краудсорсинговые данные, нейронные сети и суперкомпьютеры для моделирования рисков для городов и регионов

Создание более безопасных городов с помощью ИИ: исследователи используют краудсорсинговые данные, нейронные сети и суперкомпьютеры для моделирования рисков для городов и регионов

Команда исследователей из NSF NHERI SimCenter, центра вычислительного моделирования и моделирования для сообщества инженеров по опасным природным явлениям, базирующегося в Калифорнийском университете в Беркли, разработала набор инструментов под названием BRAILS – Building Recognition using AI at Large-Scale – – которые могут автоматически определять характеристики зданий в городе и даже определять риски, с которыми городские сооружения могут столкнуться в результате землетрясения, урагана или цунами.
Чарльз (Чаофенг) Ван, постдокторант Калифорнийского университета в Беркли и ведущий разработчик BRAILS, говорит, что проект вырос из потребности быстро и надежно описать структуры в городе.

«Мы хотим смоделировать воздействие опасностей на все здания в регионе, но у нас нет описания атрибутов здания», – сказал Ван. “Например, в районе залива Сан-Франциско миллионы зданий. Используя ИИ, мы можем получить необходимую информацию. Мы можем обучить модели нейронных сетей выводить информацию о зданиях из изображений и других источников данных.”

BRAILS использует машинное обучение, глубокое обучение и компьютерное зрение для извлечения информации о созданной среде. Он задуман как инструмент для архитекторов, инженеров и специалистов по планированию, позволяющий более эффективно планировать, проектировать и управлять зданиями и системами инфраструктуры.

SimCenter недавно выпустил BRAILS версии 2.0, который включает модули для прогнозирования более широкого спектра характеристик здания. К ним относятся класс занятости (коммерческая, односемейная или многоквартирная), тип крыши (плоская, остроконечная или шатровая), высота фундамента, год постройки, количество этажей и наличие в здании «мягкого этажа» – – термин гражданского строительства для структур, которые включают цокольные этажи с большими проемами (например, витрины), которые могут быть более подвержены обрушению во время землетрясения.

Базовая структура BRAILS, разработанная Ван и его соавторами, автоматически извлекает информацию о зданиях из спутниковых изображений и изображений уровня земли, взятых из Google Maps, и объединяет их с данными из нескольких источников, таких как Microsoft Footprint Data и OpenStreetMap – совместный проект для создания бесплатного редактируемого карта мира. Платформа также предоставляет возможность объединить эти данные с налоговыми записями, опросами городов и другой информацией, чтобы дополнить компонент компьютерного зрения.
«Учитывая важность региональных симуляций и потребность в больших данных инвентаризации для их выполнения, машинное обучение – действительно единственный вариант для достижения прогресса», – отметил главный исследователь SimCenter и со-директор Санджай Говинджи. «Приятно видеть, как инженеры-строители изучают эти новые технологии и применяют их для решения реальных проблем.”

ИСПОЛЬЗОВАНИЕ СИЛЫ КРАУДСОРСИНГА
Недавно SimCenter запустил проект на веб-портале гражданской науки Zooniverse по сбору дополнительных помеченных данных. Проект, названный «Строительный детектив по обеспечению готовности к стихийным бедствиям», позволяет общественности определять конкретные архитектурные особенности конструкций, такие как крыши, окна и дымоходы.

Эти метки будут использоваться для обучения дополнительных модулей извлечения функций.
«Мы запустили проект Zooniverse в марте, и через пару недель у нас была тысяча добровольцев и аннотировано 20 000 изображений», – сказал Ван.

Поскольку ни один источник данных не является полным или полностью точным, BRAILS выполняет улучшение данных, используя логические и статистические методы, чтобы заполнить пробелы. Он также вычисляет неопределенность своих оценок.
После разработки и тестирования точности этих модулей по отдельности команда объединила их для создания инструмента CityBuilder внутри BRAILS.

Ввод данного города или региона в CityBuilder может автоматически генерировать характеристику каждой структуры в этой географической области.
Ван и его сотрудники провели серию проверочных демонстраций или, как они их называют, испытательных стендов, чтобы определить точность моделей, полученных с помощью ИИ. На каждом испытательном стенде создается перечень конструкций и моделируется воздействие опасности на основе исторических или вероятных событий.
Команда создала испытательные стенды для землетрясений в Сан-Франциско; и ураганы в Лейк-Чарльз, штат Луизиана, побережье Техаса, и в Атлантик-Сити, штат Нью-Джерси.

“Наши цели двоякие”, – сказал Ван. “Во-первых, уменьшить ущерб в будущем путем моделирования и предоставления результатов лицам, принимающим решения, и лицам, определяющим политику. А во-вторых, использовать эти данные для быстрого моделирования реального сценария – сразу после нового события, до развертывания группы разведки.

Мы надеемся, что результаты моделирования в режиме, близком к реальному времени, могут помочь в более точном реагировании на чрезвычайные ситуации.”
Команда изложила свои рамки в выпуске журнала Automation in Construction за февраль 2021 г. Они показали, что их нейронная сеть может генерировать реалистичное пространственное распределение зданий в регионе, и описали, как ее можно использовать для крупномасштабного управления рисками стихийных бедствий с использованием пяти прибрежных городов в Нью-Джерси.
Команда представила испытательный стенд для урагана Лаура (2020 г.), самого сильного урагана, обрушившегося на берег в Луизиане, на семинаре 2021 г. по совместным операционным исследованиям логистики в прибрежной среде (SHORELINE21).
«Для некоторых моделей, таких как загруженность, мы видим, что точность близка к 100%», – сказал Ван, когда его спросили о характеристиках BRAILS. “Для других модулей, таких как тип крыши, мы наблюдаем точность 90%.”

ВЫЧИСЛИТЕЛЬНЫЕ РЕСУРСЫ
Для обучения модулей BRAILS и проведения моделирования исследователи использовали суперкомпьютеры Техасского центра передовых вычислений (TACC), в частности Frontera, самый быстрый академический суперкомпьютер в мире, и Maverick 2, систему на базе графического процессора, предназначенную для глубокого обучения.
«Для одной модели обучение может быть завершено за несколько часов, но это зависит от количества изображений, количества графических процессоров, скорости обучения и т. Д.,”Ван объяснил.

TACC, как и SimCenter, является финансируемым партнером программы NSF NHERI. TACC разработала и поддерживает DesignSafe-CI (Cyberinfrastructure) – платформу для вычислений, анализа данных и инструментов, используемых исследователями природных угроз.
«Этот проект является прекрасным примером того, как передовые вычисления с помощью DesignSafe могут открыть новые возможности для исследования природных опасностей и новых инструментов, при этом многие компоненты NHERI работают вместе», – сказала Эллен Ратье, профессор гражданского строительства Техасского университета в Остине и главный исследователь проекта DesignSafe.

BRAILS / CityBuilder разработан для бесперебойной работы с инструментом SimCenter Regional Resilience Determination (R2D). R2D – это графический пользовательский интерфейс для платформы приложений SimCenter для количественной оценки регионального воздействия стихийных бедствий. Его выходные данные включают состояние повреждений и коэффициент потерь – процент стоимости ремонта здания к его восстановительной стоимости – каждого здания во всем городе или регионе, а также степень уверенности в прогнозе.

«Моделирование опасных явлений – применение полей ветра или сотрясения земли к тысячам или миллионам зданий для оценки воздействия урагана или землетрясения – требует больших вычислительных ресурсов и времени», – сказал Ван. “Для одного общегородского моделирования, в зависимости от размера, обычно требуется несколько часов для запуска на TACC.”
По словам Ванга, TACC – идеальная среда для этого исследования.

Он обеспечивает большую часть вычислений, необходимых его команде. «Работая над проектами NSF, связанными с DesignSafe, я могу выполнять вычисления практически без ограничений. Это круто.”
ВОЗДЕЙСТВИЯ

Чтобы сделать наши сообщества более устойчивыми к стихийным бедствиям, нам необходимо знать, какой уровень ущерба мы получим в будущем, чтобы информировать жителей и политиков о том, следует ли укреплять здания или перемещать людей в другие места.
«Это то, что может дать имитация и моделирование», – сказал Ван. “Все для создания более устойчивой среды.”

Похожие записи