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

大数据文摘出品

来源：sciencedaily

编译：Jane

从商业到工业设计，再到娱乐等一列领域，人工智能正在提供新的机遇。那么，土木工程和城市规划又会如何?机器学习和深度学习将如何帮助我们创建更安全、更具可持续、更具弹性的建筑环境。

美国国家科学基金会(NSF) NHERI SimCenter是加州大学伯克利分校自然灾害工程社区的计算建模和仿真中心，该机构的利用一个团队开发了一套名为BRAILS(大规模人工智能建筑识别)的工具，可以自动识别城市建筑的特征，甚至可以检测城市建筑在地震、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项目的首席开发者Charles(Chaofeng)Wang说：该项目的产生是出于快速、可靠地描述城市结构的需要。

“我们想仿真灾害对一个地区所有建筑的影响，但我们AI没有建筑属性的描述，”Wang说。“例如，在旧金山湾区，有数百万栋建筑。使用人工智能，我们能够得到所需的信息。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。它被设想为建筑师、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最近发布了识别BRAILS 2.0版本，其中包括预测更大范围建筑特征的模块。这些特征包括居住类型(商业、独户或多户)、屋顶类型(平顶、山墙或斜顶)、基础立面、建造年份、楼层数以及建筑物是否有“软层”——土木工程术语，指具有很大开放空间底层的结构(如店面)，这些结构在地震中更容易倒塌。

由Wang和他的同事开发的基本BRAILS框架会自动从卫星和地面图像自动提取建筑物信息，并将城市这些信息与来自多个数据源的数据(如微软足迹数据和开放地图)进行合并--这是一个协作项目，可以免费创建可编辑的世界地图。该框架还提供将这些数据与税务、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Sanjay Govindjee指出:“鉴于区域仿真的重要性，以及执行这些任务需要大量库存数据，机器学习确实是取得进展的建筑唯一选择。我们很兴奋能看到土木工程师学习这些新技术，并将其应用于现实世界的问题”。

巧用众包数据力量

最近，SimCenter在公民科学门户网站Zooniverse上启动了一个项目，以收集更多的标签数据。该项目被称为“建筑防灾侦探”，它使公众能够识别建筑物的特定建筑特征，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。

Wang说:“我们在三月份启物特动了Zooniverse项目，在几周内我们就有了1000名志愿者，并标注了2万张图片。”

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来执行数据增强，以填补空白。它还计算其估计的不确定性。

在分别开发和测试这些模块的准确性后，团队将它们组合在一起，并在BRAILS内部创建了CityBuilder工具。将给定的城市或区域输入到CityBui征，lder，可以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，或者如他们所说的测试平台，以确定人工智能衍生模型的准确性。每个测试台都会生成结构清单，并根据历史或可能发生的事件来仿真灾害的影响。

该团队已经在旧金山建立了地震试验台，以及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的飓风试验台。

Wang说：“我们的目标是双重的预测。首先，通过仿真并向决策者提供结果，以减轻未来的损失。其次，利用这些数据快速仿真真实场景，这样能够在侦察小组部署前就快速跟进新事件。我们希望近实时的仿真结果能够帮助指导更准确的应急响应。”

该团队在2021年2月发行的《建筑自动化》中概述了他们的框架。他们展示了他们的神经网络可以生成一个区域内建筑物真实的空间分布，并描述了如何将其用于新泽西州五个沿海城市的其面大规模自然灾害风险管理。

该团队在2021年近岸环境共享运营研究物流研讨会(SHORELINE21)上展示了在路易斯安那州登陆的最强飓风劳拉的测试平台。

在被问及BRAILS的性能时，Wang说:“对于某些模型，比如入住率，我们看到准确率接近100%。而对于其他模块，比如屋顶类型，我们看到了的准确率趋近90%。”

计算资源

为了训练BRAILS模块并运行仿真，研对地究人员使用了德克萨斯州高级计算中心(TACC)的超级计算机——特别是世界上速度最快的学术超级计算机Frontera和专为深度学习设计的基于GPU系统的Maverick 2。

Wang解释说：“对于一个模型，训练可以在几个小时内完成，但这取决于图像的数量，图形处理器的数量，学习率等因素。”

和SimCenter一样，TACC是NSF NHERI项目的资助伙伴。TACC震等设计并维护DesignSafe-CI(网络基础设施)——一个用于计算、数据分析的平台和自然灾害研究人员使用的工具的平台。

德克萨斯大学奥斯汀分校土木工程教授，DesignSafe项目的首席研究员Ellen Rathje说：“该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，为自然灾害研究和新工具开辟新的途径。”

B灾难RAILS/CityBuilder与SimCenter区域弹性测定(R2D)工具无缝配合。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区域的影响。它的输出包括整个城市或地区中每座建筑的损坏状态和损失率(建筑修复成本与重置价值的百分比)，以及对预测的信心程度。

“将风场或地面震动应用于成千上万栋建筑，以评估飓风或地震这类灾害事件影响时的的仿真需要大量的计算资源和时间，”Wang说。“根据规模的不同，一个城市范围的仿真通常需要在TACC上运行数小时。”

他说，TACC是进行这项研究的理想环境，它提供了他的团队需要的大部分计算。“从事与DesignSafe相关的NSF项目，我几乎可以毫无限制地计算。这真是太棒了。”

影响

为了使我们的社区更能抵御自然灾害，我们需要知道我们将来会遭受多大程度的破坏，以便风险告知居民和决策者是否应该加固建筑或将人们转移到其他地方。

“这就是仿真和建模所能提供的，”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