Imaginando ciudades más seguras con IA

La inteligencia artificial brinda nuevas oportunidades en muchas áreas, desde los negocios hasta el diseño industrial y el entretenimiento. Pero, ¿qué pasa con la ingeniería civil y la planificación urbana? ¿Cómo pueden el aprendizaje automático y el aprendizaje profundo ayudarnos a crear entornos construidos más seguros, sostenibles y resilientes?

Un equipo de científicos de NSF NHERI SimCenter, un centro de modelado y simulación computacional para Peligros Naturales La comunidad de ingenieros de la Universidad de California en Berkeley ha desarrollado un conjunto de herramientas llamado BRAILS (reconocimiento de edificios con inteligencia artificial a gran escala) que puede identificar automáticamente las características de los edificios en una ciudad e incluso detectar amenazas a las que las estructuras de la ciudad estarían expuestas durante un terremoto o un huracán. o tsunami.

Charles (Chaofeng) Wang, investigador de doctorado en UC Berkeley y desarrollador principal de BRAILS, dice que el proyecto surgió de la necesidad de caracterizar las estructuras de la ciudad de manera rápida y confiable.

“Queremos simular el impacto de las amenazas en todos los edificios de la región, pero no tenemos una descripción de los atributos de los edificios”, dijo Wang. “El Área de la Bahía de San Francisco, por ejemplo, tiene millones de edificios. Mediante el uso de inteligencia artificial, podemos obtener la información que necesitamos. Podemos entrenar modelos de redes neuronales para inferir información de edificios a partir de imágenes y otras fuentes de datos “.

BRAILS utiliza el aprendizaje automático, el aprendizaje profundo y la visión por computadora para extraer información sobre el entorno construido. Se prevé que sea una herramienta para que arquitectos, ingenieros y especialistas en planificación planifiquen, diseñen y administren edificios y sistemas de infraestructura de manera más eficiente.

SimCenter lanzó recientemente la versión 2.0 de BRAILS, que incluye módulos para predecir un espectro más amplio de características de edificios. Estos incluyen la clase de uso (comercial, unifamiliar o multifamiliar), el tipo de techo (plano, inclinado o inclinado), la fachada de los cimientos, el año de construcción, el número de pisos y si el edificio tiene un “piso suave” – ​​término de ingeniería civil para Estructuras de la planta baja con grandes aberturas (por ejemplo, escaparates) que pueden ser más propensas a colapsar durante un terremoto.

La plataforma principal de BRAILS desarrollada por Wang y sus colegas extrae automáticamente la información de construcción de imágenes satelitales y terrestres tomadas de Google Maps y la combina con datos de varias fuentes, como Microsoft Footprint Data y OpenStreetMap, un proyecto colaborativo para crear un mapa editable gratuito en el mundo. El marco también brinda la opción de combinar estos datos con registros de impuestos, encuestas de la ciudad y otra información para complementar el componente de visión por computadora.

“Dada la importancia de las simulaciones regionales y la necesidad de grandes datos de inventario para ejecutarlas, el aprendizaje automático es realmente la única opción para el progreso”, señaló el investigador principal y codirector de SimCenter, Sanjay Govindjee. “Es emocionante ver a los ingenieros aprender estas nuevas tecnologías y aplicarlas a problemas reales”.

Usando el poder del crowdsourcing

Recientemente, SimCenter lanzó un proyecto en el portal científico Zooniverse para recopilar datos etiquetados adicionales. Un proyecto llamado ‘Detective de preparación para desastres en la construcción’ permite al público identificar características arquitectónicas específicas de estructuras como techos, ventanas y chimeneas. Estas etiquetas se utilizarán para entrenar módulos de extracción de funciones adicionales.

“Lanzamos el proyecto Zooniverse en marzo, y en unas pocas semanas teníamos 1,000 voluntarios y 20,000 fotos anotadas”, dijo Wang.

Como ninguna fuente de datos es completa o completamente precisa, BRAILS mejora los datos utilizando métodos lógicos y estadísticos para llenar los vacíos. También calcula la incertidumbre de sus estimaciones.

Después de desarrollar y probar la precisión de estos módulos individualmente, el equipo los juntó para crear la herramienta CityBuilder dentro de BRAILS. Ingresar una ciudad o región en CityBuilder puede generar automáticamente características para cada estructura en esa área geográfica.

Wang y sus colegas llevaron a cabo una serie de demostraciones de validación, o como lo llaman, bancos de pruebas, para determinar la precisión de los modelos basados ​​en IA. Cada banco de pruebas genera un inventario de estructuras y simula el impacto de una amenaza en base a eventos históricos o probables.

El equipo estableció bancos de pruebas para los terremotos de San Francisco; y huracanes en Lake Charles, Louisiana, en la costa de Texas y Atlantic City, Nueva Jersey.

“Nuestros objetivos son dobles”, dijo Wang. “Primero, para mitigar los daños futuros mediante la ejecución de simulaciones y la entrega de resultados a los encargados de formular políticas y tomar decisiones. En segundo lugar, utilizar estos datos para simular rápidamente un escenario real, inmediatamente después de un nuevo incidente, antes de que se despliegue el equipo de reconocimiento. Esperamos que los resultados de las simulaciones casi en tiempo real puedan ayudarlo a orientar con mayor precisión su respuesta a emergencias ‘.

El equipo describió su marco en un comunicado de febrero de 2021 Automatización en la construcción. Demostraron que su red neuronal puede generar diseños espaciales realistas para edificios en la región y describieron cómo se puede utilizar para gestionar el riesgo natural a gran escala en cinco ciudades costeras de Nueva Jersey.

El equipo presentó un banco de pruebas para el huracán Laura (2020), el huracán más fuerte que golpeó tierra en Luisiana, en un taller en 2021 sobre logística de investigación operativa compartida en el entorno costero (SHORELINE21).

“Con algunos modelos, como la ocupación, podemos ver que la precisión es cercana al 100%”, dijo Wang, cuando se le preguntó sobre el rendimiento de BRAILS. “Para otros módulos, como el tipo de techo, la precisión es del 90%”.

Recursos informáticos

Para entrenar los módulos BRAILS y ejecutar simulaciones, los científicos utilizaron supercomputadoras en el Centro de Computación Avanzada de Texas (TACC), en particular, Frontera, la supercomputadora académica más rápida del mundo, y Maverick 2, un sistema de aprendizaje profundo basado en GPU.

“Con un modelo, la formación podría completarse en cuestión de horas, pero depende de la cantidad de imágenes, la cantidad de GPU, la velocidad de aprendizaje, etc.” Wang explicó.

TACC, como SimCenter, es un socio financiado por NSF NHERI. TACC ha diseñado y mantenido DesignSafe-CI (Cyberinfrastructure), la plataforma de computación, análisis de datos y herramientas utilizada por los investigadores de amenazas naturales.

“Este proyecto es un gran ejemplo de cómo la computación avanzada con DesignSafe puede abrir nuevas vías para la investigación de peligros naturales y nuevas herramientas, mientras se trabaja en conjunto con muchos elementos de NHERI”, dijo Ellen Rathje, profesora Ingeniería civil en la Universidad de Texas en Austin e investigador principal del proyecto DesignSafe.

BRAILS / CityBuilder está diseñado para funcionar a la perfección con la herramienta SimCenter Regional Resilience (R2D). R2D es un archivo Interfaz gráfica del usuario para el marco de aplicación SimCenter para cuantificar el impacto regional de los peligros naturales. Su salida incluye el estado de daños y la tasa de pérdida (el porcentaje del costo de reparación de un edificio con respecto a su valor de reemplazo) de cada edificio para toda la ciudad o región y el grado de certeza del pronóstico.

“Simular eventos de peligro – aplicar campos de viento o terremotos a miles o millones de edificios para evaluar el impacto de un huracán o terremoto – requiere una gran cantidad de recursos informáticos y tiempo”, dijo Wang. “Con una simulación para toda la ciudad, dependiendo del tamaño, TACC normalmente tarda varias horas en ejecutarse”.

TACC es el entorno ideal para esta investigación, dice Wang. Proporciona la mayoría de los cálculos que necesita su equipo. “Al trabajar en proyectos de NSF relacionados con DesignSafe, puedo calcular casi sin límites. Es asombroso”.

Impactos

Para hacer que nuestras comunidades sean más resistentes a los peligros naturales, necesitamos saber qué nivel de daño sufriremos en el futuro a fin de informar a los residentes y a los encargados de formular políticas si debemos fortalecer los edificios o trasladar a las personas a otro lugar.

“Eso es lo que hacen la simulación y el modelado”, dijo Wang. “Todo para crear un entorno de construcción más resistente”.