從商業(yè)到工業(yè)設(shè)計，再到娛樂等一列領(lǐng)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(zāi)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(zāi)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(xùn)練神經(jīng)網(wǎng)絡(luò)模型，從圖像和其他數(shù)據(jù)源中推斷建筑信息。”

[[402200]]

BRAILS使用機器學習、深度學習和計算機視覺來提取有關(guān)建筑環(huán)境的信息。它被設(shè)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(shè)計和管理建筑物和基礎(chǔ)設(shè)施系統(tǒng)的工具。

SimCenter最近發(fā)布了BRAILS 2.0版本，其中包括預(yù)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(chǔ)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(shù)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(wù)、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(wù)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(shù)，并將其應(yīng)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(zāi)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(xùn)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(zāi)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(dǎo)更準確的應(yīng)急響應(yīng)。”

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(luò)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(zāi)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(xùn)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(shù)超級計算機Frontera和專為深度學習設(shè)計的基于GPU系統(tǒng)的Maverick 2。

Wang解釋說：“對于一個模型，訓(xùn)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(shè)計并維護DesignSafe-CI(網(wǎng)絡(luò)基礎(chǔ)設(shè)施)——一個用于計算、數(shù)據(jù)分析的平臺和自然災(zāi)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(zāi)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(yīng)用程序框架的圖形用戶界面，用于量化自然災(zāi)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(fù)成本與重置價值的百分比)，以及對預(yù)測的信心程度。

“將風場或地面震動應(yīng)用于成千上萬棟建筑，以評估颶風或地震這類災(zāi)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(guān)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(zāi)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(yīng)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。”