Imaginer des villes plus sûres avec l’IA

Imaginer des villes plus sûres avec l'IA

Visualisation du pourcentage du coût de réparation d’un bâtiment par rapport à sa valeur de remplacement après un séisme de magnitude 7,0 à San Francisco. Crédit: Chaofeng Wang, UC Berkeley

L’intelligence artificielle offre de nouvelles opportunités dans de nombreux domaines, du design commercial au design industriel en passant par le divertissement. Mais qu’en est-il du génie civil et de l’urbanisme? Comment l’apprentissage automatique et en profondeur pourrait-il nous aider à créer des environnements bâtis plus sûrs, plus durables et plus résilients?

Une équipe de chercheurs du NSF NHERI SimCenter, un centre de modélisation et de simulation informatique pour la communauté d’ingénierie des risques naturels basé à l’Université de Californie à Berkeley, a développé une suite d’outils appelée BRAILS – Building Recognition using AI at Large-Scale – qui peut identifier automatiquement les caractéristiques des bâtiments d’une ville et même détecter les risques auxquels les structures d’une ville seraient confrontées en cas de tremblement de terre, d’ouragan ou de tsunami.

Charles (Chaofeng) Wang, chercheur postdoctoral à l’Université de Californie à Berkeley et principal développeur de BRAILS, explique que le projet est né d’un besoin de caractériser rapidement et de manière fiable les structures d’une ville.

«Nous voulons simuler l’impact des dangers sur tous les bâtiments d’une région, mais nous n’avons pas de description des attributs des bâtiments», a déclaré Wang. « Par exemple, dans la région de la baie de San Francisco, il y a des millions de bâtiments. Grâce à l’intelligence artificielle, nous pouvons obtenir les informations nécessaires. Nous pouvons former des modèles de réseaux neuronaux pour déduire des informations de bâtiment à partir d’images et d’autres sources de données. »

BRAILS utilise l’apprentissage automatique, l’apprentissage en profondeur et la vision par ordinateur pour extraire des informations sur l’environnement construit. Il est conçu comme un outil permettant aux architectes, aux ingénieurs et aux professionnels de la planification de planifier, concevoir et gérer plus efficacement les bâtiments et les systèmes d’infrastructure.

Le SimCenter a récemment publié la version 2.0 de BRAILS, qui comprend des modules pour prédire un plus large éventail de caractéristiques du bâtiment. Celles-ci incluent la classe d’occupation (commerciale, unifamiliale ou multifamiliale), le type de toit (plat, à pignon ou en croupe), l’élévation des fondations, l’année de construction, le nombre d’étages et si un bâtiment a une « histoire douce » – un terme de génie civil pour les structures qui comprennent des rez-de-chaussée avec de grandes ouvertures (comme les devantures de magasins) qui peuvent être plus susceptibles de s’effondrer lors d’un tremblement de terre.

Le cadre de base BRAILS développé par Wang et ses collaborateurs extrait automatiquement les informations du bâtiment à partir d’images satellite et au niveau du sol tirées de Google Maps et les fusionne avec des données provenant de plusieurs sources, telles que Microsoft Footprint Data et OpenStreetMap – un projet collaboratif pour créer une carte modifiable gratuitement du monde. Le cadre offre également la possibilité de fusionner ces données avec les dossiers fiscaux, les enquêtes sur les villes et d’autres informations, pour compléter la composante de vision par ordinateur.

«Compte tenu de l’importance des simulations régionales et du besoin de données d’inventaire volumineuses pour les exécuter, l’apprentissage automatique est vraiment la seule option pour progresser», a déclaré Sanjay Govindjee, chercheur principal et codirecteur de SimCenter. « Il est passionnant de voir des ingénieurs civils apprendre ces nouvelles technologies et les appliquer à des problèmes du monde réel. »

Tirer parti du pouvoir de crowdsourcing

Récemment, le SimCenter a lancé un projet sur le portail Web de la science citoyenne, Zooniverse, pour collecter des données étiquetées supplémentaires. Le projet, appelé «Détective de bâtiment pour la préparation aux catastrophes», permet au public d’identifier les caractéristiques architecturales spécifiques des structures, comme les toits, les fenêtres et les cheminées. Ces étiquettes seront utilisées pour former des modules d’extraction de fonctionnalités supplémentaires.

«Nous avons lancé le projet Zooniverse en mars et en quelques semaines, nous avons eu un millier de volontaires et 20 000 images annotées», a déclaré Wang.

Puisqu’aucune source de données n’est complète ou entièrement précise, BRAILS effectue des améliorations de données à l’aide de méthodes logiques et statistiques pour combler les lacunes. Il calcule également l’incertitude pour ses estimations.

Après avoir développé et testé la précision de ces modules individuellement, l’équipe les a combinés pour créer l’outil CityBuilder dans BRAILS. La saisie d’une ville ou d’une région donnée dans CityBuilder peut générer automatiquement une caractérisation de chaque structure de cette zone géographique.

Wang et ses collaborateurs ont effectué une série de démonstrations de validation, ou comme ils les appellent, des bancs d’essai, pour déterminer la précision des modèles dérivés de l’IA. Chaque banc d’essai génère un inventaire des structures et simule l’impact d’un danger sur la base d’événements historiques ou plausibles.

L’équipe a créé des bancs d’essai pour les tremblements de terre à San Francisco; et les ouragans à Lake Charles, en Louisiane, sur la côte du Texas et à Atlantic City, dans le New Jersey.

Imaginer des villes plus sûres avec l'IA

Le projet « Building Detective For Disaster Preparedness » de Zooniverse invite les scientifiques citoyens à étiqueter les données qui aident à former l’outil BRAILS. Crédit: Chaofeng Wang, SimCenter, UC Berkeley

« Nos objectifs sont doubles », a déclaré Wang. « Premièrement, pour atténuer les dommages à l’avenir en effectuant des simulations et en fournissant des résultats aux décideurs et aux décideurs politiques. Et deuxièmement, utiliser ces données pour simuler rapidement un scénario réel – immédiatement après un nouvel événement, avant que l’équipe de reconnaissance ne soit déployée. . Nous espérons que les résultats de la simulation en temps quasi réel pourront aider à orienter les interventions d’urgence avec une plus grande précision. »

L’équipe a présenté son cadre dans le numéro de février 2021 de Automatisation dans la construction. Ils ont montré que leur réseau neuronal pouvait générer des distributions spatiales réalistes des bâtiments dans une région et ont décrit comment il pourrait être utilisé pour la gestion des risques naturels à grande échelle en utilisant cinq villes côtières du New Jersey.

L’équipe a présenté un banc d’essai pour l’ouragan Laura (2020), l’ouragan le plus fort à toucher terre en Louisiane, lors de l’atelier 2021 sur la logistique de recherche opérationnelle partagée dans l’environnement côtier (SHORELINE21).

« Pour certains modèles, comme l’occupation, nous constatons que la précision est proche de 100% », a déclaré Wang, interrogé sur les performances de BRAILS. « Pour d’autres modules, comme le type de toit, nous constatons une précision de 90%. »

Ressources informatiques

Pour former les modules BRAILS et exécuter les simulations, les chercheurs ont utilisé des supercalculateurs du Texas Advanced Computing Center (TACC) – notamment Frontera, le supercalculateur universitaire le plus rapide au monde, et Maverick 2, un système basé sur GPU conçu pour l’apprentissage en profondeur.

« Pour un modèle, la formation pourrait être terminée en quelques heures, mais cela dépend du nombre d’images, du nombre de GPU, du taux d’apprentissage, etc. », a expliqué Wang.

TACC, comme le SimCenter, est un partenaire financé dans le programme NSF NHERI. TACC a conçu et maintient DesignSafe-CI (Cyberinfrastructure) – une plate-forme de calcul, d’analyse de données et d’outils utilisés par les chercheurs sur les risques naturels.

« Ce projet est un excellent exemple de la façon dont l’informatique avancée grâce à DesignSafe peut permettre de nouvelles voies de recherche sur les risques naturels et de nouveaux outils, avec de nombreux composants de NHERI travaillant ensemble », a déclaré Ellen Rathje, professeur de génie civil à l’Université du Texas à Austin et chercheur principal du projet DesignSafe.

BRAILS / CityBuilder est conçu pour fonctionner de manière transparente avec l’outil de détermination de la résilience régionale (R2D) SimCenter. R2D est une interface utilisateur graphique pour le cadre d’application SimCenter pour quantifier l’impact régional des risques naturels. Ses résultats comprennent l’état des dommages et le ratio de perte (le pourcentage du coût de réparation d’un bâtiment par rapport à sa valeur de remplacement) de chaque bâtiment dans une ville ou une région entière, ainsi que le degré de confiance dans la prévision.

«Les simulations d’événement dangereux – appliquer des champs de vent ou des secousses du sol à des milliers ou des millions de bâtiments pour évaluer l’impact d’un ouragan ou d’un tremblement de terre – nécessitent beaucoup de ressources informatiques et de temps», a déclaré Wang. « Pour une simulation à l’échelle de la ville, selon la taille, il faut généralement des heures pour s’exécuter sur TACC. »

Le TACC est un environnement idéal pour cette recherche, dit Wang. Il fournit la plupart des calculs dont son équipe a besoin. « En travaillant sur des projets NSF liés à DesignSafe, je peux calculer presque sans limites. C’est génial. »

Les impacts

Pour rendre nos communautés plus résilientes aux risques naturels, nous devons savoir quel niveau de dommages nous subirons à l’avenir, pour informer les résidents et les décideurs politiques sur l’opportunité de renforcer les bâtiments ou de déplacer les gens vers d’autres endroits.

«C’est ce que la simulation et la modélisation peuvent fournir», a déclaré Wang. « Tout pour créer un environnement bâti plus résilient. »


La base de données sur les catastrophes se définit comme une plaque tournante pour l’information sur les dangers naturels


Plus d’information:
Chaofeng Wang et al, Modélisation intelligente à l’échelle régionale basée sur l’apprentissage automatique des informations du bâtiment pour la gestion des risques naturels, Automatisation dans la construction (2020). DOI: 10.1016 / j.autcon.2020.103474

Fourni par l’Université du Texas à Austin

Citation: Envisager des villes plus sûres avec l’IA (2021, 19 mai) récupéré le 19 mai 2021 sur https://techxplore.com/news/2021-05-envisioning-safer-cities-ai.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.