Dagli Stati Uniti e, più in particolare, dalla California, dove terremoti e uragani sono, purtroppo, calamità naturali frequenti, uno studio dimostra come le tecniche di machine learning, deep learning e computer vision siano in grado di aiutare a prevedere ambienti costruiti più sicuri e resilienti.

TAKEAWAY

  • Il recente studio di un team di ricercatori californiani ha portato allo sviluppo di una suite di strumenti per identificare automaticamente le caratteristiche degli edifici urbani, rilevandone i potenziali rischi in caso di terremoti, uragani e tsunami.
  • BRAILS (si chiama così il sistema messo a punto), per estrarre informazioni sull’ambiente costruito, utilizza tecniche dimachine learning, deep learning e computer vision.
  • L’obiettivo è aiutare a guidare, con maggiore precisione e puntualità, la risposta a eventuali future emergenze e a prevedere la costruzione di infrastrutture più sicure e resilienti.

In tema di intelligenza artificiale e ingegneria civile, l’indirizzo dei più recenti studi segue una linea ben precisa, che vede i dati acquisiti attraverso molteplici dispositivi installati nei centri urbani, analizzati per poi essere tradotti in idee per nuovi progetti, che vanno dalla gestione del traffico all’utilizzo di risorse idriche ed energetiche, fino al controllo dei servizi e all’analisi dei rischi ai danni delle infrastrutture.

In quest’ultima direzione va il recente lavoro del team di ricercatori del Natural Hazards Engineering Research Infrastructure (NHERI) SimCenter – centro di modellazione e simulazione computazionale dei rischi naturali, con sede presso l’Università della California, Berkeley – il quale ha sviluppato una suite di strumenti denominata BRAILS (acronimo di Building Recognition using AI at Large-Scale) in grado di identificare automaticamente le caratteristiche degli edifici urbani, rilevandone i potenziali rischi in caso di eventi estremi quali terremoti, uragani e tsunami.

Come funziona questo strumento? Avvalendosi delle tecnologie che fanno capo all’ambito di studi dell’intelligenza artificiale, è in grado – a partire da immagini e da altre fonti di dati – di dedurre una serie di informazioni a proposito di determinati edifici. Vediamo in che modo.

Intelligenza artificiale e ingegneria civile: come identificare automaticamente le caratteristiche strutturali degli edifici e rilevarne i potenziali rischi

BRAILS – concepito come strumento destinato ad architetti e ingegneri che lavorano nell’ambito della progettazione di edifici e sistemi infrastrutturali – per estrarre informazioni sull’ambiente costruito, utilizza tecniche di machine learning, deep learning e computer vision.

Più nel dettaglio, il sistema include moduli AI per fare previsioni circa quelle caratteristiche degli edifici riguardanti, in particolare, la classe di occupazione (commerciale, unifamiliare o plurifamiliare), il tipo di tetto (piatto, a due spioventi o a padiglione), la profondità della fondazione (ovvero di quella parte della struttura dell’edificio che ha il compito di ancorarlo al suolo), l’anno di costruzione, il numero di piani e se è presente un piano terra provvisto di grandi aperture (le più inclini a crollare durante un eventuale terremoto).

Relativamente alle immagini degli edifici, la piattaforma è in grado di estrarle automaticamente dalle immagini satellitari e dalle immagini del livello del suolo tratte da Google Maps. Dunque, le fonde con altri dati, provenienti, ad esempio, da Microsoft Footprint Data (set di dati sulle “impronte a terra” dei fabbricati, corrispondenti alla localizzazione di questi sull’area di pertinenza, concessi in licenza da Microsoft con la stessa Open Database License di OpenStreetMap e disponibili negli Stati Uniti, Canada, Tanzania, Uganda e Australia) e da OpenStreetMap, progetto finalizzato a creare mappe del mondo a contenuto libero.

In tema di intelligenza artificiale e ingegneria civileBRAILS offre anche la possibilità di integrare tutti questi dati con quelli tratti da indagini cittadine, come accade nell’ambito del progetto di Citizen Science lanciato dal SimCenter sul portale Web Zooniverse per raccogliere ulteriori dati sugli edifici.

I progetti di Citizen Science – lo ricordiamo – rimandano a quelle attività, supportate da una vasta gamma di organizzazioni nel mondo, in cui semplici cittadini contribuiscono volontariamente alla ricerca scientifica in svariati campi.

Il progetto in questione, denominato “Building Detective for Disaster Preparedness“, nello specifico, consente al pubblico di identificare le caratteristiche architettoniche di strutture quali tetti, finestre e camini – che vengono poi etichettate e utilizzate per addestrare ulteriori algoritmi AI in seno al sistema – e, ad oggi, ha raccolto 20.000 immagini.

Dopo avere sviluppato e testato individualmente l’accuratezza di tutti i moduli di intelligenza artificiale che compongono BRAILS, il team li ha integrati per dare vita allo strumento CityBuilder all’interno del sistema stesso.

Come funziona CityBuilder? Inserendo il nome di una data città o regione al suo interno, genera automaticamente una caratterizzazione di ogni struttura in quella specifica area geografica.

BRAILS/CityBuilder lavora in combinazione con lo strumento SimCenter Regional Resilience Determination (R2D), interfaccia grafica volta a quantificare l’impatto di determinate calamità naturali.

I suoi risultati includono lo stato del danno e il rapporto di perdita – ossia la percentuale del costo di riparazione di un edificio rispetto al suo valore di sostituzione – di ogni edificio all’interno di un’intera città o di un’intera regione.

intelligenza artificiale e ingegneria civile
Rappresentazioni eseguite dal sistema BRAILS/CityBuilder sulla base di eventi passati: a sinistra, la ricostruzione del campo di azione dell’uragano Laura a Lake Charles, in Louisiana; a destra, lo stato del danno e il rapporto di perdita degli edifici colpiti dalla calamità naturale (Credit: NHERI SimCenter, California).

Le simulazioni attraverso i dati relativi ai terremoti di San Francisco e agli uragani in Louisiana

Charles Wang, a capo del gruppo di studio del SimCenter, spiega di avere eseguito, col suo team, una serie di dimostrazioni di convalida per determinare l’accuratezza dei modelli derivati dall’intelligenza artificiale. E ogni dimostrazione ha generato un inventario delle infrastrutture cittadine e simulato l’impatto di un determinato pericolo (terremoto, uragano e tsunami) sulla base di fatti ed eventi realmente accaduti in passato e documentati.

Più nel dettaglio, i ricercatori hanno eseguito dimostrazioni di convalida prendendo in esame i terremoti di San Francisco e gli uragani a Lake Charles (in Louisiana), sulla costa del Texas e ad Atlantic City, nel New Jersey.

Per addestrare gli algoritmi AI del sistema BRAILS ed eseguire le simulazioni, i ricercatori hanno utilizzato i supercomputer accademici Frontera e Maverick 2 presso il Texas Advanced Computing Center (TACC) dell’Università del Texas, ad Austin, negli Stati Uniti. Ha concluso Wang:

I nostri obiettivi sono duplici: in primo luogo, con queste simulazioni intendiamo arrivare a mitigare i danni di eventuali calamità naturali future, fornendo dati concreti ai responsabili delle politiche di intervento. In secondo luogo, il nostro lavoro ha l’obiettivo di mettere a punto uno strumento per simulare rapidamente, quasi in tempo reale, lo scenario che segue un nuovo evento, augurandoci che questo possa aiutare a guidare con maggiore precisione e puntualità la risposta alle emergenze e a prevedere la costruzione di infrastrutture più sicure e resilienti

I risultati dello studio in materia di intelligenza artificiale e ingegneria civile e le simulazioni svolte sono stati riportati, di recente, sulla testata specializzata Automation in Construction, dimostrando il ruolo delle reti neurali nel generare distribuzioni spaziali realistiche degli edifici all’interno di una regione e descrivendo come queste potrebbero essere utilizzate per la gestione su larga scala dei rischi naturali ai danni delle infrastrutture urbane.

Scritto da:

Paola Cozzi

Giornalista Leggi articoli Guarda il profilo Linkedin