AIを活用して都市の建物の特性を識別し、地震などの災害に対するリスクを予測する

人工知能は、ビジネスから工業デザイン、エンターテインメントまで、さまざまな分野で新たな機会を提供しています。では、土木工学や都市計画についてはどうでしょうか?機械学習とディープラーニングが、より安全で、より持続可能で、より回復力のある建築環境の構築にどのように役立つか。

カリフォルニア大学バークレー校の自然災害工学コミュニティのための計算モデリングおよびシミュレーションハブである国立科学財団（NSF）NHERI SimCenterのチームは、都市の建物の特徴を自動的に識別し、地震、ハリケーン、津波の際に都市の建物が直面する可能性のあるリスクを検出することさえできるBRAILS（大規模人工知能による建物認識）と呼ばれる一連のツールを開発しました。

カリフォルニア大学バークレー校の博士研究員でBRAILSプロジェクトの主任開発者であるチャールズ（チャオフェン）・ワン氏は、このプロジェクトは都市構造を迅速かつ確実に記述する必要性から生まれたものだと語った。

「私たちは、地域内のすべての建物に災害が及ぼす影響をシミュレーションしたいのですが、建物の特性に関する説明がありません」とワン氏は語った。 「例えば、サンフランシスコ湾岸地域には何百万もの建物があります。AI を使用すれば、必要な情報を得ることができます。ニューラル ネットワーク モデルをトレーニングして、画像やその他のデータ ソースから建物の情報を推測することができます。」

[[402200]]

BRAILS は、機械学習、ディープラーニング、コンピューター ビジョンを使用して、構築された環境に関する情報を抽出します。これは、建築家、エンジニア、計画専門家が建物やインフラストラクチャ システムをより効果的に計画、設計、管理するためのツールとして想定されています。

SimCenter は最近、より広範囲の建物特性を予測するためのモジュールを含むバージョン BRAILS 2.0 をリリースしました。これらの特性には、用途タイプ（商業用、一戸建て、または集合住宅）、屋根タイプ（平屋根、切妻屋根、または傾斜屋根）、基礎の高さ、建築年、階数、および建物に「ソフトストーリー」があるかどうか（店舗など、地震で倒壊する可能性が高い大きなオープンスペースの 1 階を持つ構造物を指す土木工学用語）が含まれます。

ワン氏とその同僚が開発した基本的な BRAILS フレームワークは、衛星画像や地上画像から建物情報を自動的に抽出し、その情報を Microsoft Footprint Data や Open Maps (無料で編集可能な世界地図を作成する共同プロジェクト) などの複数のデータ ソースのデータと統合します。このフレームワークでは、このデータを税金、都市調査、その他の情報と組み合わせて、コンピューター ビジョン コンポーネントを補完するオプションも提供されます。

「地域シミュレーションの重要性と、これらのタスクを実行するために必要な膨大なデータを考慮すると、機械学習は進歩を遂げるための唯一の選択肢です」と、SimCenter の主任研究員兼共同ディレクターの Sanjay Govindjee 氏は述べています。「土木技術者がこれらの新しい技術を学び、それを現実の問題に適用するのを見るのが楽しみです。」

クラウドソーシングデータの力を活用する

最近、SimCenter は、より多くのラベル付きデータを収集するために、市民科学ポータル Zooniverse でプロジェクトを開始しました。 「Building Resilience Detective」と名付けられたこのプログラムは、一般の人々が屋根、窓、煙突など、建物の特定の建築的特徴を特定できるようにします。これらのラベルは、追加の特徴抽出モジュールをトレーニングするために使用されます。

「私たちは3月にZooniverseプロジェクトを立ち上げ、数週間以内に1,000人のボランティアが参加し、20,000枚の画像に注釈を付けました」とワン氏は語った。

完全または完全に正確なデータ ソースが存在しないため、BRAILS は論理的かつ統計的な手法を使用してデータ拡張を実行し、ギャップを埋めます。また、推定値の不確実性も計算します。

チームはこれらのモジュールを個別に開発し、精度をテストした後、それらを組み合わせて BRAILS 内に CityBuilder ツールを作成しました。 CityBuilder に特定の都市または地域を入力すると、その地理的領域内のすべての構造物の特徴が自動的に生成されます。

王氏と彼の同僚は、AI から派生したモデルの精度を判断するために、一連の検証デモンストレーション、つまり彼らが言うところのテストベッドを実施しました。各テストベッドは構造インベントリを生成し、過去の出来事や起こりうる出来事に基づいて災害の影響をシミュレートします。

チームはすでにサンフランシスコに地震試験装置を建設しているほか、テキサス州沿岸のルイジアナ州レイクチャールズとニュージャージー州アトランティックシティにハリケーン試験装置も建設している。

「私たちの目標は2つあります」とワン氏は言う。「1つ目は、シミュレーションを行い、その結果を意思決定者に提供することで、将来の損失を軽減することです。2つ目は、このデータを使用して現実世界のシナリオを迅速にシミュレーションし、偵察チームが派遣される前に新しいイベントを迅速に追跡できるようにすることです。ほぼリアルタイムのシミュレーション結果が、より正確な緊急対応に役立つことを願っています。」

チームは、2021 年 2 月号の Automation in Construction でフレームワークの概要を説明しました。彼らは、ニューラル ネットワークがエリア内の建物の現実的な空間分布を生成できることを示し、ニュージャージー州の 5 つの沿岸都市における大規模な自然災害リスク管理にそれをどのように使用できるかを説明しています。

チームは、2021年沿岸環境における共同運用研究ロジスティクスに関するシンポジウム（SHORELINE21）において、ルイジアナ州に上陸した史上最強のハリケーン「ローラ」の際にテストベッドのデモンストレーションを行った。

BRAILS のパフォーマンスについて尋ねられた Wang 氏は、「占有率などの一部のモデルでは、精度は 100 パーセント近くになります。また、屋上型などの他のモジュールでは、精度は 90 パーセント近くになります」と答えました。

コンピューティングリソース

BRAILS モジュールをトレーニングし、シミュレーションを実行するために、研究者らはテキサス先端コンピューティングセンター (TACC) のスーパーコンピューター、具体的には世界最速の学術用スーパーコンピューターである Frontera と、ディープラーニング専用に設計された GPU ベースのシステムである Maverick 2 を使用しました。

「1つのモデルの場合、トレーニングは数時間で完了しますが、これは画像の数、GPUの数、学習率などの要因によって異なります」とWang氏は説明した。

SimCenter と同様に、TACC は NSF NHERI プログラムの資金提供パートナーです。 TACC は、自然災害の研究者が使用するコンピューティング、データ分析、ツールのためのプラットフォームである DesignSafe-CI (サイバー インフラストラクチャ) を設計および保守しています。

「このプロジェクトは、DesignSafe による高度なコンピューティングが NHERI の多くのコンポーネントと連携して、自然災害研究の新たな道と新たなツールを切り開くことができることを示す優れた例です」と、テキサス大学オースティン校の土木工学教授であり、DesignSafe プロジェクトの主任研究員であるエレン・ラチェ氏は語っています。

BRAILS/CityBuilder は、SimCenter Regional Resilience Determination (R2D) ツールとシームレスに連携します。 R2D は、地域における自然災害の影響を定量化するための SimCenter アプリケーション フレームワークのグラフィカル ユーザー インターフェイスです。出力には、都市全体または地域全体の各建物の損傷状況と損失率（建物の修理費用と交換価値の割合）、および予測の信頼度が含まれます。

「ハリケーンや地震などの災害の影響を評価するために、何千もの建物に風の場や地面の揺れを適用するシミュレーションには、大量の計算リソースと時間が必要です」とワン氏は言う。 「規模にもよりますが、TACC では都市規模のシミュレーションを実行するのに数時間かかることがよくあります。」

彼は、TACC はチームが必要とするコンピューティング能力の多くを提供してくれたため、この研究を行うのに理想的な環境だったと語った。 「DesignSafe に関連する NSF プロジェクトに取り組んでいると、ほぼ無制限の計算を実行できます。素晴らしいです。」

影響

私たちのコミュニティが自然災害に対してより強靭になるためには、将来どの程度の被害が発生するかを把握し、住民や政策立案者に建物を補強すべきか、あるいは人々を別の場所に移転させるべきかを伝える必要があります。

「それがシミュレーションとモデリングが提供できるものです」とワン氏は語った。 「これらすべては、より回復力のある建築環境を作り出すためのものです。」