人工智能（AI）正为众多领域带来新的机遇，从商业到工业设计再到娱乐产业。那么，土木工程和城市规划领域又将如何受益于机器学习和深度学习技术呢？这些技术如何助力我们建设更加安全、可持续且更有韧性的环境？

本文源自《AZoRobotics》，全文约2253字，预计阅读时间7分钟。

一组来自NSF NHERI SimCenter的研究人员（该中心位于加州大学伯克利分校，专注于自然灾害工程的计算建模和模拟）开发了一款名为BRAILS的工具。这款工具利用AI自动识别城市建筑的特征，甚至可以评估这些建筑物在地震、飓风或海啸等灾害中的风险。

加州大学伯克利分校的博士后研究员Charles（Chaofeng）Wang表示，这一项目源于快速、准确地描述城市结构的需求。“我们需要模拟灾害对区域内所有建筑物的影响，但目前缺乏详细的建筑物属性数据。”Wang解释道，“通过AI，我们可以获取这些信息。我们可以训练神经网络模型，从图像和其他数据源中推断出建筑物的相关信息。”

BRAILS采用机器学习、深度学习和计算机视觉技术来提取有关建筑环境的信息。它被设计为一种工具，帮助建筑师、工程师和城市规划师更高效地规划、设计和管理建筑及基础设施。

SimCenter最近发布了BRAILS 2.0版本，新增了可以预测更广泛建筑特征的模块。这些模块包括建筑物的用途（如商业、独栋或多户住宅）、屋顶类型（平顶、山墙或斜顶）、地基高度、建造年份、楼层数，以及是否存在“软楼层”（土木工程术语，指含有大面积开口的结构，例如店面，这种结构在地震中容易倒塌）。

BRAILS框架可以从Google地图绘制的卫星和地面图像中自动提取建筑信息，并将这些信息与其他数据源合并，如Microsoft Footprint Data和OpenStreetMap。此外，该框架还可以融合税收记录、城市调查等数据，以补充计算机视觉组件。

SimCenter首席研究员兼联合主任Sanjay Govindjee表示：“鉴于区域模拟的重要性以及需要大量库存数据来执行这些模拟，机器学习确实是提高效率的最佳选择。”他补充道，“看到土木工程师们学习并应用这些新技术，真是令人兴奋。”

利用众包力量

近期，SimCenter在Zooniverse平台上启动了一个项目，以收集更多带标签的数据。这个名为“防灾建筑侦探”的项目让公众可以识别建筑物的特定特征，如屋顶、窗户和烟囱。这些标签将用于训练其他特征提取模块。

Wang提到：“我们在今年3月启动了Zooniverse项目，短短几周内已有超过1000名志愿者，标注了20000张图像。”

由于没有数据源是完美无缺或完全准确的，BRAILS运用逻辑和统计方法进行数据增强，以填补数据空白，并计算其估计的不确定性。

在分别开发和测试了这些模块的准确性后，研究团队将它们集成到BRAILS中，创建了CityBuilder工具。CityBuilder工具可以自动分析给定城市或区域中每个建筑物的特征。

Wang及其团队进行了多项验证测试，以确定AI衍生模型的准确性。他们模拟了旧金山地震、路易斯安那州查尔斯湖的飓风、德克萨斯州海岸的飓风以及新泽西州大西洋城的飓风。

Wang表示：“我们的目标是双管齐下。一方面，通过模拟并向决策者提供结果，来减轻未来的损失。另一方面，在部署侦察队之前，迅速模拟真实情况，以便在灾害发生后立即提供近实时的模拟结果，从而更精确地指导应急响应。”

该团队在2021年2月的《建筑自动化》期刊中介绍了他们的框架，并展示了如何利用新泽西州五个沿海城市的案例进行大规模自然灾害风险管理。他们还在2021年的SHORELINE21研讨会上展示了针对2020年登陆路易斯安那州的飓风劳拉的测试平台。

Wang表示：“对于某些模型，例如占用率，我们的准确率接近100%。而对于其他模块，例如屋顶类型，准确率则达到了90%。”

计算资源

研究人员在德克萨斯高级计算中心（TACC）使用超级计算机（如Frontera和Maverick 2）来训练BRAILS模块和运行模拟。Wang解释道：“训练一个模型可能需要几个小时，这取决于图像数量、GPU数量和学习速率等因素。”

TACC是NSF NHERI计划的资助伙伴之一，也是DesignSafe-CI（网络基础设施）的设计和维护方。DesignSafe-CI是一个供自然灾害研究人员使用的计算、数据分析和工具平台。

德克萨斯大学奥斯汀分校土木工程教授Ellen Rathje表示：“该项目是一个很好的例子，说明DesignSafe平台如何通过高级计算推动自然灾害研究和新工具的发展，并与NHERI的许多组成部分紧密合作。”

BRAILS/CityBuilder工具旨在与SimCenter的区域韧性确定（R2D）工具无缝集成。R2D工具是一个图形用户界面，用于量化自然灾害对区域的影响。其输入包括每座建筑物的损坏程度和损失率（建筑物维修成本占其重建价值的百分比），以及对预测的置信度。

Wang表示：“模拟灾害事件——如将风场或地面震动应用于成千上万座建筑物以评估飓风或地震的影响——需要大量的计算资源和时间。对于城市规模的模拟，根据规模的不同，通常需要在TACC上运行几个小时。”

Wang认为TACC是进行此类研究的理想环境，因为它提供了研究团队所需的大部分计算资源。“在我参与DesignSafe相关的NSF项目期间，我可以几乎不受限制地进行计算，这非常棒。”

影响

为了使我们的社区更好地抵御自然灾害，我们需要了解未来可能遭受的破坏程度，以告知居民和政策制定者是否需要加固建筑物或转移人口。

Wang表示：“这就是模拟和建模所能提供的。这些技术将帮助我们创造一个更具韧性的建筑环境。”