人工智能正在各个领域如商业、工业设计和娱乐中创造新的机遇。那么，土木工程和城市规划又将迎来怎样的变革呢？机器学习和深度学习正在帮助我们构建更安全、可持续和韧性的建筑环境。
美国国家科学基金会（NSF）NHERI SiMCenteR是加州大学伯克利分校自然灾害工程社区的计算建模与仿真中心。该机构的一个团队开发了名为BRAILS（大规模人工智能建筑识别）的工具，能够自动识别城市建筑特征，并评估其在地震、飓风或海啸等灾难中可能面临的风险。
BRAILS利用机器学习、深度学习和计算机视觉技术提取建筑环境信息，旨在为建筑师、工程师和规划专业人士提供更加高效的规划、设计和管理工具。
最近，SiMCenteR发布了BRAILS 2.0版本，新增了更广泛建筑特征的预测模块。这些特征包括居住类型、屋顶类型、基础立面、建造年份、楼层数，以及建筑物是否存在“软层”，这一术语指的是底层有较大开放空间的结构（如商店），在地震中更容易倒塌。
Wang及其同事开发的基本BRAILS框架能够自动从卫星和地面图像中提取建筑信息，并将这些信息与来自多个数据源的数据进行整合，这是一个协作项目，旨在免费创建可编辑的世界地图。此外，该框架还提供将建筑数据与税务、城市调查等信息相结合的选项，以补充计算机视觉模块。
SiMCenteR首席研究员兼联合主任Sanjay GOVindjee表示：“考虑到区域仿真的重要性以及这些任务所需的大量库存数据，机器学习无疑是推进这项工作的唯一途径。我们很高兴看到土木工程师们学习和运用这些新技术来解决现实问题。”
近期，SiMCenteR在公民科学门户网站ZooniveRse上启动了一项新项目，旨在收集更多的标签数据。该项目名为“建筑防灾侦探”，允许公众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额外的特征提取模块。
Wang提到：“我们在三月份启动了ZooniveRse项目，几周内就吸引了1000名志愿者，标注了2万张图片。”
由于缺乏完整或准确的数据源，BRAILS采用逻辑和统计方法进行数据增强，以填补空白，并计算其估计的不确定性。
在分别开发和测试这些模块的准确性后，团队将其整合在BRAILS内部，创建了CITybuilder工具。用户只需输入特定城市或区域，即可自动生成该地理区域内每个建筑的特征。
Wang和他的同事进行了多轮验证演示，旨在评估人工智能衍生模型的准确性。每个测试台都会生成建筑清单，并根据历史事件或潜在事件模拟灾害的影响。
该团队已在旧金山建立了地震试验台，以及在路易斯安那州查尔斯湖、德克萨斯州海岸和新泽西州大西洋城的飓风试验台。
Wang表示：“我们的目标是双重的。首先，通过仿真并向决策者提供结果，减少未来的损失。其次，利用这些数据快速模拟真实场景，以便在侦察小组部署前迅速跟进新事件。我们希望近实时的仿真结果能帮助引导更准确的应急响应。”
该团队在2021年2月的《建筑自动化》期刊中概述了他们的框架，并展示了神经网络如何生成特定区域内建筑物的真实空间分布，以及其在新泽西州五个沿海城市的大规模自然灾害风险管理中的应用。
他们在2021年近岸环境共享运营研究物流研讨会（SHORELINE21）上展示了在路易斯安那州登陆的飓风劳拉的测试平台。
当被问及BRAILS的性能时，Wang表示：“对于某些模型，例如入住率，我们的准确率接近100%。而对于其他模块，例如屋顶类型，准确率接近90%。”
为训练BRAILS模块并运行仿真，研究人员使用了德克萨斯州高级计算中心（TACC）的超级计算机，特别是全球最快的学术超级计算机FRonteRa和专门为深度学习设计的基于GPU的MaveRick 2系统。
Wang解释道：“对于一个模型，训练可以在几个小时内完成，但这取决于图像数量、图形处理器数量、学习率等因素。”
与SiMCenteR类似，TACC也是NSF NHERI项目的资助伙伴。TACC设计并维护designSafe-CI（网络基础设施），这是一个用于计算、数据分析的平台和自然灾害研究人员使用的工具平台。
德克萨斯大学奥斯汀分校土木工程教授、designSafe项目的首席研究员Ellen Rathje指出：“该项目很好地展示了通过designSafe进行的高级计算如何与NHERI的众多组件协同工作，为自然灾害研究和新工具开辟了新的可能性。”
BRAILS/CITybuilder与SiMCenteR的区域弹性测定（R2D）工具无缝集成。R2D是SiMCenteR应用程序框架的图形用户界面，量化自然灾害对区域的影响，输出包括整个城市或地区中每座建筑的损坏状态和损失率（建筑修复成本与重置价值的百分比），以及对预测的信心程度。
Wang表示：“将风场或地面震动应用于成千上万栋建筑，以评估飓风或地震等灾害事件的影响，仿真过程需要大量的计算资源和时间。根据规模的不同，一个城市范围的仿真通常需要在TACC上运行数小时。”
他说，TACC为这项研究提供了理想的环境，能够满足团队所需的大部分计算需求。“参与与designSafe相关的NSF项目，我几乎可以毫无限制地进行计算。这真是太棒了。”
为了增强社区抵御自然灾害的能力，我们需要了解未来可能遭受的破坏程度，从而为居民和决策者提供加固建筑或转移人群的依据。
Wang总结道：“这就是仿真和建模所能提供的，所有这些努力都是为了创造一个更具韧性的建筑环境。”
