La inteligencia artificial (IA) está proporcionando nuevas oportunidades en una variedad de campos, desde los negocios hasta el diseño industrial y el entretenimiento. Pero, ¿qué hay de la ingeniería civil y la planificación urbana? ¿Cómo podría el aprendizaje automático y profundo ayudarnos a crear entornos construidos más seguros, sostenibles y resilientes?
Un equipo de investigadores del NSF NHERI SimCenter, un centro de modelado y simulación computacional para la comunidad de ingeniería de peligros naturales con sede en la Universidad de California, Berkeley, han desarrollado un conjunto de herramientas llamadas BRAILS (Reconocimiento de Edificios usando IA a Gran Escala) que pueden identificar automáticamente las características de los edificios en una ciudad e incluso detectar los riesgos que las estructuras de una ciudad enfrentarían en un terremoto, huracán o tsunami.
“Queremos simular el impacto de los peligros en todos los edificios de una región, pero no tenemos una descripción de los atributos del edificio. Por ejemplo, en el área de la bahía de San Francisco, hay millones de edificios. Utilizando la IA, podemos obtener la información necesaria. Podemos entrenar modelos de redes neuronales para inferir información de construcción a partir de imágenes y otras fuentes de datos”, explica Charles (Chaofeng) Wang, investigador postdoctoral de la Universidad de California, Berkeley, y desarrollador principal de BRAILS.
BRAILS utiliza el aprendizaje automático, el aprendizaje profundo y la visión por computadora para extraer información sobre el entorno construido. Está concebido como una herramienta para arquitectos, ingenieros y profesionales de la planificación para proyectar, diseñar y administrar edificios y sistemas de infraestructura de manera más eficiente.
Recientemente se lanzó la versión 2.0 de BRAILS, la cual incluye nuevos módulos para predecir un espectro más amplio de características del edificio. Estos incluyen la clase de ocupación (comercial, unifamiliar o multifamiliar), el tipo de techo (plano, a dos aguas o a cuatro aguas), la elevación de los cimientos, el año de construcción, el número de pisos y si un edificio tiene un «piso suave», un término de ingeniería civil para las estructuras que incluyen plantas bajas con grandes aberturas (como escaparates) que pueden ser más propensos a colapsar durante un terremoto.
El marco básico BRAILS desarrollado por Wang y sus colaboradores extrae de forma automática la información del edificios mediante imágenes satelitales y a nivel de suelo extraídas de Google Maps y las fusiona con varias fuentes, como Microsoft Footprint Data y OpenStreetMap, un proyecto colaborativo para crear un mapa editable gratuito del mundo. El marco también ofrece la opción de fusionar estos datos con registros fiscales, encuestas municipales y otra información, para complementar el componente de visión computarizada.
“Dada la importancia de las simulaciones regionales y la necesidad de grandes datos de inventario para ejecutarlas, el aprendizaje automático es realmente la única opción para llevar esto a cabo”, señaló el investigador principal y codirector de SimCenter, Sanjay Govindjee. “Es emocionante ver a los ingenieros civiles aprendiendo estas nuevas tecnologías y aplicándolas a problemas del mundo real”.
Aprovechando el poder del Crowdsourcing
Recientemente, el SimCenter lanzó un proyecto en el portal web de ciencia ciudadana, Zooniverse, para recopilar datos adicionales etiquetados. El proyecto, llamado «Detective de Edificios para la Preparación para Desastres», permite al público identificar características arquitectónicas específicas de estructuras, como techos, ventanas y chimeneas. Estas etiquetas se utilizarán para entrenar módulos adicionales de extracción de características.
“Lanzamos el proyecto Zooniverse en marzo y en un par de semanas tuvimos mil voluntarios y 20.000 imágenes anotadas”, dijo Wang
Dado que ninguna fuente de datos es completa o totalmente precisa, BRAILS realiza mejoras de datos utilizando métodos lógicos y estadísticos para llenar vacíos. También calcula la incertidumbre para sus estimaciones.
Después de desarrollar y probar la precisión de estos módulos individualmente, el equipo los combinó para crear la herramienta CityBuilder dentro de BRAILS. La entrada de una ciudad o región determinada en CityBuilder puede generar automáticamente una caracterización de cada estructura en esa área geográfica.
Wang y sus colaboradores realizaron una serie de demostraciones de validación, o como ellos los llaman, bancos de pruebas, para determinar la precisión de los modelos derivados de la IA. Cada banco de pruebas genera un inventario de estructuras y simula el impacto de un peligro basado en eventos históricos o plausibles.
«Nuestros objetivos son dobles. En primer lugar, mitigar el daño en el futuro haciendo simulaciones y proporcionando resultados a los responsables de la toma de decisiones y las políticas. Y en segundo lugar, utilizar estos datos para simular rápidamente un escenario real, inmediatamente después de un nuevo evento, antes de que se despliegue el equipo de reconocimiento. Esperamos que los resultados de simulación casi en tiempo real puedan ayudar a guiar la respuesta de emergencia con mayor precisión”, explica Wang.
El equipo describió su marco en la edición de febrero de 2021 de Automation in Construction. Mostraron que su red neuronal podría generar distribuciones espaciales realistas de edificios en una región y describieron cómo podría utilizarse para la gestión del riesgo de peligros naturales a gran escala utilizando cinco ciudades costeras de Nueva Jersey.
“Para hacer que nuestras comunidades sean más resistentes a los peligros naturales, necesitamos saber qué nivel de daño tendremos en el futuro, informar a los residentes y a los responsables políticos sobre si fortalecer los edificios o trasladar a las personas a otros lugares. Eso es lo que la simulación y el modelado pueden proporcionar. Todo para crear un entorno construido más resiliente», concluye Wang.
