Comenzó como un edificio de Darzar más bajo y caza a distancia. Se convirtió en un trueno sordo que hundió a todos los demás. La sombra antinatural del cielo ha cambiado, luego negro. El viento golpeó los árboles y los edificios con una fuerza brutal. Las sirenas comenzaron a llorar. Windows y edificios explotaron.
En la primavera de 2011, Jalplan, Missouri, EF5 EF5 fue destruido por una tormenta, que se estima en más de 200 millas por hora. La tormenta causó 161 muertes, más de mil personas resultaron heridas, y alrededor de 8,000 casas y empresas resultaron dañadas y destruidas. La tormenta estableció una ruta de toda la milla en el sur densamente poblado de la ciudad, dejando ferias de escombros a una distancia de millas y perdiendo más de $ 2 mil millones.
Los fuertes vientos de la tormenta a menudo cruzaron los límites del diseño de la mayoría de los edificios residenciales y comerciales. Las formas tradicionales de evaluar el daño después de un desastre pueden llevar semanas o meses, las reacciones de emergencia, las reclamaciones de seguros y los esfuerzos de reconstrucción a largo plazo pueden retrasarse.
Una nueva investigación realizada por la Universidad de Texas A&M puede cambiar. Bajo el liderazgo del Profesor Asociado y Profesor de Desarrollo de Carreras de Zachary II en el Departamento de Ingeniería Civil y Ambiental de Zachary en Texas A&M, los investigadores han desarrollado un nuevo método que ha agregado modelos de detección remota, aprendizaje profundo y rehabilitación para exponer el edificio. Una vez después del evento después del evento, el modelo puede predecir el diagnóstico y la recuperación de daños en menos de una hora.
Los investigadores publicaron su modelo Ciudad y sociedad sostenibles.
“La inspección manual de campo está trabajando duro y oportuno”, dijo Abdullah Braik, participante en Texas A&M y estudiante de doctorado en ingeniería civil, que a menudo se retrasa en esfuerzos importantes. “” Nuestro método utiliza imágenes de detección de alta resolución y algoritmo de aprendizaje profundo para producir daños en el daño en cuestión de horas, proporcionando a los primeros encuestados y responsables políticos a inteligencia viable “.
El modelo funciona más que evaluar el daño: también ayuda a predecir los costos de reparación y estimar las horas de recuperación. Los investigadores pueden evaluar estos plazos y costos en diversas situaciones combinando una tecnología de aprendizaje profundo, una variedad de inteligencia artificial, con modelos de mantenimiento modernos.
“Nuestro objetivo es predecir el diagnóstico y la posibilidad de daños estrechamente a los tomadores de decisiones, para garantizar que los recursos se asignen de manera efectiva e igual, especialmente para las comunidades muy débiles”, dijo Brook. “Permite la toma de decisiones activas como resultado de una catástrofe”.
¿Cómo funciona?
Los investigadores combinan tres herramientas para hacer el modelo: teledetección, aprendizaje profundo y modelado de mantenimiento.
La teledetección utiliza imágenes satelitales o aéreas de alta resolución de fuentes como NOAA para mostrar el rango de daños en grandes áreas.
“Estas imágenes son muy importantes porque ofrecen una vista macro escala del área afectada, que permite detectar daños masivos rápidamente”, dijo Barack.
El aprendizaje profundo analiza automáticamente estas imágenes para identificar adecuadamente la gravedad del daño. La IA es entrenada antes del desastre analizando miles de imágenes de eventos pasados, aprendiendo a reconocer los signos visibles de daños, como techos que caen, paredes faltantes y escombros dispersos. Luego, el modelo clasificó cada edificio en categoría, como daños, daños moderados, daños importantes o destruido.
El modelado de rehabilitación estima los datos de recuperación pasados, los detalles de construcción e infraestructura y los factores de la comunidad, como el acceso al nivel de ingresos o los recursos, estima cuánto tiempo puede llevar para que los hogares y los palacios se recuperen bajo varios fondos o términos de políticas.
Cuando se encuentran estas tres herramientas, el modelo puede evaluar la pérdida y predecir los plazos de mantenimiento a corto y largo plazo para las comunidades afectadas por desastres.
“Finalmente, esta investigación elimina la brecha entre el diagnóstico rápidamente devastador y los planes estratégicos de rehabilitación a largo plazo, que ofrece una conciencia de acompañamiento del riesgo aún para aumentar la resiliencia después de la tormenta”, dijo Brook.
Examinar el modelo
Colio y Braik utilizaron los datos de la tormenta Jiplin 2011 debido a la disponibilidad de información de alta calidad después de su gran tamaño, intensidad y destrucción para probar su modelo. La tormenta destruyó miles de edificios, lo que creó un datos de datos diversos que podría entrenar y probar el modelo en varios niveles de daño estructural. Las revisiones detalladas de revisiones del daño a nivel de tierra proporcionaron un punto de referencia confiable para averiguar hasta qué punto el modelo puede clasificar la gravedad del daño.
“Uno de los resultados más interesantes fue que, además de detectar una alta precisión, también podemos estimar el camino de la tormenta”, dijo Brake. “Al analizar los datos de daños, podemos reconstruir la ruta de la tormenta, que, más cerca de los registros históricos, se ofrece una información valiosa sobre el evento”.
La dirección del futuro
Los investigadores están trabajando para usar este modelo para otros tipos de desastres, como huracanes y terremotos, siempre que se puedan detectar muestras de satélite.
“La clave para la capacidad general del modelo radica en capacitarlo para usar imágenes pasadas con riesgos específicos, lo que le permite aprender un daño único relacionado con cada evento”, dijo Barack. “Ya hemos probado el modelo en los datos de huracanes, y los resultados han demostrado el potencial de adoptar otros riesgos”.
El equipo de investigación cree que su modelo puede ser importante en respuesta a la catástrofe futura, que ayuda a las comunidades a recuperarse más rápido y de manera más eficiente. El equipo quiere extender el modelo más allá del diagnóstico de daño para agregar actualizaciones de tiempo real para la recuperación de rehabilitación y rehabilitación con el tiempo.
“Esto permitirá la toma de decisiones más dinámica e informada como la reconstrucción de sociedades”, dijo. “Nuestro objetivo es crear una herramienta confiable que mejore el rendimiento de la gestión de desastres y respalde los esfuerzos rápidos”.
La tecnología tiene el potencial de averiguar cómo los funcionarios de emergencia, los seguros y los formuladores de políticas respondieron al proporcionar estimaciones de diagnóstico y recuperación significativas en horas y días significativos después de la tormenta.
El apoyo financiero para esta investigación fue proporcionado por la National Science Foundation.
