Οι ερευνητές ανακοινώνουν νέο τρόπο να αξιολογήσουν τον τρόπο με τον οποίο τα κτίρια θα αντέχουν σε μεγάλους σεισμούς
Οι ερευνητές από το Πανεπιστήμιο της Καλιφόρνιας, Berkeley, έχουν αναπτύξει έναν νέο τρόπο για να αξιολογήσουν τον τρόπο με τον οποίο τα κτίρια θα αντέχουν σε μεγάλους σεισμούς. Η μέθοδος χρησιμοποιεί μηχανική μάθηση για την ανάλυση δεδομένων από τους προηγούμενους σεισμούς και τον εντοπισμό μοτίβων που μπορούν να χρησιμοποιηθούν για να προβλέψουν πώς θα εκτελούνται διαφορετικοί τύποι κτιρίων σε μελλοντικούς σεισμούς.
Οι ερευνητές λένε ότι η μέθοδος τους είναι πιο ακριβής από τις παραδοσιακές μεθόδους σεισμικής αξιολόγησης, οι οποίες βασίζονται σε απλοποιημένα μοντέλα οικοδομικής συμπεριφοράς. Τα μοντέλα μηχανικής μάθησης μπορούν να καταγράψουν τις πολύπλοκες αλληλεπιδράσεις μεταξύ διαφορετικών τμημάτων ενός κτιρίου και του περιβάλλοντος τους, επιτρέποντας πιο ακριβείς προβλέψεις για το πώς θα εκτελέσει ένα κτίριο σε σεισμό.
Οι ερευνητές εξέτασαν τη μέθοδο τους σε ένα σύνολο δεδομένων με πάνω από 1.000 κτίρια που υπέστησαν ζημιά σε προηγούμενους σεισμούς. Το μοντέλο ήταν σε θέση να προβλέψει με ακρίβεια το επίπεδο ζημιών κάθε κτιρίου, ακόμη και για κτίρια που δεν συμπεριλήφθηκαν ρητά στα δεδομένα εκπαίδευσης.
Οι ερευνητές λένε ότι η μέθοδος τους θα μπορούσε να χρησιμοποιηθεί για να βοηθήσει στη βελτίωση της σεισμικής ασφάλειας των κτιρίων. Με τον εντοπισμό κτιρίων που διατρέχουν υψηλό κίνδυνο ζημιών, οι μηχανικοί μπορούν να λάβουν μέτρα για να τα ανανεώσουν και να τα καταστήσουν πιο ανθεκτικά σε σεισμούς.
Η έρευνα δημοσιεύθηκε στο περιοδικό Engineering Engineering and Structural Dynamics.
Πώς λειτουργεί η μέθοδος
Το μοντέλο μηχανικής μάθησης που χρησιμοποιείται στη μελέτη είναι ένας τύπος τεχνητού νευρικού δικτύου. Τα τεχνητά νευρωνικά δίκτυα εμπνέονται από τον ανθρώπινο εγκέφαλο και μπορούν να μάθουν να αναγνωρίζουν τα πρότυπα στα δεδομένα. Το μοντέλο εκπαιδεύτηκε σε ένα σύνολο δεδομένων με πάνω από 1.000 κτίρια που υπέστησαν ζημιά σε προηγούμενους σεισμούς. Το μοντέλο έμαθε να εντοπίζει πρότυπα στα δεδομένα που σχετίζονται με διαφορετικά επίπεδα ζημιών.
Μόλις εκπαιδευτεί το μοντέλο, δοκιμάστηκε σε ένα σύνολο κτιρίων που δεν συμπεριλήφθηκαν στα δεδομένα εκπαίδευσης. Το μοντέλο ήταν σε θέση να προβλέψει με ακρίβεια το επίπεδο ζημιών κάθε κτιρίου.
Οφέλη της μεθόδου
Η μέθοδος εκμάθησης μηχανών προσφέρει πολλά οφέλη έναντι των παραδοσιακών μεθόδων σεισμικής αξιολόγησης.
* Ακρίβεια: Το μοντέλο μηχανικής μάθησης είναι ακριβέστερο από τις παραδοσιακές μεθόδους σεισμικής αξιολόγησης, οι οποίες βασίζονται σε απλοποιημένα μοντέλα οικοδομικής συμπεριφοράς.
* Ευελιξία: Το μοντέλο μηχανικής μάθησης μπορεί να χρησιμοποιηθεί για να αξιολογήσει μια μεγάλη ποικιλία κτιρίων, συμπεριλαμβανομένων κτιρίων με σύνθετες γεωμετρίες και ακανόνιστα σχήματα.
* ταχύτητα: Το μοντέλο μηχανικής μάθησης μπορεί να χρησιμοποιηθεί για να αξιολογήσει γρήγορα ένα μεγάλο αριθμό κτιρίων.
Εφαρμογές της μεθόδου
Η μέθοδος εκμάθησης μηχανών θα μπορούσε να χρησιμοποιηθεί για μια ποικιλία εφαρμογών, όπως:
* Αξιολογήσεις σεισμικής ασφάλειας: Η μέθοδος θα μπορούσε να χρησιμοποιηθεί για τον εντοπισμό κτιρίων που διατρέχουν υψηλό κίνδυνο βλάβης σε σεισμό.
* Ανασυγκρότηση: Η μέθοδος θα μπορούσε να χρησιμοποιηθεί για να βοηθήσει τους μηχανικούς να σχεδιάσουν μέτρα αναβάθμισης για κτίρια που διατρέχουν υψηλό κίνδυνο ζημιών.
* Απόκριση έκτακτης ανάγκης: Η μέθοδος θα μπορούσε να χρησιμοποιηθεί για να βοηθήσει τους ανταποκριτές έκτακτης ανάγκης να αξιολογήσουν τη ζημιά στα κτίρια μετά από σεισμό.
Η μέθοδος εκμάθησης μηχανών είναι ένα πολλά υποσχόμενο νέο εργαλείο για την αξιολόγηση της σεισμικής ασφάλειας των κτιρίων. Η μέθοδος είναι ακριβής, ευέλικτη και γρήγορη και θα μπορούσε να χρησιμοποιηθεί για μια ποικιλία εφαρμογών.
