Forskere annoncerer en ny måde at vurdere, hvordan bygninger ville stå op i store jordskælv

Forskere fra University of California, Berkeley, har udviklet en ny måde at vurdere, hvordan bygninger ville stå op i store jordskælv. Metoden bruger maskinlæring til at analysere data fra tidligere jordskælv og identificere mønstre, der kan bruges til at forudsige, hvordan forskellige typer bygninger vil præstere i fremtidige jordskælv.

Forskerne siger, at deres metode er mere nøjagtig end traditionelle metoder til seismisk vurdering, som er baseret på forenklede modeller for bygningsadfærd. Maskinlæringsmodeller kan fange de komplekse interaktioner mellem forskellige dele af en bygning og deres omgivelser, hvilket giver mulighed for mere præcise forudsigelser af, hvordan en bygning vil klare sig i et jordskælv.

Forskerne testede deres metode på et datasæt med over 1.000 bygninger, der blev beskadiget under tidligere jordskælv. Modellen var i stand til præcist at forudsige skadesniveauet for hver bygning, selv for bygninger, der ikke eksplicit var inkluderet i træningsdataene.

Forskerne siger, at deres metode kunne bruges til at forbedre den seismiske sikkerhed i bygninger. Ved at identificere bygninger, der er i høj risiko for skade, kan ingeniører tage skridt til at eftermontere dem og gøre dem mere modstandsdygtige over for jordskælv.

Forskningen blev offentliggjort i tidsskriftet Earthquake Engineering and Structural Dynamics.

Sådan fungerer metoden

Maskinlæringsmodellen brugt i undersøgelsen er en type kunstigt neuralt netværk. Kunstige neurale netværk er inspireret af den menneskelige hjerne og kan lære at genkende mønstre i data. Modellen blev trænet på et datasæt med over 1.000 bygninger, der blev beskadiget i tidligere jordskælv. Modellen lærte at identificere mønstre i dataene, der er forbundet med forskellige skadesniveauer.

Når modellen var trænet, blev den testet på et sæt bygninger, der ikke var inkluderet i træningsdataene. Modellen var i stand til præcist at forudsige skadesniveauet for hver bygning.

Fordele ved metoden

Maskinlæringsmetoden tilbyder flere fordele i forhold til traditionelle metoder til seismisk vurdering.

* Nøjagtighed: Maskinlæringsmodellen er mere nøjagtig end traditionelle metoder til seismisk vurdering, som er baseret på forenklede modeller for bygningsadfærd.

* Fleksibilitet: Maskinlæringsmodellen kan bruges til at vurdere en lang række bygninger, herunder bygninger med komplekse geometrier og uregelmæssige former.

* Hastighed: Maskinlæringsmodellen kan bruges til hurtigt at vurdere et stort antal bygninger.

Anvendelser af metoden

Maskinlæringsmetoden kan bruges til en række applikationer, herunder:

* Seismiske sikkerhedsvurderinger: Metoden kunne bruges til at identificere bygninger, der er i høj risiko for skade ved et jordskælv.

* Eftermontering: Metoden kan bruges til at hjælpe ingeniører med at designe eftermonteringsforanstaltninger til bygninger, der er i høj risiko for skade.

* Nødberedskab: Metoden kunne bruges til at hjælpe beredskabspersonale med at vurdere skaderne på bygninger efter et jordskælv.

Maskinlæringsmetoden er et lovende nyt værktøj til vurdering af bygningers seismiske sikkerhed. Metoden er nøjagtig, fleksibel og hurtig, og den kan bruges til en række forskellige applikationer.