В днешния свят, управляван от данни, машинното обучение има потенциала да революционизира индустриите и да решава сложни проблеми от реалния живот, което прави по-важно от всякога да се справят с тези предизвикателства директно.

Земетресенията са природни бедствия, които могат да причинят широкоразпространени разрушения и загуба на живот.

Едно от най-разрушителните земетресения в новата история се случи в Турция и Сирия през 2023 г. и причини смъртта на повече от 50 000 души.

Всяка година земетресенията причиняват щети за милиарди долари и засягат милиони хора по света. През последните години изкуственият интелект (AI) се очертава като обещаващ инструмент за подобряване на безопасността при земетресения. В тази статия ще обсъдим как подходихме към решаването на проблем с Kaggle — „Предсказване на безопасността на сградата при земетресение“ и как този подход е от полза за обществото.

Постановка на проблема

Целта на състезанието

Целта на това състезание е да се предвиди структурната реакция на стоманени рамки, подложени на сеизмични натоварвания. Там трябва да разработим модел за машинно обучение, за да оценим максималното междуетажно изместване, като се имат предвид неговите структурни свойства, действаща гравитация и сеизмични натоварвания.

Контекст

Земетресенията също могат да имат опустошителни последици. Те могат да причинят значителни щети на сгради, пътища и друга инфраструктура, което води до загуба на живот и икономически сътресения. В някои случаи земетресенията могат да предизвикат други природни бедствия, като свлачища, цунами и вулканични изригвания.

Строителните инженери използват различни видове сеизмичен анализ, за ​​да оценят поведението на сгради и други конструкции, подложени на земетресение. Най-точният е анализът на нелинейната история на времето (NLTH). NLTH анализът е особено важен за структури, които са критични за обществената безопасност, като например болници, атомни електроцентрали и високи сгради. Използва се и при проектирането на структури със сложни или неправилни конфигурации , където отговорът на сеизмичните сили не може да бъде точно предвиден с помощта на по-прости методи за анализ. Въпреки това, този тип анализ е и най-отнемащият време и като се има предвид итеративният характер на структурния дизайн, строителните инженери обикновено не се препоръчват да го използват, избирайки по-прост и по-малко точен линеен анализ. Наличието на модел за машинно обучение за бърза оценка на поведението на глобалната сграда може да помогне на инженерите да ускорят NLTH анализа и следователно да го използват по-често в практиката си. Това може да доведе до по-ефективни и рентабилни проекти, които осигуряват по-голяма безопасност и устойчивост в райони, застрашени от земетресения.

Благодарности

Конкурсните данни бяха синтетично създадени чрез софтуера за модел на крайни елементи (FEM) от Politecnico di Milano, Департамент по архитектура, застроена среда и строително инженерство (DABC).

Данните са създадени от д-р. кандидат Алексей Кондратенко с помощта на магистърския студент Хасан Хайдар и асистента Алпер Канилмаз.

Какво е сеизмично натоварване?

Сеизмичното инженерство разглежда прилагането на възбуда, генерирана от земетресение, към конструкция. Повредите най-често възникват там, където конструкцията докосва земята или друга сграда. Международният строителен кодекс включва изчисляване на сеизмично натоварване.

Сеизмичното натоварване показва колко сеизмична енергия (вълни от енергия, които се движат през земята) трябва да издържи дадена конструкция в определено географско местоположение.

Сеизмичните натоварвания се изчисляват, като се вземе предвид следното:

• земетръсни параметри на строителната площадка

• вида на използваните материали за създаване на конструкцията

• качеството на конструкцията на конструкцията

Какво е Interstory drift?

Междуетажното отклонение, относителното транслационно изместване между два последователни етажа, е важен параметър на инженерното търсене и показател за конструктивните характеристики.

Общността на структурното инженерство би се възползвала добре от точни измервания на междуетажния дрейф, особено когато конструкциите са подложени на нееластична деформация.

Дрейфът на историята е относителното изместване на една история спрямо другата. Значението на историята е в дизайна на прегради и окачени стени. Докато изместването на етажа е страничното изместване на етажа спрямо основата.

Подходът — който следвахме

Подходът, последван за решаване на проблема, беше комбинация от EDA, инженеринг на функции и избор на модел. Стъпката на предварителната обработка на данни включваше почистване на набора от данни и вписване на липсващи стойности.

Беше направено инженерство на функции, за да се създадат нови функции, които биха могли да подобрят прогнозната производителност на модела.

Друго нещо, което направихме, беше да премахнем силно корелираните функции, тъй като те не добавят голямо значение към крайната прогноза и също така увеличават измерението на данните.

След инженеринг на функции обучихме два модела за машинно обучение и ги оценихме, за да изберем най-ефективния. Разглежданите модели включват линейна регресия и RandomForestRegressor. Установено е, че моделът с по-добри резултати е линейната регресия, която постига среден резултат за кръстосано потвърждаване от 0,4470604241221294 в тестовия набор.

Като има предвид, че моделът RandomForestRegressor постигна среден резултат за кръстосано валидиране от 0,8972316282769038 в тестовия набор.

Но би било изненадващо за вас да знаете, че окончателният ни публичен резултат беше изместен от 86,27 на 18,93, когато използвахме прогнозите от модела RandomForestRegressor. Причината за това може да е, че моделът RandomForestRegressor обобщава по-добре от модела на линейна регресия. Кажете ми вашите мисли по този въпрос. Огромен скок от 10-та позиция до 5-та позиция в класацията.

В момента сме на 6-та позиция към момента на писане на тази статия.

Какъв е смисълът?

Смисълът на решаването на проблема с Kaggle за безопасност при земетресения има няколко ползи за обществото. Първо и най-важно, разработването на надежден модел за машинно обучение за прогнозиране на вероятността от щети на сгради по време на земетресение може да помогне на градоустройствените и политиците да вземат информирани решения относно проектирането и строителството на сгради. Чрез използването на модела за идентифициране на факторите, които допринасят за щетите на сградата по време на земетресение, политиците могат да създадат по-добри строителни кодекси и разпоредби, които гарантират безопасността на гражданите.

Второ, използването на AI за безопасност при земетресения може да помогне на спешните служби да приоритизират усилията си за реагиране по време и след земетресение. Чрез използването на модела за прогнозиране кои сгради е вероятно да претърпят най-големи щети, аварийните служби могат да разпределят своите ресурси по-ефективно и ефективно, потенциално спасявайки животи и намалявайки степента на щетите, причинени от земетресението.

Заключение

В заключение, AI се оказва ценен инструмент за подобрение в различни области. Чрез разработването на модели за машинно обучение, които могат да предскажат вероятността от повреда на сграда по време на земетресение, можем да създадем по-добри строителни кодекси и разпоредби, както и да разпределим по-ефективно ресурси за реагиране при спешни случаи. Подходът, споменат тук за решаване на проблема с Kaggle за безопасност при земетресения, е само един отличен пример за това как AI може да се използва за подобряване на обществото.

Kaggle е платформа за състезания и проекти в областта на науката за данни, където отделни лица и екипи могат да работят върху проблеми от реалния свят и да създават решения, използвайки машинно обучение и анализ на данни.

Участието в състезания и проекти на Kaggle може да бъде чудесен начин да развиете уменията си, да се учите от другите и да допринесете за подобряването на обществото по различни начини.

Решаването на проблемите на Kaggle може да има значително социално въздействие, тъй като много състезания се фокусират върху проблеми от реалния свят като здравеопазване, изменение на климата, реакция при бедствия и устойчиво развитие. Чрез разработването на иновативни решения на тези предизвикателства, участниците в Kaggle могат да допринесат за създаването на по-добър свят и подобряването на живота на хората в световен мащаб.

Освен това решенията, разработени чрез състезания на Kaggle, могат да бъдат приложени в ситуации от реалния живот, което води до практически приложения, които могат да имат положително въздействие върху обществото.

Сега.

Надявам се да ви видя в класацията! :D

Препратки

Kaggle. Прогнозирайте безопасността на сградата при земетресение. Взето от https://www.kaggle.com/competitions/predict-the-building-safety-under-the-earthquake/overview