تقييم الأضرار التي تلحق بالمباني باستخدام الذكاء الاصطناعي: إحداث ثورة في الاستجابة للكوارث

يعد تقييم أضرار المباني عملية بالغة الأهمية في إدارة الكوارث، حيث يحدد شدة الأضرار الهيكلية بعد الكوارث الطبيعية أو النزاعات المسلحة أو الأحداث الكارثية الأخرى. ومع التقدم في مجال الذكاء الاصطناعي والتعلم العميق، تحسنت عملية اكتشاف الأضرار بشكل كبير، مما يوفر تقييمات أسرع وأكثر دقة. تستكشف هذه المقالة كيف تعمل نماذج التعلم الآلي وصور الأقمار الصناعية وتقنيات مراقبة صحة المباني على تعزيز تقييم الأضرار، مما يتيح استجابات فعالة للطوارئ.

الذكاء الاصطناعي والتعلم العميق في اكتشاف أضرار المباني

لقد خضعت عملية الكشف عن أضرار المباني لثورة تكنولوجية مع دمج الذكاء الاصطناعي والتعلم العميق. كانت الطرق التقليدية، التي اعتمدت بشكل كبير على عمليات التفتيش اليدوية والتقييمات البصرية، تستغرق وقتًا طويلاً وتتطلب عمالة مكثفة وعرضة للخطأ البشري. اليوم، أدت التطورات في خوارزميات التعلم الآلي والتحليلات الجغرافية المكانية وصور الأقمار الصناعية عالية الدقة إلى تحويل طريقة تقييم الأضرار الهيكلية في المناطق المنكوبة بالكوارث. يمكن للنماذج التي تعتمد على الذكاء الاصطناعي الآن تحديد الأضرار وتصنيفها وقياسها تلقائيًا في الوقت الفعلي، مما يحسن بشكل كبير كفاءة الاستجابة للكوارث الطبيعية والدمار المرتبط بالحرب والفشل الهيكلي. من خلال الاستفادة من الشبكات العصبية وتقنيات تقسيم الحالات وأنظمة المراقبة في الوقت الفعلي، يكون تقييم الأضرار المدعوم بالذكاء الاصطناعي أسرع وأكثر دقة وقابلية للتطوير - مما يمكن الحكومات ومستجيبي الطوارئ ومخططي المدن من اتخاذ قرارات تعتمد على البيانات والتي تؤدي في النهاية إلى إنقاذ الأرواح وتقليل الخسائر الاقتصادية.

1. صور الأقمار الصناعية ونماذج التعلم الآلي

لقد أدى التعلم الآلي والتعلم العميق إلى تحسين تطبيقات الاستشعار عن بعد بشكل كبير، وخاصة في تقييم أضرار الكوارث. تعتمد طرق تقييم الأضرار التقليدية على عمليات التفتيش اليدوية، والتي تستغرق وقتًا طويلاً وتتطلب عمالة مكثفة وغالبًا ما تكون خطرة في المناطق المنكوبة بالكوارث. يتيح اكتشاف الأضرار المدعوم بالذكاء الاصطناعي، باستخدام صور الأقمار الصناعية والشبكات العصبية، إجراء تقييم آلي وواسع النطاق وسريع للمباني والبنية التحتية المتضررة.

تقوم نماذج التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، بتحليل صور الأقمار الصناعية عالية الدقة للكشف عن التشوهات الهيكلية قبل وبعد وقوع الكارثة. تتضمن هذه العملية، المعروفة باسم اكتشاف التغيير، مقارنة الصور قبل الكارثة وبعدها لتحديد الاختلافات في السلامة المادية للمباني. تعتمد فعالية الذكاء الاصطناعي في تقييم الأضرار على مجموعات البيانات عالية الجودة ونماذج التجزئة الدقيقة وخوارزميات التصنيف القوية.

مجموعات البيانات لتدريب نماذج الذكاء الاصطناعي في اكتشاف الأضرار

إن العامل الحاسم في أداء نماذج تقييم الأضرار التي تعتمد على الذكاء الاصطناعي هو توافر مجموعات بيانات كبيرة الحجم وموضحة. تعد مجموعة بيانات xView2 xBD واحدة من أكثر مجموعات البيانات مفتوحة المصدر استخدامًا لتدريب نماذج الذكاء الاصطناعي على تصنيف أضرار المباني من صور الأقمار الصناعية.

توفر مجموعة بيانات xView2 xBD، التي تم إنشاؤها من خلال برنامج البيانات المفتوحة التابع لشركة Maxar، صورًا عالية الدقة من الأقمار الصناعية للكوارث الطبيعية عبر مناطق متعددة. تحتوي على 18336 صورة مُعلقة من 15 دولة، تغطي أكثر من 45000 كيلومتر مربع من المناطق المتضررة من الكوارث. يتضمن كل زوج من الصور صورًا قبل الكارثة ("قبل") وبعد الكارثة ("بعد")، مما يسمح لنماذج الذكاء الاصطناعي بالتعلم وتصنيف مستويات الضرر في المباني.

نماذج التعلم العميق لاكتشاف الأضرار

تم اختبار وتنفيذ العديد من بنيات التعلم العميق للكشف عن الأضرار باستخدام صور الأقمار الصناعية. وتشمل النماذج الأكثر استخدامًا ما يلي:

1. يو – نت  - نموذج التجزئة الدلالية القائم على CNN والذي يستخرج خرائط الميزات لتحديد المباني ومستويات الضرر التي تلحق بها.
2. قناع ر – سي إن إن  - نموذج تجزئة الحالات الذي يكتشف المباني الفردية ويعين تصنيفات شدة الضرر.
3. شبكة بدانت  - بنية CNN متعددة المراحل تدمج صور ما قبل الكارثة وما بعدها لتقسيم المباني وتقييم الأضرار.
4. أسرع R – CNN  - نموذج CNN قائم على المنطقة مصمم لاكتشاف الكائنات وتصنيف الهياكل التالفة.

تستخدم هذه النماذج شبكات أساسية مدربة مسبقًا مثل ResNet وEfficientNet وInception v3 لاستخراج تمثيلات الميزات العميقة من الصور عالية الدقة، مما يضمن تقسيم الضرر وتصنيفه بدقة.

التحديات في الكشف عن أضرار الأقمار الصناعية باستخدام الذكاء الاصطناعي

على الرغم من التقدم المحرز في تقييم الأضرار باستخدام الذكاء الاصطناعي، إلا أن العديد من التحديات لا تزال قائمة:

• عدم توازن البيانات  - مجموعة بيانات xBD منحرفة نحو المباني "غير المتضررة"، مما يجعل من الصعب على النماذج تعلم ميزات الأضرار الشديدة بشكل فعال.
• اختلافات في جودة الصورة  – الاختلافات في الدقة والزاوية وظروف الإضاءة تؤثر على أداء النموذج.
• الانسداد والظلال  - يمكن للعقبات مثل الدخان والحطام والغطاء الشجري أن تحجب الخطوط العريضة للمباني، مما يقلل من دقة الكشف.
• قضايا التعميم  – قد تعمل نماذج الذكاء الاصطناعي المدربة على نوع واحد من الكوارث (مثل الأعاصير) بشكل ضعيف في سيناريوهات الكوارث المختلفة (مثل الزلازل وأضرار الحرب).

لتخفيف هذه المشكلات، يستخدم الباحثون تقنيات زيادة البيانات (القص العشوائي، والتدوير، وتعديلات السطوع) وأساليب التعلم الانتقالي لتحسين متانة النموذج عبر أحداث الكوارث المختلفة.

2. الذكاء الاصطناعي في الحرب – تقييم الأضرار

لقد أظهرت الحرب الدائرة بين روسيا وأوكرانيا الحاجة الملحة لتقييم الأضرار باستخدام الذكاء الاصطناعي في مناطق الحرب. وعلى عكس الكوارث الطبيعية، فإن الدمار المرتبط بالحرب غالبًا ما ينتج عن القصف المستهدف والضربات الصاروخية والقصف، مما يؤدي إلى أضرار واسعة النطاق وغير متوقعة ومحلية.

يساعد تقييم أضرار الحرب المعتمد على الذكاء الاصطناعي في:

• تنسيق المساعدات الإنسانية  - تحديد المناطق المتضررة بشدة لجهود الإغاثة الفورية.
• تخطيط إعادة الإعمار  - إعطاء الأولوية للبنية التحتية المتضررة لإعادة بنائها.
• الوثائق القانونية  - توفير الأدلة البصرية للتحقيقات في جرائم الحرب.

لتقييم الدمار الناجم عن الحرب، قام الباحثون بتكييف نماذج التعلم الآلي المدربة على بيانات الكوارث الطبيعية (على سبيل المثال، مجموعة بيانات xBD) لتقييم المباني المتضررة بسبب الصراع باستخدام صور الأقمار الصناعية من Google Earth وMaxar.

التحديات في الحرب – اكتشاف الأضرار

إن تحليل الأضرار المرتبطة بالحرب باستخدام الذكاء الاصطناعي يطرح تحديات فريدة من نوعها:

1. الاختلافات في أنماط الضرر  – يختلف الدمار الناجم عن الحرب عن الكوارث الطبيعية، حيث يتضمن في كثير من الأحيان انفجارات مباشرة، وانهيارات هيكلية جزئية، ومباني محترقة، وليس الفيضانات أو الأضرار الناجمة عن الرياح.
2. بيانات التدريب المحدودة  - على عكس الكوارث الطبيعية، لا توجد مجموعة بيانات متاحة للجمهور عن أضرار الحرب على نطاق واسع يمكن مقارنتها بـ xBD.
3. ندرة الصور وقضايا الجودة  - قد تكون صور الأقمار الصناعية لمناطق الصراع مصنفة أو غير متاحة، وغالبًا ما تكون الصور المتاحة منخفضة الدقة أو مغطاة بالسحب.
4. الطبيعة الديناميكية لمناطق الحرب  – وعلى النقيض من الكوارث الطبيعية، لا تزال مناطق الصراع النشطة تشهد الدمار، مما يجعل المقارنات الثابتة بين ما قبل وما بعد أقل فعالية.

مستقبل الذكاء الاصطناعي في الحرب – تقييم الأضرار

لتعزيز اكتشاف أضرار الحرب المدعومة بالذكاء الاصطناعي، يعمل الباحثون على تطوير:

• حرب مخصصة – مجموعات بيانات الأضرار  - جمع صور الحرب الموضحة لتدريب نماذج الذكاء الاصطناعي المتخصصة.
• تكامل الذكاء الاصطناعي القائم على الطائرات بدون طيار  - استخدام الطائرات بدون طيار لالتقاط صور عالية الدقة لتحليل الذكاء الاصطناعي في الوقت الفعلي.
• دمج البيانات المتعددة الوسائط  - الجمع بين صور الأقمار الصناعية والطائرات بدون طيار والصور على مستوى الأرض لتحسين الدقة.
• مراقبة الذكاء الاصطناعي في الوقت الفعلي  - نشر نماذج الذكاء الاصطناعي في منصات السحابة لتحديث تقارير الأضرار تلقائيًا مع توفر صور الأقمار الصناعية الجديدة.

إن تقييم الأضرار باستخدام الذكاء الاصطناعي في مناطق الحرب يشكل خطوة حاسمة نحو الاستجابة السريعة للكوارث، وتوزيع المساعدات الإنسانية بكفاءة، وإعادة بناء البنية التحتية على المدى الطويل في المناطق المتضررة من الصراع.

نماذج مدعومة بالذكاء الاصطناعي لتقييم الأضرار

لقد أدى التقدم في مجال الذكاء الاصطناعي والتعلم العميق إلى تحسين دقة وكفاءة تقييم أضرار المباني بشكل كبير. تستفيد هذه النماذج التي تعمل بالذكاء الاصطناعي من صور الأقمار الصناعية عالية الدقة والبيانات الزلزالية وتقنيات تقسيم الصور للكشف عن الهياكل التالفة وتصنيفها. تشمل المجالات الثلاثة الرئيسية حيث تلعب نماذج الذكاء الاصطناعي دورًا حاسمًا في تقييم الأضرار تقسيم الصور وتصنيف الأضرار ومراقبة صحة الهياكل في الوقت الفعلي.

1. U – الشبكة والقناع R – CNN لتجزئة الصورة

تعد عملية تقسيم الصور إحدى المهام الأساسية في تقييم أضرار المباني، والتي تتضمن تحديد المباني ورسم مخططاتها من صور الأقمار الصناعية وتصنيف سلامتها البنيوية. ومن أكثر نماذج التعلم العميق فعالية المستخدمة لهذا الغرض نموذج U – Net ونموذج Mask R – CNN.

نموذج U-Net لتجزئة المباني

U – Net عبارة عن شبكة عصبية ملتوية (CNN) مستخدمة على نطاق واسع ومصممة للتجزئة الدلالية. تم تطوير U – Net في الأصل لتجزئة الصور الطبية الحيوية، وقد أثبتت فعاليتها العالية في معالجة صور الأقمار الصناعية لتقييم أضرار الكوارث.

يتبع U – Net بنية مشفر وفك تشفير:

• المشفر (مسار الانكماش):يستخرج هذا القسم الميزات المكانية من الصورة المدخلة من خلال تطبيق طبقات التفافية وتجمعية متعددة، مما يقلل الأبعاد المكانية تدريجيًا مع زيادة عمق الميزة.
• طبقة عنق الزجاجة:الطبقة ذات الدقة الأدنى، حيث يتم تعلم الميزات عالية المستوى.
• فك التشفير (مسار التوسع):تعمل عملية رفع العينة هذه على استعادة دقة الصورة أثناء تعلم المواقع المكانية للأشياء، مما يسمح بالتجزئة الدقيقة.

لتعزيز أدائها في اكتشاف الأضرار، تم اختبار U – Net باستخدام العديد من الأعمدة الأساسية، بما في ذلك:

• شبكة ريسنت 34  - مستخرج ميزات خفيف الوزن ولكنه قوي.
• سيري نيكست50  - تحسين هندسة ResNet التي تعمل على تعزيز تمثيل الميزات.
• البداية الإصدار 3  - يوفر استخراج الميزات على نطاق متعدد، مما يحسن دقة التجزئة.
• شبكة افيشينت ب4  - تم تحسينه لتحقيق دقة أفضل مع موارد حسابية أقل.

أداء U-Net في الكشف عن الأضرار

يؤدي U-Net أداءً جيدًا في تحديد مواقع المباني ولكنه يعاني من قيود في التصنيف الدقيق لمستويات مختلفة من الضرر. كما يواجه صعوبة في التعامل مع الانسدادات والظلال والبيئات المبنية بكثافة، مما دفع الباحثين إلى استكشاف نماذج بديلة مثل Mask R-CNN.

قناع R – شبكة CNN لتجزئة المثيلات

في حين يوفر U – Net التجزئة الدلالية، فإن Mask R – CNN هو نموذج تعليمي عميق أكثر تقدمًا يقوم بتجزئة الحالات، مما يعني أنه لا يكتشف المباني ويقسمها فحسب، بل يحدد أيضًا حالات فردية من الضرر داخل المشهد.

يعد Mask R – CNN امتدادًا لـ Faster R – CNN، وهو إطار عمل لكشف الكائنات. ويقدم فرعًا للتجزئة للتنبؤ بأقنعة الكائنات إلى جانب المربعات المحددة. ويعمل النموذج بثلاث خطوات:

1. شبكة اقتراح المنطقة (RPN):إنشاء مناطق محتملة (مربعات حدودية) حيث قد توجد الكائنات.
2. استخراج الميزات وتصنيفها:يستخدم الشبكات الأساسية القائمة على CNN (على سبيل المثال، ResNet) لتصنيف الكائنات المكتشفة.
3. التنبؤ بالقناع:يطبق فرع التجزئة شبكة متصلة بالكامل لإنشاء أقنعة على مستوى البكسل.

مزايا قناع R – CNN في تقييم الأضرار

• يمكن اكتشاف المباني المتضررة بشكل فردي بدلاً من مجرد تصنيف الأضرار على مستوى الصورة.
• يؤدي أداءً جيدًا في البيئات الحضرية ذات الهياكل المزدحمة.
• يوفر تصنيفًا متعدد الفئات، مما يحدد مستويات مختلفة من شدة الضرر.

وجد الباحثون أن الجمع بين Mask R – CNN للتجزئة وInception v3 للتصنيف يؤدي إلى دقة أعلى في اكتشاف الضرر. يتيح هذا النهج التجميعي تحديد الموقع الدقيق وتصنيف الضرر القوي، مما يحسن النتائج بشكل كبير.

2. تصنيف الأضرار باستخدام الذكاء الاصطناعي

بمجرد اكتشاف المباني وتقسيمها، فإن الخطوة التالية هي تصنيف الأضرار - تحديد مستوى التأثير الهيكلي. 

أداء الذكاء الاصطناعي في تصنيف الأضرار

من بين نماذج التعلم العميق المختلفة التي تم اختبارها، أظهرت مجموعة Mask R – CNN + Classifier أفضل النتائج. في مجموعات البيانات الخاضعة للرقابة، حقق هذا النهج ما يلي:

• F1 – درجة تتجاوز 0.80، مما يشير إلى دقة تصنيف عالية.
• إمكانية التذكير العالية، مما يضمن تحديد معظم المباني المتضررة بشكل صحيح.

ومع ذلك، عند اختباره على مجموعات بيانات خارجية، مثل تقييم أضرار الحرب في أوكرانيا، انخفضت دقة النموذج بنحو 10%. ويسلط هذا الانخفاض في الأداء الضوء على مشكلة رئيسية في تقييم الأضرار القائم على الذكاء الاصطناعي:

• يجب أن تكون مجموعات بيانات التدريب متنوعة ومتوازنة بشكل جيد حتى يمكن تعميمها عبر بيئات مختلفة.
• إن أضرار الحرب لها خصائص هيكلية مختلفة عن الكوارث الطبيعية، مما يتطلب بيانات تدريبية متخصصة.

وللتغلب على هذه التحديات، يعمل الباحثون على تقنيات التعلم الانتقالي والتكيف مع المجال لتعزيز أداء النموذج عبر أنواع مختلفة من الكوارث والدمار المرتبط بالحرب.

3. مراقبة الصحة الهيكلية (SHM) باستخدام الذكاء الاصطناعي

بالإضافة إلى صور الأقمار الصناعية، يتم تطبيق الذكاء الاصطناعي أيضًا في مراقبة صحة الهياكل في الوقت الفعلي (SHM). تستخدم هذه الطريقة أجهزة استشعار مثبتة على المباني للكشف عن الأضرار الناجمة عن الزلازل على الفور.

دراسة حالة: إدارة التسويق عبر الإنترنت القائمة على الذكاء الاصطناعي في اليابان

قام باحثون في جامعة تويوهاشي للتكنولوجيا في اليابان بتطوير نظام لتقييم الأضرار الناجمة عن الزلازل يعمل بالذكاء الاصطناعي. يقوم هذا النظام بتحليل البيانات من أجهزة الاستشعار الزلزالية المثبتة في المباني لتصنيف مستويات الأضرار الناجمة عن الزلازل.

كيف تعمل SHM القائمة على الذكاء الاصطناعي

1. تسجل أجهزة استشعار الزلازل الاهتزازات أثناء الزلزال.
2. تقوم نماذج الذكاء الاصطناعي بتحليل أطياف الموجات من البيانات الزلزالية للكشف عن الشذوذ الهيكلي.
3. تصنف الشبكات العصبية التلافيفية (CNNs) المباني إلى: آمنة - لا يتم اكتشاف أي ضرر هيكلي. مطلوب الحذر - يوجد ضرر طفيف، يلزم إجراء فحص إضافي. خطير - ضرر شديد، يلزم الإخلاء الفوري.

نشر SHM القائمة على الذكاء الاصطناعي في اليابان

• نفذت منطقة هيغاشي-ميكاوا في اليابان نظام SHM المعتمد على الذكاء الاصطناعي.
• تتلقى المكاتب الحكومية المحلية ومراكز الطوارئ تقارير الأضرار في الوقت الفعلي عبر البريد الإلكتروني في غضون دقائق من وقوع الزلزال.
• يتيح هذا النظام اتخاذ القرارات بسرعة، مما يقلل الوقت اللازم للفحوصات المادية.

مزايا المراقبة الهيكلية القائمة على الذكاء الاصطناعي مقارنة بالطرق التقليديةمستقبل المراقبة الهيكلية القائمة على الذكاء الاصطناعي

لتحسين المراقبة في الوقت الفعلي بشكل أكبر، يعمل الباحثون على دمج أجهزة استشعار إنترنت الأشياء والطائرات بدون طيار والذكاء الاصطناعي في منصات موحدة توفر تحديثات مباشرة حول استقرار البنية التحتية. وتشمل التطورات المستقبلية ما يلي:

• أنظمة الإنذار المبكر المدعومة بالذكاء الاصطناعي تتنبأ بأعطال المباني المحتملة.
• التكامل مع منصات السحابة لمشاركة البيانات في الوقت الفعلي بين فرق الاستجابة للطوارئ.
• التوسع إلى ما هو أبعد من الزلازل لمراقبة الأضرار الناجمة عن الأعاصير، والانفجارات، والتآكل الهيكلي.

إن النماذج التي تعمل بالذكاء الاصطناعي لتقييم الأضرار تعمل على تحويل الاستجابة للكوارث ومراقبة البنية التحتية. إن U – Net وMask R – CNN من اللاعبين الرئيسيين في تقسيم المباني، في حين تعمل نماذج التصنيف مثل Inception v3 على تحسين تقييمات الأضرار. كما يمتد الذكاء الاصطناعي إلى ما هو أبعد من صور الأقمار الصناعية، مع أنظمة SHM في الوقت الفعلي التي تستخدم البيانات الزلزالية لتقييم أضرار الزلازل في غضون دقائق.

ومع ذلك، لا يزال التعميم يشكل تحديًا، حيث قد لا تعمل النماذج المدربة على نوع واحد من الكوارث بشكل مثالي في حالات أخرى. ولمعالجة هذه المشكلة، يركز الباحثون على تنوع مجموعات البيانات، والتعلم من خلال النقل، وتكامل البيانات المتعددة الوسائط. ومع تقدم تكنولوجيا الذكاء الاصطناعي، ستصبح عملية تقييم الأضرار الآلية أسرع وأكثر دقة وأكثر انتشارًا، مما يؤدي في النهاية إلى إنقاذ الأرواح والحد من الخسائر الاقتصادية في المناطق المتضررة من الكوارث.

دراسات الحالة: الذكاء الاصطناعي في الكشف عن الأضرار

لقد أظهر تطبيق النماذج المدعومة بالذكاء الاصطناعي في سيناريوهات الكوارث الواقعية تحسنات كبيرة في اكتشاف الأضرار وتحديد موقعها وتقييمها. من خلال الاستفادة من أطر التعلم العميق وصور الأقمار الصناعية وتقنيات مراقبة صحة الهياكل (SHM)، طور الباحثون أساليب فعالة للغاية لتقييم سلامة المباني بعد الكوارث. فيما يلي، نستكشف دراستي حالة توضح تأثير الذكاء الاصطناعي على تقييم أضرار الزلازل وتحديد موقع الأضرار الهيكلية.

1. تقييم أضرار الزلازل في تركيا (2023)

في السادس من فبراير 2023، شهدت تركيا زلزالين متتاليين بقوة 7.8 درجة على مقياس ريختر، أثرا على أكثر من 30 مدينة رئيسية على مساحة تقارب 300 كيلومتر. أدى هذا الحدث المدمر إلى انهيارات واسعة النطاق للمباني، وفشل البنية التحتية، وأزمات إنسانية. ونظرًا للدمار الواسع النطاق، كان التقييم السريع والدقيق لأضرار المباني أمرًا بالغ الأهمية للاستجابة لحالات الطوارئ، وتخصيص الموارد، والتخطيط لإعادة الإعمار بعد الكارثة.

ولمعالجة هذا التحدي، طور الباحثون BDANet (شبكة تقييم أضرار المباني)، وهو إطار عمل متقدم للتعلم العميق مصمم لتقييم أضرار المباني بسرعة بعد الزلزال.

BDANet عبارة عن شبكة عصبية ملتوية من مرحلتين (CNN) تدمج استخراج الميزات متعددة المقاييس وآليات الانتباه عبر الاتجاهات لتقييم أضرار المباني من صور الأقمار الصناعية عالية الدقة. تم تدريب النموذج باستخدام صور WorldView2، وهي مجموعة بيانات تتضمن صور الأقمار الصناعية قبل الكارثة وبعدها للمناطق المتضررة.

المرحلة 1: تحديد هوية المبنى باستخدام U-Net

• تستخدم BDANet أولاً نموذج التجزئة القائم على U-Net لاستخراج الخطوط العريضة للمباني من الصور التي التقطت قبل الكارثة.
• تعمل بنية التشفير وفك التشفير U-Net على تحديد الهياكل الفردية للمباني مع الحفاظ على التفاصيل المكانية.
• تشكل أقنعة التجزئة الناتجة المرجع الأساسي لمرحلة تصنيف الضرر.

المرحلة 2: تصنيف الأضرار باستخدام CNN متعدد المقاييس

• تتم بعد ذلك معالجة مناطق البناء المجزأة باستخدام شبكة ملتوية متعددة المقاييس (CNN).
• يدمج النموذج وحدة الاهتمام متعدد الاتجاهات (CDA)، والتي تعمل على تعزيز استخراج الميزات من خلال مقارنة الصور قبل الكارثة وبعدها بمقاييس متعددة.
• يقوم مخرج تصنيف الأضرار بتعيين كل مبنى إلى واحدة من أربع فئات: لا ضرر، ضرر طفيف، ضرر كبير، مدمر.

الأداء والنتائج

تم تطبيق BDANet في المناطق المتضررة بالزلزال في تركيا، حيث نجح في:

• تم تحديد 15.67% من المباني المتضررة بشدة في المنطقة المتضررة.
• أثبت دقة عالية في التمييز بين مستويات مختلفة من الضرر الهيكلي.
• تقليل وقت التفتيش اليدوي، مما يتيح نشر فرق الإنقاذ بشكل أسرع.

تحسينات الدقة مع BDANet

ولتعزيز الدقة، قامت BDANet بدمج تقنيات زيادة البيانات، بما في ذلك:

• ضبط التباين والسطوع لتطبيع صور الأقمار الصناعية.
• تحويلات الدوران والتدرج لتحسين التعميم.
• نقل التعلم من مجموعات بيانات الكوارث الطبيعية، وضمان القدرة على التكيف مع أنماط الأضرار الناجمة عن الزلازل.

التأثير على تقييمات ما بعد الزلزال

أدى نشر شبكة BDANet في بيئات ما بعد الكوارث إلى تحسين أوقات الاستجابة بشكل كبير من خلال: أتمتة رسم خرائط الأضرار لمستجيبي الطوارئ. تقليل الإيجابيات الخاطئة في اكتشاف الأضرار مقارنة بنماذج الذكاء الاصطناعي السابقة. تمكين السلطات من إعطاء الأولوية للمناطق عالية الخطورة لعمليات الإنقاذ.

2. تحديد موقع الأضرار في المباني باستخدام الذكاء الاصطناعي

إلى جانب التقييمات القائمة على الأقمار الصناعية، تعمل الذكاء الاصطناعي أيضًا على تحويل مراقبة صحة المباني. تستخدم أنظمة مراقبة صحة المباني المعتمدة على الذكاء الاصطناعي بيانات الزلازل في الوقت الفعلي لتقييم استقرار المباني، مما يضمن تحديد موقع الضرر الفوري في المباني متعددة الطوابق.

اقترح باحثون في شركة Elsevier نهجًا للتعلم غير الخاضع للإشراف لتحديد موقع الأضرار في المباني باستخدام الذكاء الاصطناعي. تركز هذه الطريقة على اكتشاف التناقضات في استجابات الموجات الزلزالية، وتحديد نقاط الضعف الهيكلية على مستوى الأرضية.

طريقة تحديد موقع الأضرار الهيكلية المعتمدة على الذكاء الاصطناعي

يعتمد هذا النهج على إطار الشبكة العصبية التلافيفية (CNN) الذي يقوم بتحليل بيانات مستشعر الزلازل لتحديد الطوابق في مبنى متعدد الطوابق التي تعرضت لأضرار.

المنهجية الرئيسية

1. التدريب باستخدام بيانات الحالة الصحية. على عكس نماذج الذكاء الاصطناعي التقليدية التي تتطلب مجموعات بيانات مُصنَّفة، يستخدم هذا النموذج التعلم غير الخاضع للإشراف. يتم تدريب CNN فقط على الاستجابات البنيوية في الحالة الصحية، مما يسمح لها باكتشاف الشذوذ في الوقت الفعلي عند حدوث الضرر.
2. تحليل الاستجابة الزلزالية. يراقب نموذج الذكاء الاصطناعي بيانات الاهتزاز من أجهزة الاستشعار المثبتة في طوابق مختلفة من المبنى. تتم مقارنة أشكال الموجات قبل الضرر وبعده باستخدام معاملات الارتباط (CCs) للكشف عن التناقضات.
3. تصنيف الضرر. بناءً على حجم انحرافات شكل الموجة الزلزالية، يقوم النموذج بتعيين مستويات الضرر.

الاختبار وتقييم الأداء

تم اختبار نموذج اكتشاف الأضرار الزلزالية المدعوم بالذكاء الاصطناعي باستخدام دراسات المحاكاة والتجارب الواقعية:

1. دراسات المحاكاة. تم تطبيقه على نماذج المباني متعددة الطوابق التي تعرضت لأحداث زلزالية هندسية. تمكن النموذج من الكشف بدقة عن الطوابق التي أظهرت ضعفًا هيكليًا.
2. التحقق التجريبي. تم نشر النموذج في الاختبارات الفيزيائية باستخدام تجربة طاولة اهتزازية. وتم تحليل قراءات الزلازل في الوقت الفعلي، مما يؤكد قدرة نموذج الذكاء الاصطناعي على تحديد موقع الضرر بدقة عالية.

في المناطق ذات النشاط الزلزالي المرتفع، يتيح دمج SHM المدعومة بالذكاء الاصطناعي مع أجهزة استشعار إنترنت الأشياء مراقبة هيكلية أسرع وأكثر أمانًا وكفاءة، مما يقلل من خطر الكوارث الثانوية بعد الزلزال.

تعزيز الذكاء الاصطناعي – اكتشاف الأضرار المدعمة بالذكاء الاصطناعي FlyPix

في مجال الذكاء الاصطناعي الجغرافي المكاني، يستمر الطلب على أدوات تقييم الأضرار السريعة والقابلة للتطوير والدقيقة في النمو. ومع قيام المؤسسات بتعزيز التقييم بعد الكوارث والاستجابة للطوارئ، فإن دمج منصات الذكاء الاصطناعي مثل فلاي بيكس الذكاء الاصطناعي يمكن أن يؤدي إدخال معلومات حول عمليات اكتشاف الأضرار إلى تحسين السرعة والدقة بشكل كبير.

في FlyPix AI، نحن متخصصون في الذكاء الجغرافي المكاني والكشف الآلي عن الأجسام. تستخدم منصتنا نماذج التعلم العميق المتقدمة لمعالجة صور الأقمار الصناعية عالية الدقة، مما يسمح بتحديد الأضرار الهيكلية في الوقت الفعلي عبر مناطق الكوارث الكبيرة. يعمل دمج FlyPix AI في خطوط أنابيب تقييم أضرار المباني على تعزيز الكفاءة والموثوقية في الاستجابة للكوارث التي يقودها الذكاء الاصطناعي.

كيف يدعم FlyPix AI اكتشاف الأضرار وتصنيفها

نحن في FlyPix AI نقدم حلولاً متقدمة للكشف عن الأضرار وتصنيفها باستخدام الذكاء الاصطناعي. تعمل تقنيتنا على معالجة الصور ومقاطع الفيديو عالية الدقة لتحديد المشكلات الهيكلية وتقييم شدتها وتصنيف أنواع الأضرار بدقة. من خلال الاستفادة من نماذج التعلم الآلي، فإننا نمكن الشركات من تبسيط عمليات التفتيش وتقليل الجهد اليدوي وتحسين عملية اتخاذ القرار في عمليات الصيانة والإصلاح.

الكشف الآلي عن الكائنات وتقسيم المباني

تحدد تقنية FlyPix AI آثار المباني وتستخرجها من صور الأقمار الصناعية قبل الكارثة، وتكتشف التغيرات البنيوية من خلال تراكب صور ما بعد الكارثة، وتطبق نماذج التعلم العميق مثل U – Net وMask R – CNN لتصنيف الأضرار بشكل أفضل. باستخدام أدوات التحليل الجغرافي المكاني التفاعلية، يمكن للمؤسسات تقليل وقت التعليق اليدوي بشكل كبير وتسريع تقييمات ما بعد الكارثة.

الكشف عن التغييرات عالية الدقة للاستجابة للكوارث

تتيح مقارنة الميزات المدعومة بالذكاء الاصطناعي تحليلًا دقيقًا لصور ما قبل الكارثة وما بعدها. تساعد معالجة البيانات متعددة الأطياف في اكتشاف الشقوق الخفية والإجهاد الهيكلي، بينما يضمن التصنيف الآلي لشدة الضرر اتخاذ قرارات أسرع لمستجيبي الطوارئ ومخططي المدن.

تدريب نموذج الذكاء الاصطناعي المخصص للكشف عن الأضرار المحددة في حالات الكوارث

يتيح برنامج FlyPix AI تدريب نماذج الذكاء الاصطناعي المخصصة لأنواع مختلفة من الكوارث، مما يحسن دقة تصنيف الأضرار من خلال التعليقات التوضيحية التي يحددها المستخدم. تعمل المنصة على تكييف نماذج الذكاء الاصطناعي مع البيئات الجديدة وتم تطبيقها بنجاح على اكتشاف المباني المتضررة بسبب الحرب في أوكرانيا، حيث تفشل مجموعات البيانات التقليدية.

المراقبة في الوقت الحقيقي ودعم القرار 

يتكامل FlyPix AI بسلاسة مع أنظمة الاستجابة للطوارئ، مما يوفر مراقبة جغرافية مكانية مباشرة لتتبع الأضرار المستمرة. يتيح الوصول إلى واجهة برمجة التطبيقات التكامل في الوقت الفعلي مع الحكومة ومنظمات الإغاثة، بينما تعمل لوحات معلومات التحليلات على تصور المناطق المتضررة وتساعد في تحديد أولويات عمليات الإنقاذ. عند استخدامه في أنظمة مراقبة الصحة الهيكلية (SHM)، يقدم FlyPix AI تنبيهات فورية حول استقرار المبنى، مما يساعد في منع الكوارث الثانوية.

لماذا تعتبر FlyPix AI أداة رائدة في تقييم الأضرار القائمة على الذكاء الاصطناعي

• كفاءة  – تعمل التعليقات التوضيحية الآلية للذكاء الاصطناعي على تقليل وقت وضع العلامات اليدوية بنسبة 99.7%، مما يقلل وقت التقييم من ساعات إلى ثوانٍ، مما يسمح بالاستجابة السريعة للكوارث.
• قابلية التوسع  – يتيح FlyPix AI لنماذج الذكاء الاصطناعي الجغرافية المكانية التوسع عبر الصناعات، من مراقبة البنية التحتية الحضرية إلى تقييم الأضرار بعد الكوارث، مما يضمن القدرة على التكيف مع السيناريوهات المختلفة.
• التكامل السلس  - تدعم المنصة البيانات متعددة الأطياف والبيانات الطيفية الفائقة، مما يضمن التوافق مع صور الأقمار الصناعية عالية الدقة من مقدمي الخدمات مثل Maxar، وGoogle Earth، وبرنامج Copernicus التابع لوكالة الفضاء الأوروبية، مما يجعلها أداة متعددة الاستخدامات لتقييم الأضرار.

مع تطور الاستجابة للكوارث التي تعتمد على الذكاء الاصطناعي، تعمل FlyPix AI على تحويل تقييم أضرار المباني من خلال الكشف الآلي عن الأجسام، واكتشاف التغييرات بدقة عالية، وتحليلات الذكاء الاصطناعي في الوقت الفعلي. سواء كان الأمر يتعلق بتقييم أضرار الزلازل في تركيا أو الدمار المرتبط بالحرب في أوكرانيا، تقدم FlyPix AI حلولاً دقيقة وسريعة وقابلة للتطوير لتقييم الكوارث والاستجابة للطوارئ.

استكشف مستقبل تقييم الكوارث المدعوم بالذكاء الاصطناعي مع FlyPix AI اليوم.

استنتاج

لقد أحدث تقدم الذكاء الاصطناعي والتعلم العميق ثورة في تقييم الأضرار التي لحقت بالمباني بعد الكوارث والحروب وغيرها من الأحداث الكارثية. تسمح الأساليب الآلية التي تستفيد من صور الأقمار الصناعية والتعلم الآلي والشبكات العصبية العميقة بتقييم سريع ودقيق للأضرار الهيكلية، وهو أمر بالغ الأهمية للاستجابة للطوارئ في الوقت المناسب وجهود إعادة الإعمار. لقد أثبتت النماذج الحديثة مثل U – Net وMask R – CNN وBDANet دقة عالية في اكتشاف الأضرار، خاصة عند تدريبها على مجموعات بيانات متنوعة ومتوازنة.

وعلى الرغم من هذه التطورات، لا تزال التحديات قائمة ــ فتحسين الدقة عبر مصادر الصور المختلفة، وتعزيز جودة البيانات المفتوحة المصدر، وتنفيذ حلول في الوقت الفعلي، كلها أمور بالغة الأهمية لتحقيق المزيد من التقدم. ويكمن مستقبل تقييم الأضرار في دمج الذكاء الاصطناعي مع الحوسبة السحابية والطائرات بدون طيار وأجهزة استشعار إنترنت الأشياء لتمكين تحليل تأثير الكوارث على الفور. وستعمل هذه الابتكارات على تمكين الحكومات والمنظمات الإنسانية والمهندسين من اتخاذ قرارات أسرع قائمة على البيانات لإعادة بناء البنية الأساسية المرنة.

التعليمات