Forskare från University of California, Berkeley, har utvecklat ett nytt sätt att bedöma hur byggnader skulle stå sig i stora jordbävningar. Metoden använder maskininlärning för att analysera data från tidigare jordbävningar och identifiera mönster som kan användas för att förutsäga hur olika typer av byggnader kommer att prestera i framtida skalv.

Forskarna säger att deras metod är mer exakt än traditionella metoder för seismisk bedömning, som bygger på förenklade modeller av byggnadsbeteende. Maskininlärningsmodeller kan fånga de komplexa interaktionerna mellan olika delar av en byggnad och deras omgivning, vilket möjliggör mer exakta förutsägelser om hur en byggnad kommer att prestera i en jordbävning.

Forskarna testade sin metod på en datauppsättning med över 1 000 byggnader som skadades under tidigare jordbävningar. Modellen kunde exakt förutsäga skadenivån för varje byggnad, även för byggnader som inte explicit inkluderades i utbildningsdata.

Forskarna säger att deras metod skulle kunna användas för att förbättra den seismiska säkerheten i byggnader. Genom att identifiera byggnader som löper hög risk för skador kan ingenjörer vidta åtgärder för att eftermontera dem och göra dem mer motståndskraftiga mot jordbävningar.

Forskningen publicerades i tidskriften Earthquake Engineering and Structural Dynamics.

Hur metoden fungerar

Maskininlärningsmodellen som används i studien är en typ av konstgjorda neurala nätverk. Artificiella neurala nätverk är inspirerade av den mänskliga hjärnan och kan lära sig att känna igen mönster i data. Modellen tränades på en datauppsättning med över 1 000 byggnader som skadades under tidigare jordbävningar. Modellen lärde sig att identifiera mönster i data som är förknippade med olika skadenivåer.

När modellen väl tränats testades den på en uppsättning byggnader som inte ingick i träningsdatan. Modellen kunde exakt förutsäga skadenivån för varje byggnad.

Fördelar med metoden

Maskininlärningsmetoden erbjuder flera fördelar jämfört med traditionella metoder för seismisk bedömning.

* Noggrannhet: Maskininlärningsmodellen är mer exakt än traditionella metoder för seismisk bedömning, som är baserade på förenklade modeller av byggnadsbeteende.

* Flexibilitet: Maskininlärningsmodellen kan användas för att bedöma en mängd olika byggnader, inklusive byggnader med komplexa geometrier och oregelbundna former.

* Hastighet: Maskininlärningsmodellen kan användas för att snabbt bedöma ett stort antal byggnader.

Tillämpningar av metoden

Maskininlärningsmetoden kan användas för en mängd olika applikationer, inklusive:

* Seismiska säkerhetsbedömningar: Metoden skulle kunna användas för att identifiera byggnader som löper stor risk att skadas vid en jordbävning.

* Ombyggnad: Metoden skulle kunna användas för att hjälpa ingenjörer att utforma eftermonteringsåtgärder för byggnader som löper stor risk för skador.

* Nödåtgärd: Metoden skulle kunna användas för att hjälpa räddningspersonal att bedöma skadorna på byggnader efter en jordbävning.

Maskininlärningsmetoden är ett lovande nytt verktyg för att bedöma byggnaders seismiska säkerhet. Metoden är exakt, flexibel och snabb, och den kan användas för en mängd olika applikationer.