English: Resilient housing joins the machine learning revolution
Các thuật toán của máy học xuất sắc trong trả lời câu hỏi “đúng” hay “sai”. Ví dụ, chúng có thể quét bộ dữ liệu khổng lồ và trả lời chính xác cho chúng ta: Giao dịch tín dụng này trông có gian lận ko? Liệu có con mèo nào trong bức ảnh này không?
Nhưng không chỉ là những câu hỏi đơn giản – các thuật toán còn có thể giải quyết những câu hỏi trạng thái và phức tạp.
Ngày nay, thuật toán học máy có thể phát hiện trên 100 loại khối u ung thư đáng tin cậy hơn mắt người được đào tạo. Nói đến độ chính xác ấn tượng này, chúng ta bắt đầu tự hỏi: Liệu máy học có thể nói cho chúng ta biết nơi con người sinh sống? Ở những thành phố đang mở rộng với tỷ lệ ngoạn mục và đang bị đe dọa bởi thảm họa thiên nhiên, thuật toán có thể cảnh báo cho chúng ta biết bức tường của một gia đình nhất định có thể sụp đổ trong động đất hoặc mái nhà bị thổi bay trong cơn bão hay không ?
Rất thường trong tất cả trường hợp, chúng ta lập tức hành động sau khi một thảm họa đánh vào và tránh đầu tư các biện pháp giảm nhẹ trước đó. Như bác sỹ phẫu thuật nổi tiếng Denis P.Burkitt đã nói: “Nếu ai đó đang rơi liên tiếp khỏi một vách đá, sẽ có 2 sự lựa chọn: ta có thể đặt xe cứu thương dưới vách đá, hoặc có thể xây một cái hàng rào trên đỉnh vách đá”. Với sự giúp đỡ của máy học, chúng ta đang ở một vị trí tốt hơn để xây cái hàng rào đó ở trên đỉnh của vách đá.
Uớc tính rằng, mỗi đô la dành cho nỗ lực giảm nhẹ sẽ tiết kiệm 4 đô la cho việc phục hồi và tái xây dựng sau thảm hoạ. Tuy nhiên với chi phí tiết kiệm này, chính phủ ưa chuộng gửi xe cứu thương đến đó hơn là xây hàng rào. Từ năm 1991 đến năm 2010, chỉ có một tỷ lệ nhỏ (12.7%) của chi phí liên quan đến thảm họa toàn cầu (3.3 tỷ đô) được dành cho giảm thiểu rủi ro – trong khi ngược lại 87.3% được dành cho phản hồi khẩn cấp, tái xây dựng và phục hồi chức năng. Những ngôi nhà bị hư hỏng giải thích cho số lượng lớn của chi phí này.
Từ quan điểm của một kỹ sư, các biện pháp phòng ngừa cần thiếtđược thiết lập để gia cố những ngôi nhà cần Những giải pháp đơn giản – ví dụ thêm một chuỗi rầm xà hình xuyến – ring beam , bổ sung tường phân vùng nội thất, và/hoặc có bê tông cốt thép giữa các tầng – có thể làm giảm rủi ro sụp đổ đển một nửa. Vì vậy, tại sao nhiều biện pháp hơn không được thực hiện?
Đơn giản là tìm những ngôi nhà là ứng viên cho việc gia cố có thể mất vài tháng và hàng tá người khảo sát. Đó là một nỗ lực đắt đỏ để phát hiện một cách thủ công những ngôi nhà có rủi ro cao trong hang loạt nhà ở không đạt tiêu chuẩn.
Nhưng bây giờ, với những hình ảnh và máy học, những ngôi nhà có nguy cơ sụp đổ có thể được phát hiện trong một vài tuần. Sử dụng một máy ảnh gắn trên xe hơi, một máy bay không người lái, một máy tính xách tay, và những thuật toán cao cấp, điều này là khả thi để đo độ cao của từng tòa nhà, ước tính vật liệu của mái nhà, và thu thập thông tin về mặt tiền của tòa nhà. Cách tiếp cận này “quét” một khu vực lân cận để tạo ra một cơ sở dữ liệu giàu có và chi tiết có thể được khai thác cho nhiều loại nhà có rủi ro cao.
Lấy ví dụ về động đất…
Khi một trận động đất mạnh 7.6 độ tàn phá Gorkha, Nepal, số tiền ước tính là cần 6695 triệu đô la để tái xây dựng và phục hồi, gần như một nửa giá đó để tái xây dựng nhà ở (3278 triệu đô la). Chuyện gì xảy ra nếu chúng ta có thể tìm và gia cố thêm cho những tòa nhà này trước đó?
Ở thành phố Guatemala, những hình ảnh và thuật toán được sử dụng để định vị những tòa nhà có có tầng mềm soft-story – những tòa nhà ít nhất có hai tầng có cấu trúc tầng một yếu. Sau khi quét 4976 ngôi nhà, máy tính phát hiện 503 ngôi nhà có nguy cơ với độ chính xác 85%. Tương tự như một bác sỹ sử dụng máy học để phát hiện ra ung thư, các kỹ sư kết cấu có thể dựa vào học máy để đánh dấu bằng cờ những ngôi nhà có nguy cơ và cần được kiểm tra sâu hơn.
Ở Villanueva, Guatemala, những cửa sổ và nhà để xe đang được phát hiện bởi học máy.
Lấy ví dụ về bão lớn
Khi cơn bão Maria đánh vào Dominica năm ngoái, 90% nhà ở tại đây bị hư hại, và ước tính 519.75 triệu đô la (38% tổng ngân sách) cần thiết đến để sửa chữa và tái xây dựng. Cấp tiền cho nỗ lực này bằng với 89% của GDP đất nước. Nhưng chuyện gì xảy ra nếu chúng ta biết – trước khi cơn bão tấn công – những ngôi nhà nào có khả năng cần được gia cố thêm và giá để thay thế chúng?
Để chứng minh sự đơn giản những cái giá đó có thể được tránh như thế nào, chúng tôi sử dụng máy bay không người lái và máy học ở khu vực dễ bị bão Saint Lucia. Một điều tra địa lý của trên 10000 tòa nhà, bao gồm hình dạng, chất liệu, và tình trạng những mái nhà của chúng, sau đó được sử dụng để ước tính khả năng hư hại tiềm tàng của ngôi nhà và những mất mát từ cơn bão cấp độ 5. Bằng việc tự động tạo ra thông tin về cấp độ hộ gia đình, các chính phủ, chủ nhà và khu vực tư nhân được cung cấp thông tin cơ bản họ cần để đưa ra những quyết định.
Tiện ích của hướng tiếp cận này vươn xa hơn di cư do rủi ro thiên tai. Ở Bogota, Colombia, một mô hình được xây dựng để so sánh tương quan giữa những đặc tính có nguồn gốc từ máy học với giá trị tài sản, và để đo sự tăng trưởng theo chiều dọc của hơn 15000 nhà ở. Bằng việc chồng lấp lên vị trí nhà ở này với dữ liệu điều tra dân số và thông tin về quyền sở hữu đất, chúng ta có thể ước tính sự cần thiết cho việc tái định cư, cải thiện nhà ở, hoặc thiết lập quy định. Ở Bogota, Colombia, những hình ảnh về quang cảnh đường phố được chụp thường xuyên đủ cho việc xây dựng một mô hình 3D. Những hộp nhỏ hơn đại diện cho nơi máy ảnh đặt trong không gian. Tận dụng những lợi thế của máy học cũng có thể viện trợ bài thiệt hại và cần những sự đánh giá. Nếu chúng ta có thể dẫn chứng chiều cao, vật liệu và hình dạng của từng tòa nhà, chúng ta có thể sau đó trở về sau một thảm họa với những cảm biến tương tự để ghi lại những sự thay đổi – thể tích của gạch vụn, lấy ví dụ, hoặc số lượng những ngôi nhà mà bị mất mái nhà. Cuối cùng, những thuật toán của máy học có thể phát hiện một tòa nhà được sử dụng như thế nào – cho hoạt động thương mại hơn là chỉ nhà ở. Ở Guatemala, chúng tôi phát triển một thuật toán để nhận biết dấu hiệu logo, biểu lộ những doanh nghiệp khu phố. Những thuật toán được đào tạo đã làm biến đổi giáo dục, công nghiệp, ngành bán lẻ và chăm sóc sức khỏe. Đã đến lúc chúng ta bắt đầu khai thác có hệ thống sức mạnh của học máy trong các dự án nhà ở. Chương trình toàn cầu của ngân hàng thế giới cho nhà ở đàn hồi đang đặt ra để kết hợp những thuật toán phức tạp với công trình thiết kế đơn giản để làm nhà ở an toàn hơn và kiên cố hơn đối phó với hiểm họa thiên nhiên và biến đổi khí hậu. Cuối cùng, mục đích của chúng tôi là giúp đỡ các thành phố và cộng đồng ở những nước đang phát triển không chỉ xây dựng phần sau tốt hơn, mà còn “xây dựng phần trước tốt hơn”.
Dịch bởi Nguyễn Năng Quân ĐH Bách Khoa Hà Nội
CVD 