Onderzoekers van de Universiteit van Californië, Berkeley, hebben een nieuwe manier ontwikkeld om te beoordelen hoe gebouwen standhouden bij grote aardbevingen. De methode maakt gebruik van machinaal leren om gegevens van aardbevingen uit het verleden te analyseren en patronen te identificeren die kunnen worden gebruikt om te voorspellen hoe verschillende soorten gebouwen zullen presteren bij toekomstige aardbevingen.

De onderzoekers zeggen dat hun methode nauwkeuriger is dan traditionele methoden voor seismische beoordeling, die gebaseerd zijn op vereenvoudigde modellen van bouwgedrag. Machine learning-modellen kunnen de complexe interacties tussen verschillende delen van een gebouw en hun omgeving vastleggen, waardoor nauwkeurigere voorspellingen mogelijk zijn van hoe een gebouw zal presteren bij een aardbeving.

De onderzoekers testten hun methode op een dataset van meer dan 1.000 gebouwen die beschadigd waren tijdens eerdere aardbevingen. Het model kon het schadeniveau van elk gebouw nauwkeurig voorspellen, zelfs voor gebouwen die niet expliciet in de trainingsgegevens waren opgenomen.

De onderzoekers zeggen dat hun methode kan worden gebruikt om de seismische veiligheid van gebouwen te helpen verbeteren. Door gebouwen te identificeren die een hoog risico op schade lopen, kunnen ingenieurs stappen ondernemen om ze achteraf aan te passen en beter bestand te maken tegen aardbevingen.

Het onderzoek werd gepubliceerd in het tijdschrift Earthquake Engineering and Structural Dynamics.

Hoe de methode werkt

Het machine learning-model dat in het onderzoek wordt gebruikt, is een soort kunstmatig neuraal netwerk. Kunstmatige neurale netwerken zijn geïnspireerd op het menselijk brein en kunnen patronen in data leren herkennen. Het model is getraind op een dataset van meer dan 1.000 gebouwen die beschadigd zijn geraakt tijdens eerdere aardbevingen. Het model leerde patronen in de gegevens identificeren die verband houden met verschillende schadeniveaus.

Nadat het model was getraind, werd het getest op een reeks gebouwen die niet in de trainingsgegevens waren opgenomen. Het model kon het schadeniveau van elk gebouw nauwkeurig voorspellen.

Voordelen van de methode

De machine learning-methode biedt verschillende voordelen ten opzichte van traditionele methoden voor seismische beoordeling.

* Nauwkeurigheid: Het machine learning-model is nauwkeuriger dan traditionele methoden voor seismische beoordeling, die gebaseerd zijn op vereenvoudigde modellen van bouwgedrag.

* Flexibiliteit: Het machine learning-model kan worden gebruikt om een ​​grote verscheidenheid aan gebouwen te beoordelen, waaronder gebouwen met complexe geometrieën en onregelmatige vormen.

* Snelheid: Het machine learning-model kan worden gebruikt om snel een groot aantal gebouwen te beoordelen.

Toepassingen van de methode

De machine learning-methode kan voor een verscheidenheid aan toepassingen worden gebruikt, waaronder:

* Seismische veiligheidsbeoordelingen: De methode kan worden gebruikt om gebouwen te identificeren die een hoog risico lopen op schade bij een aardbeving.

* Retrofiten: De methode kan worden gebruikt om ingenieurs te helpen bij het ontwerpen van renovatiemaatregelen voor gebouwen met een hoog risico op schade.

* Noodreactie: De methode zou kunnen worden gebruikt om hulpverleners te helpen de schade aan gebouwen na een aardbeving te beoordelen.

De machine learning-methode is een veelbelovend nieuw hulpmiddel voor het beoordelen van de seismische veiligheid van gebouwen. De methode is nauwkeurig, flexibel en snel en kan voor uiteenlopende toepassingen worden gebruikt.