التفاصيل البيبلوغرافية
| العنوان: |
Deep learning for building stock classification for seismic risk analysis |
| المؤلفون: |
Lopes, Jorge Miguel Soares |
| المساهمون: |
Gouveia, Feliz Ribeiro, Repositório Institucional da Universidade Fernando Pessoa |
| سنة النشر: |
2023 |
| مصطلحات موضوعية: |
Aprendizagem profunda, Redes neurais convolucionais, Visão computacional, Modelos de exposição de edifícios, Análise de risco sísmico, Deep learning, Convolutional neural networks, Computer vision, Building exposure models, Seismic risk analysis, Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
| الوصف: |
Nas últimas décadas, a maioria dos esforços para catalogar e caracterizar o ambiente construído para a avaliação de riscos múltiplos têm-se concentrado na exploração de dados censitários habitacionais, conjuntos de dados cadastrais e pesquisas locais. A primeira abordagem é atualizada apenas a cada 10 anos e não fornece informações sobre a localizações dos edifícios. O segundo tipo de dados está disponível apenas para algumas áreas urbanos, e a terceira abordagem requer levantamentos realizados por profissionais com formação em engenharia, o que é proibitivo em termos de custo para estudos de risco em larga escala. Portanto, é evidente que os métodos para caracterizar o ambiente construído para a análise de riscos em larga escala, estão atualmente ausentes, o que dificulta a avaliação do impacto de fenómenos naturais para fins de gestão de riscos. Alguns esforços recentes têm demonstrado como algoritmos de aprendizagem-máquina podem ser treinados para reconhecer características arquitetónicas e estruturais específicas dos edifícios a partir de imagens das suas fachadas e propor, de forma probabilística, uma ou várias classes de edifícios. Neste estudo, demonstrou-se como tais algoritmos podem ser combinados com dados do OpenStreetMap e imagens do Google Street View para desenvolver modelos de exposição para a análise de riscos múltiplos. Um conjunto de dados foi construído com aproximadamente 5000 imagens de edifícios da freguesia de Alvalade, no distrito de Lisboa (Portugal). Esse conjunto foi utilizado para testar diferentes algoritmos, resultando em níveis de desempenho e exatidão distintos. O melhor resultado foi obtido com o Xception, com uma exatidão de cerca de 86%, seguido do DenseNet201, do InceptionResNetV2 e do InceptionV3, todos com exatidões superiores a 83%. Estes resultados servirão de suporte a futuros desenvolvimentos na avaliação de modelos de exposição para análise de risco sísmico. A novidade deste trabalho consiste no número de características de edifícios presentes no conjunto de dados, no número de modelos de aprendizagem profunda treinados e no número de classes que podem ser utilizadas para construir modelos de exposição. |
| Description (Translated): |
In the last decades, most efforts to catalog and characterize the built environment for multi-hazard risk assessment have focused on the exploration of housing census data, cadastral datasets, and local surveys. The first approach is only updated every 10 years and does not provide information on building locations. The second type of data is only available for some urban areas, and the third approach requires surveys carried out by professionals with an engineering background, which is cost-prohibitive for large-scale risk studies. It is thus clear that methods to characterize the built environment for large-scale risk analysis at the asset level are currently missing, which hampers the assessment of the impact of natural hazards for the purposes of risk management. Some recent efforts have demonstrated how machine learning algorithms can be trained to recognize specific architectural and structural features of buildings based on their facades, and probabilistically propose one or multiple building classes. This study demonstrates how such algorithms can be combined with data from OpenStreetMap and imagery from Google Street View to develop exposure models for multi-hazard risk analysis. A dataset was built with approximately 5000 images of buildings from the parish of Alvalade, within the Lisbon district (Portugal). This dataset was used to test different algorithms, which led to distinct performance and accuracy levels. The best result was obtained with Xception, with an accuracy of approximately 86%, followed by DenseNet201, InceptionResNetV2 and InceptionV3, all with accuracies above 83%. These results will support future developments for assessing exposure models for seismic risk analysis. The novelty of this work consists in the number of building characteristics present in the dataset, the number of deep learning models trained and the number of classes that can be used for building exposure models. |
| Contents Note: |
TID:203547454 |
| وصف الملف: |
application/pdf |
| اللغة: |
English |
| الاتاحة: |
http://hdl.handle.net/10284/12561 |
| Rights: |
open access |
| رقم الانضمام: |
rcaap.com.ufp.bdigital.ufp.pt.10284.12561 |
| قاعدة البيانات: |
RCAAP |