Połączone uczenie maszynowe i trójwymiarowe podejście fizyczne do oceny uszkodzeń budynków: case L’Aquila 2009

Dlaczego to ma znaczenie dla mieszkańców terenów sejsmicznych

Po silnym trzęsieniu ziemi najpilniejsze pytanie brzmi: które budynki można ponownie użytkować, a które powinny pozostać zamknięte. Tradycyjnie wymaga to czasochłonnych inspekcji w terenie i opiera się na ogólnych mapach wstrząsów, które mogą nie uwzględniać lokalnych niuansów terenu i układu miasta. Niniejsze badanie koncentruje się na niszczycielskim trzęsieniu z 2009 r. w L’Aquila we Włoszech i pokazuje, jak połączenie zaawansowanych modeli komputerowych drgań z algorytmami sztucznej inteligencji może pomóc szybko wytypować najbardziej uszkodzone budynki i lepiej przygotować się na przyszłe wstrząsy.

Bliższe spojrzenie na jedno włoskie miasto

Autorzy wykorzystują L’Aquila jako rzeczywisty przypadek testowy, ponieważ główny wstrząs był silny, dobrze zarejestrowany i szeroko badany, a geologia miasta została odwzorowana w wyjątkowym szczególe. Pracują na danych dotyczących około 3 000 budynków, których zniszczenia zostały starannie zinwentaryzowane po zdarzeniu o magnitudzie 6,1. Dla każdej konstrukcji znane są nie tylko stopień uszkodzeń, lecz także sposób budowy, rozmiar, rok wzniesienia oraz położenie względem uskoków i lokalnego ukształtowania terenu. Ten bogaty zestaw informacji pozwala im badać, które czynniki rzeczywiście determinują, czy budynek przetrwa trzęsienie stosunkowo bez szwanku, czy znajdzie się na krawędzi zawalenia.

Symulacja podłoża w celu poprawy estymatów wstrząsów

Standardowe narzędzia do oceny szkód po trzęsieniu ziemi często zaczynają od ShakeMap, które łączą ograniczoną liczbę czujników gruntowych ze uproszczonymi formułami do oszacowania intensywności wstrząsów w regionie. Zespół zamiast tego buduje szczegółowy trójwymiarowy model skorupy i basenów sedymentacyjnych wokół L’Aquila, sięgający w głąb na około 20 kilometrów i obejmujący około 60 kilometrów w każdym kierunku poziomym. Korzystając z wysokowydajnych obliczeń i wyspecjalizowanego kodu, symulują, jak fale sejsmiczne rozchodziły się od uskoku przez tę złożoną podziemną strukturę. Następnie rozszerzają te symulacje, obejmując zarówno niskie, jak i wysokie częstotliwości ruchu, uzyskując realistyczne miary prędkości i przyspieszeń gruntu w tysiącach punktów, na których stoją badane budynki.

Nauka cyfrowego lasu rozpoznawania uszkodzeń

Wyposażeni w tę budynek-po-budynku mapę wstrząsów, badacze trenują modele uczenia maszynowego — konkretnie zespoły drzew decyzyjnych znane jako random forests — do przewidywania poziomów uszkodzeń. Aby uprościć problem, oryginalne sześć stopni uszkodzeń grupują do dwóch lub trzech szerszych klas, na przykład „lekkie kontra umiarkowane‑ciężkie” albo „lekkie‑umiarkowane kontra ciężkie”. Każdy model otrzymuje mieszankę cech związanych z budynkiem (takich jak wysokość, powierzchnia zabudowy czy wiek) oraz cech związanych z lokalizacją (takich jak odległość od uskoku i lokalne właściwości gruntu), wraz z miarami wstrząsów pochodzącymi albo z symulacji fizycznych, albo ze ShakeMap. Rozwiązują też problem brakujących danych, na przykład nieznanego roku budowy, stosując staranne strategie uzupełniania oraz równoważą nierówne rozmiary klas za pomocą syntetycznych przykładów, aby rzadkie, lecz istotne przypadki silnych uszkodzeń nie zostały pominięte.

Co modele ujawniają o ryzyku

Analiza wykazuje, że najbardziej wpływowe predyktory uszkodzeń to średnia powierzchnia zabudowy budynku lub kwartału, odległość od części uskoku, w której wystąpiło największe przesunięcie, lokalna sztywność gruntu oraz — co kluczowe — miary wstrząsów obliczone na podstawie symulacji opartych na fizyce. Dla porównania, odpowiadające im wartości pochodzące ze ShakeMap zajmują zaledwie odległe pozycje wśród najważniejszych zmiennych. Gdy modele opierają się na symulowanych wstrząsach, osiągają dokładność rzędu około 80 procent dla prostszych problemów dwóch klas i wykazują solidną wydajność na odrębnym, uprzednio nieznanym zbiorze testowym budynków. Sugeruje to, że uchwycenie rzeczywistej trójwymiarowej ścieżki fal sejsmicznych, zamiast uśredniania ich szerokimi regionalnymi formułami, może znacząco poprawić naszą zdolność rozróżniania konstrukcji lekko uszkodzonych od tych poważnie zagrożonych.

Co to oznacza dla przyszłych trzęsień ziemi

Dla osób niebędących specjalistami główna konkluzja jest taka, że połączenie realistycznych symulacji komputerowych ruchu gruntu z nowoczesnymi algorytmami rozpoznawania wzorców może przekształcić rozproszone pomiary i rejestry budynków w praktyczne narzędzie reagowania kryzysowego. W przyszłym trzęsieniu system zbudowany na tych zasadach mógłby szybko wskazać dzielnice, w których prawdopodobne są duże zniszczenia, co ułatwiłoby planowanie inspekcji, ewakuacji i długoterminowej odbudowy. Autorzy zastrzegają, że ich obecny model jest skalibrowany dla konkretnego regionu i zasobu budynków i wymaga testów oraz adaptacji przed zastosowaniem gdzie indziej. Mimo to wyniki wskazują na przyszłość, w której szczegółowe cyfrowe bliźniaki podłoża, w połączeniu z inteligentnymi modelami opartymi na danych, pomagają społecznościom lepiej rozumieć i zarządzać ryzykiem sejsmicznym.

Cytowanie: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

Słowa kluczowe: uszkodzenia po trzęsieniu ziemi, uczenie maszynowe, symulacja oparta na fizyce, ryzyko budynków, L’Aquila 2009