Browsing by Author "Lopes, Jorge Miguel Soares"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Deep learning for building stock classification for seismic risk analysisPublication . Lopes, Jorge Miguel Soares; Gouveia, Feliz RibeiroNas 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.