آینده جهان با هوش مصنوعی (۱۹۵)؛
هوش مصنوعی تشخیص سیل در جاده‌ها را آسان کرد
مهندسان با توسعه یک مدل یادگیری ماشین تشخیص بلادرنگ سیل در جاده‌ها را آسان کردند.
به گزارش خبرگزاری علم و فناوری آنا به نقل از اینترستینگ اینجینرینگ، حوادث مرتبط با جاده یکی از علل اصلی تلفات سیل در ایالات متحده است، اما نبود ابزار‌های کافی گزارش سیل ارزیابی شرایط جاده را به چالش می‌کشد.
ابزار‌های موجود مانند دوربین‌های ترافیکی، سنسور‌های سطح آب و داده‌های رسانه‌های اجتماعی می‌توانند مشاهدات سیل را فراهم کنند. با این حال، آن‌ها اغلب در درجه اول برای سنجش شرایط سیل در جاده‌ها طراحی نشده اند و در ارتباط با هم کار نمی‌کنند.
شبکه‌ای از حسگر‌ها می‌توانند آگاهی از سطح سیل را افزایش دهند، اما بهره برداری از آن‌ها در مقیاس بالا هزینه بر است.
مهندسان دانشگاه رایس یک راه حل بالقوه برای این مشکل توسعه داده‌اند: یک چارچوب ترکیب خودکار داده مبتنی بر هوش مصنوعی به نام «اپن سیف فیوژن» (OpenSafe Fusion).
آگاهی موقعیتی منبع باز
«اپن سیف فیوژن» از مکانیزم‌های گزارش دهی فردی موجود و منابع داده عمومی برای درک سریع شرایط جاده‌ای در طول رویدادهای سیل شهری استفاده می‌کند که به طور فزاینده‌ای در حال افزایش است.
جیمی پاجت، استنلی سی. پروفسور مور در مهندسی و رئیس دپارتمان مهندسی عمران و محیط زیست، به همراه پراناوش پاناکال، محقق پسادکتری در مهندسی عمران و محیط زیست، داده‌های ۹ منبع در هیوستون را قبل از توسعه چارچوب جامع برای سیستم داده‌های خودکار در مطالعه تحقیقاتی خود با عنوان «چشم‌های بیشتر در جاده: حس کردن جاده‌های سیل زده با استفاده از مشاهدات بلادرنگ از منابع داده‌های عمومی»، در مجله مهندسی ایمنی منتشر کردند.
پادجت گفت: منابعی که مستقیما جاده‌های سیل زده را مشاهده می‌کنند محدود هستند، مراکز شهری مملو از منابعی هستند که به طور مستقیم یا غیرمستقیم شرایط سیل یا جاده را مشاهده می‌کنند.
پاجت و پاناکال فرض کردند که یک سیستم خودکار با ترکیب بینش‌ها از این منابع بلادرنگ می‌تواند آگاهی موقعیتی سیل را بدون سرمایه گذاری قابل توجه در سنسور‌های جدید متحول کند.
پادجت گفت: این مطالعه مسیری را به جوامع ارائه می‌دهد تا با استفاده از منابع داده‌ای موجود، به عوامل استرس زای شهری مانند سیل پاسخ دهند.
این سیستم از همکاری طولانی مدت ما با همکارانمان در مرکز SSPEED در رایس که در حال توسعه سیستم‌های هشدار سیل پیشرفته هستند، الهام گرفته شده است. در اینجا ما بر تاثیرات سیل بر زیرساخت‌های حمل و نقل تمرکز می‌کنیم و بر درک این موضوع تمرکز می‌کنیم که چگونه سایر منابع داده‌ای می‌توانند اطلاعات مدل‌های سیل را با توجه به تاثیر بر جاده‌ها و تحرک ایمن تکمیل کنند.
یادگیری ماشینی و ترکیب داده‌ها
این چارچوب از داده‌های منابعی مانند هشدار‌های ترافیکی، دوربین‌ها و حتی سرعت ترافیک استفاده می‌کند و از یادگیری ماشینی و ترکیب داده‌ها برای پیش بینی اینکه آیا یک جاده پر از آب می‌شود یا خیر، بهره می‌برد.
ارزش چنین منابع داده‌ای در جریان طوفان هاروی در سال ۲۰۱۷ مشهود بود. بسیاری از مردم در هیوستون - از جمله پاسخ دهندگان اورژانس - به بررسی دستی منابع داده برای استنباط شرایط احتمالی جاده برای غلبه بر فقدان داده‌های قابل اعتماد وضعیت جاده در زمان واقعی متوسل شدند.
محققان برای آزمایش فرآیند «اپن سیف فیوژن» از داده‌های سیل تاریخی مشاهده شده در طول هاروی برای بازسازی سناریو در این چارچوب استفاده کردند که شامل حدود ۶۲ هزار جاده در منطقه هیوستون بود.
پاناکال گفت: این مدل توانست حدود ۳۷ هزار لینک جاده‌ای را مشاهده کند که حدود ۶۰ درصد از شبکه‌ای است که ما در نظر گرفتیم و یک پیشرفت قابل توجه محسوب می‌شود.
سایر منابع داده‌ای که می‌توانند در این چارچوب مورد استفاده قرار گیرند عبارتند از: سنسور‌های سطح آب، پورتال‌های شهروندی، جمع سپاری، رسانه‌های اجتماعی، مدل‌های سیل، و عاملی که مطالعه آن را انسان در حلقه می‌نامد.
هوش مصنوعی پاسخگو
پاناکال می‌گوید: این منبع آخر بسیار مهم است؛ زیرا عنصر انسانی «اپن سیف فیوژن» امکان استفاده مسئولانه از هوش مصنوعی را فراهم می‌کند.
پاناکال گفت: ما یک سیستم کاملا خودکار بدون هیچ گونه کنترل انسانی نمی‌خواهیم. بنابراین، حفاظ‌ها را براساس استفاده مسئولانه از هوش مصنوعی طراحی کردیم. این نیاز به هوش مصنوعی مسئول در چنین ابزار‌هایی هنوز یک حوزه باز برای کار بیشتر است و ما امیدواریم با آزمایش روش‌های خود در آینده عمیق‌تر شویم.
این مطالعه همچنین تاثیرات سیل بر دسترسی جامعه به امکانات حیاتی مانند بیمارستان‌ها و مراکز دیالیز در طول بلایای طبیعی را در نظر گرفت. پاناکال گفت: این به اعضای جامعه یا پاسخ دهندگان اورژانس کمک می‌دهد که کدام جاده‌ها پر از سیل شده اند و چگونه می‌توان با خیال راحت به یک مکان رفت.
پادجت می‌گوید پژوهشگران امیدوارند آزمایش ها، اعتبارسنجی و اکتشاف گسترده‌ای را دنبال کنند که چگونه جوامع با مقیاس‌های مختلف و دسترسی به منابع می‌توانند از این چارچوب برای درک بهتر شرایط جاده در طول سیل استفاده کنند.
پادجت گفت: با توجه به اثرات تغییرات آب و هوایی و رویدادهای آب و هوایی تشدید شده، فراوانی و شدت رویدادهای سیل می‌تواند در آینده افزایش یابد، بنابراین ما به راه حلی برای واکنش بهتر به رویدادهای سیل و اثرات آن‌ها بر زیرساخت‌ها نیاز داریم.
انتهای پیام/
۲۰ کیت تحقیقاتی برای تست‌های مس اسپکترومتری تولید شد؛
