Obiettivi ed attività principali
Il Progetto DL-Urban mira alla definizione e sperimentazione di algoritmi di machine learning per valutare e prevedere la fragilità e vulnerabilità sismica di edifici nelle aree urbane. L’obiettivo è sviluppare un sistema che automatizzi ed ottimizzi i calcoli necessari per produrre curve di fragilità sismica, migliorando la velocità e l’accuratezza rispetto ai metodi tradizionali.
Per raggiungere tali obiettivi saranno sfruttati i dati raccolti tramite le schede AEDES (compilate per valutazioni rapide di danno e agibilità post-sisma) per addestrare i modelli di intelligenza artificiale (AI) mirati alla valutazione della vulnerabilità sismica degli edifici.
Le funzionalità principali previste sono:
1. Automazione della valutazione della vulnerabilità: Creazione di algoritmi di deep learning capaci di elaborare curve di fragilità per diverse categorie di edifici, con una velocità e precisione superiore rispetto ai metodi tradizionali.
2. Sperimentazione e ottimizzazione degli algoritmi: Utilizzo di modelli di deep learning avanzati per analizzare i danni strutturali previsti, sfruttando un insieme dettagliato di dati sulle caratteristiche edilizie e ambientali.
3. Supporto decisionale: Fornire un set di API che metta a disposizione le funzionalità della piattaforma di calcolo a sistemi di supporto alle decisioni esterni.
Risultati Attesi
L’uso di un modello di deep learning per la generazione di curve di fragilità sismica si prevede porti a miglioramenti significativi in termini di accuratezza e rapidità rispetto ai metodi tradizionali, come quelli basati su regressioni log-normali. In particolare:
- Maggiore Accuratezza: L’integrazione delle Shakemap INGV con i dati di danno strutturale permette di ottenere previsioni più precise del livello di danno atteso in base all’intensità sismica specifica di un’area;
- Automatizzazione e Scalabilità: La capacità del modello di adattarsi a grandi volumi di dati consente la valutazione rapida della vulnerabilità sismica su larga scala;
- Riduzione dei costi computazionali: Rispetto alle simulazioni tradizionali, il modello di DL permette di ridurre i tempi di calcolo, particolarmente importante in scenari di emergenza dove è richiesta una valutazione in tempo reale.
