Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Geodata-based Machine Learning for real-time urban risk reduction systems

Alternativ tittel: Geodata-basert maskinlæring for redusert risiko i urbane ekttids systemer

Tildelt: kr 15,8 mill.

Prosjektnummer:

311596

Søknadstype:

Prosjektperiode:

2020 - 2025

Midlene er mottatt fra:

Prosjektet GEObyIT adresserer det felles behovet for to avdelinger i Oslo kommune (Direktoratet for beredskapsplanlegging og Vann- og avløpsetaten) for å vurdere naturlige (f.eks. jordskjelv, skred) og menneskeskapte hendelser (f.eks. eksplosjoner, ulykker) i et bymiljø. Vi utplasserte seismiske sensorer på forskjellige steder i Oslo kommune. Sensorene ble koblet til for dataoverføring i sanntid og fjernvedlikehold. Sensorene ble plassert i kjelleren i private bedrifter, private hus og offentlige skolebygninger. Den første batchen med 4 sensorer ble utplassert med tett layout i et område med kvikkleire i undergrunnen på Østlandet (Alna) for å muliggjøre strukturell overvåking nær overflaten ved hjelp av omgivelsesstøy og deteksjon av mulige bevegelser. Flere sensorer ble utplassert nærmere sentrum og på vestkant av Oslo, nær et undergrunnssprengningsområde for byggeområdet til et undervannshulrom med vannlagring. Dataanalyse ble gjort ved hjelp av tre tilnærminger: (1) automatisk deteksjon av t-banetog, (2) automatisk identifisering av avvikende hendelser som konstruksjons- og gruveeksplosjoner, og (3) støyinterferometri for å overvåke den nærliggende undergrunnen i et område med kvikkleire. Vi bruker en veiledet maskinlæringsmetode trent med visuelt identifiserte seismiske signaler på tre sensorer fordelt langs et travelt metrospor (1). Anvendelse på kontinuerlige data tillot oss å pålitelig oppdage tog og their retning, uten falske alarmer. Videreutvikling av denne tilnærmingen vil være nyttig for å sortere ut kjente repeterende seismiske signaler eller for å overvåke trafikken i et bymiljø. I tilnærming (2) tar vi sikte på å oppdage uvanlige seismiske hendelser ved hjelp av en outlier deteksjonsmetode. En konvolusjonell autoencoder ble trent til å rekonstruere signalet og oppdage anomalier. Outlier-deteksjonsmetoden følges ved å lokalisere disse hendelsene hvis de observeres på flere sensorer. Fra flere anleggssprengningsområder velger vi deretter en klynge med mest aktivitet på Vestlandet og trener en overvåket klassifiseringsmetode som skal brukes til å oppdage lignende hendelser i kontinuerlige data. Til slutt bruker vi seismisk støyinterferometri på nærliggende sensorpar for å måle tidsvariasjoner i den grunne grunnen (3). Vi observerer klare seismiske hastighetsvariasjoner i perioder med sterk frost vinteren 2021/2022 og tydelig endring i sammenheng med uværet Hans i sommer 2023. Dette åpner for potensialet til å oppdage også ikke-sesongmessige endringer i bakken, for eksempel knyttet til ustabilitet i kvikkleireavsetninger i Oslo kommune. 2022-aktivitetene til WP2 var fokusert på feltarbeidsbasert datainnsamling fra utvalgte områder i Oslo-regionen som ligger i tilknytning til eksisterende eller foreslåtte jernbane- og veitunneler. Feil- og brudddata ble samlet inn ved to ekskursjoner. Et mål var å vurdere det prediktive potensialet til topografiske lineamenter med hensyn til "god" og "dårlig" stein, for eksempel kan lineamentanalyse bidra til å forbedre plassering og planlegging av fremtidige tunnelprosjekter. Noen av disse feltdataene vil bli innlemmet i en MS-avhandling med fokus på lineamentanalyse og data som ferdigstilles av Karolina Arctander ved NTNU. Et annet mål var å studere områder der kjente forkastningsstrukturer eksisterer for bedre å begrense deres overflateplasseringer og overflateuttrykk. Et tredje mål var å starte testingen av en ny strukturdatabase som er under utvikling ved NGU. Databasen er ment å koble topografiske og geofysiske (f.eks. magnetiske) lineament- og feltdata i en databasestruktur, for å muliggjøre en bedre forståelse av hvordan topografi styres (eller ikke) styres ved oppsprekking og forkastning av berggrunnen. I WP3 er vi interessert i å beregne den seismiske risikoen for Oslo, og for å gjøre det trenger vi informasjon om fare, sårbarhet og eksponering. I løpet av 2021 og 2022 er eksponeringsmodellen definert for Oslo, og identifiserer hovedbygningstypologiene i byen. Det er gjennomført feltarbeid i spesifikke områder vinteren 2020-2021 hvor bilder av fasade ble tatt manuelt med mobiltelefonen og informasjon om konstruksjonssystem og materialdata er samlet inn. Etter det er det identifisert 5 bygningstypologier: tømmer, ikke-armert murverk, armert betong, kompositt (stålarmert betong) og stål. For å gjenkjenne bygningstypologiene for alle Oslos bygninger (rundt 135.000), brukte vi et Convolutional Neural Network for automatisk å identifisere de forskjellige bygningstypologiene i Oslo by basert på fasadebilder tatt fra in-situ feltarbeid og fra Google Street View. I forhold til farekomponenten og jordforsterkningen er det i løpet av våren og sommeren 2021 gjennomført feltarbeid og horisontale til vertikale spektrale målinger i enkelte områder i Oslo for å estimere gjennomsnittlig skjærbølgehastighet i de øvre 30 meter av bakken

We propose to develop and implement an autonomous, intelligent system for real-time monitoring and multi-risk assessment in urban areas using seismic, acoustic, and remote sensing data. The project GEObyIT addresses needs of two departments of the Oslo municipality. The Emergency Department requires improved capabilities for infrastructure monitoring and detection of unusual events such as accidents, explosions, and crimes based on data collected in line with the General Data Protection Regulation that prohibits usage of “sensitive data”. The Water and Sewage Department is currently involved in building a tunnel for securing the freshwater supply in Oslo. This requires improved mapping of surface features and monitoring for small earthquakes or other events which might be able to affect water flow paths. GEObyIT will address both needs by producing new layers of information based on seismic, acoustic, and remote sensing data, which will help to quickly locate incidents and other urban events, ready to be integrated into the existing alertness plan of the city, and to identify and classify potentially hazardous features on the Earth’s surface. While the employed data sets are different in nature, each serves the purpose of risk assessment and the proposed automatic processing pipelines will use a common methodological approach based on Machine Learning. The final product of GEObyIT will be tools for urban real-time alert and risk assessment, including hazard maps for predictive and operational purposes and a dashboard-like webpage including real-time location maps of events. This concept of providing novel data layers for future city management is extremely ambitious, but there is a huge potential to yield major gains and radical breakthroughs, including knowledge transfer and applicability on the global scale. The societal impact of these new layers is broad, for example by improving emergency response of the city authorities in case of accidents and crimes.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon

Temaer og emner