Seoul ứng dụng IoT và blockchain để giám sát sự an toàn của các toà nhà

Quản lý các tòa nhà nguy hiểm

Hiện tại, nhân viên thành phố Seoul thường xuyên phải đến các tòa nhà cũ để tiến hành kiểm tra mức độ an toàn, nhưng hệ thống mới dựa trên blockchain sẽ tự động gửi cảnh báo khi phát hiện rủi ro.

Mới đây, nhà mạng di động hàng đầu của Hàn Quốc SK Telecom đã hợp tác với một quận phía đông Seoul để xác định và quản lý sự an toàn của các tòa nhà nguy hiểm bằng cách sử dụng công nghệ nhận dạng phi tập trung dựa trên blockchain của mình.

Danh tính phi tập trung (DID - Decentralized identity) là một hệ thống nhận dạng tin cậy mà trong đó các mã định danh, như tên người dùng, có thể được thay thế bằng các ID tự sở hữu, độc lập và cho phép trao đổi dữ liệu bằng cách sử dụng công nghệ blockchain cùng sổ cái phân tán để bảo vệ quyền riêng tư và bảo mật giao dịch. DID thường được cấp cho một cá nhân cụ thể, hiếm khi được cấp cho các đối tượng và cấu trúc vì hệ thống định danh số chủ yếu được sử dụng để xác thực người dùng trong các dịch vụ và giao dịch trực tuyến.

"Thông qua dịch vụ DID di động, chúng tôi đã mở ra một kỷ nguyên mới của DID dành cho đối tượng đầu tiên tại Hàn Quốc", người đứng đầu bộ phận dịch vụ xác thực và blockchain của SKT, Oh Se-hyeon cho biết. Ông Oh nhấn mạnh SKT sẽ tiếp tục phát triển công nghệ DID để đưa kỹ thuật dựa trên blockchain này vào áp dụng trong nhiều lĩnh vực khác nhau, bao gồm cả cuộc sống hàng ngày của người dân.

Theo đó, sử dụng "Initial", dịch vụ xác thực danh tính di động dựa trên blockchain của SKT và các thiết bị Internet vạn vật (IoT), Seoul sẽ giám sát tính toàn vẹn của cấu trúc các tòa nhà. Các cảm biến IoT gắn vào tường sẽ đo lường, ví dụ như độ dốc và các vết nứt của một tòa nhà. Dữ liệu sẽ được lưu trữ và phân tích thông qua blockchain. Hệ thống DID di động của SKT có thể cung cấp danh tính số cho các thiết bị IoT để ngăn chặn việc tấn công hoặc giả mạo.

Chính quyền thủ đô Seoul cho biết công nghệ sổ cái phân tán sẽ giúp đảm bảo tính chính xác thông tin về các tòa nhà, cung cấp "dữ liệu khách quan" trong trường hợp xảy ra tranh chấp hoặc điều tra tai nạn, đồng thời cải thiện mức độ an toàn cho các tòa nhà.

Sáng kiến sẽ bắt đầu với thí điểm với 46 tòa nhà vào tháng 12 tới và từ năm 2022 sẽ được nhân rộng lên 824 tòa nhà có trên 30 năm tuổi hoặc được coi là có khả năng nguy hiểm hoặc dễ bị ảnh hưởng bởi thảm họa thiên tai.

Kim Seong-Bo, cơ quan Nhà ở và Kiến trúc, Seoul, cho biết: "Bằng cách áp dụng các công nghệ hàng đầu trong quản lý sự an toàn của các tòa nhà, chúng tôi sẽ tạo ra một công cụ quản trị kiến trúc tin cậy cho công dân".

"Kết quả là chúng tôi sẽ cải thiện khả năng dự đoán về sự an toàn của các tòa nhà tư nhân, do đó ngăn ngừa nhiều tai nạn tiềm ẩn", Kim Seong-Bo nói.

Thành phố Seoul cho biết đây là dự án đầu tiên thuộc loại hình này ở Hàn Quốc.

AI và sự an toàn của các tòa nhà

Trong một dự án an toàn tòa nhà khác ở Mỹ, các nhà nghiên cứu từ Trung tâm mô hình hóa và mô phỏng tính toán (SimCenter) tại Đại học California, Berkeley đã phát triển một bộ công cụ có tên BRAILS sử dụng AI ở quy mô lớn để tự động xác định đặc điểm của các tòa nhà trong thành phố và thậm chí phát hiện những rủi ro mà các công trình của thành phố sẽ phải đối mặt trong trận động đất, bão hoặc sóng thần.

Charles Wang, một nhà nghiên cứu sau tiến sĩ tại Đại học California, Berkeley, và là nhà phát triển chính của BRAILS, cho biết dự án phát triển do nhu cầu mô tả các cấu trúc trong thành phố một cách nhanh chóng và tin cậy.

Wang nói: "Chúng tôi muốn mô phỏng tác động của các mối nguy hiểm đối với tất cả các tòa nhà trong một khu vực, nhưng chúng tôi không có mô tả về các thuộc tính của tòa nhà. Ví dụ, ở khu vực vịnh San Francisco, có hàng triệu tòa nhà. Sử dụng AI, chúng tôi có thể nhận được thông tin cần thiết. Chúng tôi có thể đào tạo các mô hình mạng nơ-ron để suy ra thông tin tòa nhà từ hình ảnh và các nguồn dữ liệu khác".

BRAILS sử dụng máy học, học sâu và thị giác máy tính để trích xuất thông tin về môi trường xây dựng từ các hình ảnh vệ tinh và mặt đất thông qua Google Maps, đồng thời kết hợp dữ liệu này với dữ liệu từ các nguồn như Microsoft Footprint Data và OpenStreetMap. Dữ liệu cũng có thể được kết hợp với hồ sơ thuế, các khảo sát thành phố và các thông tin khác, và công dân có thể bổ sung thêm dữ liệu được gắn nhãn.

SimCenter gần đây đã phát hành BRAILS phiên bản 2.0 bao gồm các mô-đun để dự đoán phổ lớn hơn về các đặc điểm của tòa nhà. Chúng bao gồm hạng người ở (thương mại, một gia đình hoặc nhiều gia đình), loại mái (bằng phẳng, có đầu hồi hoặc có bản lề), cao trình nền, năm xây dựng, số tầng và liệu một tòa nhà có "tầng mềm" hay không - một thuật ngữ kỹ thuật dân dụng để chỉ các cấu trúc bao gồm các tầng trệt với các khe hở lớn (như mặt tiền cửa hàng) có thể dễ bị sập hơn trong trận động đất.

BRAILS được coi như một công cụ cho các kiến trúc sư, kỹ sư và các chuyên gia để lập kế hoạch, thiết kế và quản lý các tòa nhà cũng như hệ thống cơ sở hạ tầng một cách hiệu quả hơn.

Để thu thập thêm dữ liệu, SimCenter đã khởi động một dự án trên cổng thông tin điện tử khoa học công dân, Zooniverse, để thu thập dữ liệu được gắn nhãn bổ sung. Dự án cho phép người dân xác định và bổ sung các đặc điểm kiến trúc cụ thể của các cấu trúc, như mái nhà, cửa sổ và ống khói. Các nhãn này sẽ được sử dụng để đào tạo các mô-đun trích xuất tính năng bổ sung.

Sau khi phát triển và kiểm tra độ chính xác của các mô-đun này riêng lẻ, nhóm đã kết hợp chúng để tạo công cụ CityBuilder bên trong BRAILS. Nhập một thành phố hoặc khu vực nhất định vào CityBuilder có thể tự động tạo ra mô tả đặc điểm của mọi cấu trúc trong khu vực địa lý đó.

Nhóm đã thử nghiệm công cụ này với các trận động đất mô phỏng ở San Francisco và bão ở Hồ Charles và thành phố Atlantic.

Charles Wang cho biết: "Mục tiêu của chúng tôi đầu tiên là giảm thiểu thiệt hại trong tương lai bằng cách thực hiện các mô phỏng và cung cấp kết quả cho các nhà hoạch định chính sách và ra quyết định. Và thứ hai, sử dụng dữ liệu này để nhanh chóng mô phỏng một kịch bản thực tế - ngay sau khi một sự kiện mới xảy ra, trước khi đội cứu hộ được triển khai. Chúng tôi hy vọng kết quả mô phỏng gần thời gian thực có thể giúp đưa ra các hướng dẫn phản ứng khẩn cấp với độ chính xác cao hơn"./.