Menneskets hjerne afslører bygningers svagheder

Menneskehjernen er universets mest raffinerede og komplekse redskab. Hvert sekund opfanger vores sanseapparat millionvis af indtryk fra omgivelserne. Langt de fleste af disse informationer sorteres imidlertid fra, mens kun en brøkdel opfattes af vores bevidsthed.

Et dansk forskningsprojekt har netop vist, hvordan en matematisk efterligning af denne evne til at sortere i input kan anvendes til at rangere ydre belastninger på bygnings-konstruktioner, efter hvor meget skade de forvolder. På den måde er det muligt at kortlægge konstruktioners underliggende egenskaber hurtigt og effektivt.

NB: Metoden og resultaterne, som er beskrevet i denne artikel, præsenteres i dag, tirsdag 10. juni, af Niels Hørbye Christiansen ved offshore-branchens store årlige konference, som afholdes i San Francisco.

Derfor tænker du ikke over, at du har sko på

Hele frasorteringsprocessen håndteres i så højt et tempo af vores hjerne, at vi sjældent når at opfatte det. Evnen til at kunne frasortere ligegyldig information er imponerende effektiv og yderst nødvendig. Hvis man for eksempel fokuserer på sine fødder, kan man sagtens mærke, om man har fodtøj på eller ej.

Men denne sanseinformation frasorteres heldigvis, i det øjeblik man retter sit fokus andetsteds hen. Hvis hjernen ikke var i stand til at frasortere ligegyldig information, ville vores bevidsthed hurtigt blive overbelastet.

Hjernen har altså udviklet et filter, der gør os i stand til ubevidst at sortere i sanseapparatets voldsomme informationsstrøm, så vi kan fokusere på det vigtigste, i forhold til den situation vi befinder os i, og slippe for konstant at skulle forholde os til uvæsentlig information.

Hjernens struktur kopieres matematisk

Menneskehjernen består af flere milliarder neuroner, som er forbundet på kryds og tværs af et svimlende antal synapser. Det er denne struktur, der tillader os at bearbejde og reagere på sanseindtryk utroligt hurtigt.

Det er eksempelvis denne egenskab, der gør os i stand til at genkende ansigter på en brøkdel af et sekund med stor sikkerhed og faktisk så hurtigt, at det er umuligt at undertrykke det. Denne evne kan efterlignes matematisk. Metoden kaldes ’Neurale Netværk’ og er et af de værktøjer, man overordnet kender som kunstig intelligens.

I løbet af det seneste årti, er det blevet demonstreret, hvordan neurale netværk kan benyttes til at foretage forbløffende hurtig simulering af de bevægelser som bygningskonstruktioner hele tiden står og laver på grund af ydre belastninger.

Grunden til at denne metode er så effektiv, er at konstruktioner ofte bevæger sig i et fast mønster. Netop mønstergenkendelse er menneskehjernens, og derved også neurale netværks, store styrke. Men ligesom med virkelige hjerner, skal kunstige hjerner trænes, før de kan bruges til noget.

Netværkets forbindelser sammenlignes med bakker og dale

Neurale netværk trænes ved, at man opstiller et matematisk udtryk for, hvor præcise forudsigelser netværket giver.

Dette udtryk kan betragtes som et rum, hvor hver forbindelse mellem neuronerne i den kunstige hjerne udgør en dimension.

I dette rum med mange dimensioner vil nøjagtigheden af det neurale netværk danne et landskab med bakker og dale. Bakketoppene vil være udtryk for stor nøjagtighed – altså et velfungerende netværk – mens dale vil være lig med lav nøjagtighed – og altså områder hvor netværket præsterer dårligst.

Selve træningen gøres ved, at man bevæger sig rundt i dette ’nøjagtighedslandskab’ for at finde den bakketop, hvor hjernen fungerer optimalt.

Nedbrydningen af hjernen giver den afgørende indsigt

Et trænet og velfungerende neuralt netværk kan som nævnt foretage lynhurtig simulering af konstruktioners bevægelser, men denne evne afslører ikke noget om effekten af de enkelte belastninger på konstruktionen. Den information opnår man rent faktisk først, når netværket nedbrydes.

Metoden til målrettet nedbrydning af neurale netværk er kendt som ’Optimal Brain Damage’ (optimal hjerneskade). Metoden tager udgangspunkt i det trænede netværk – dvs. når man har fundet den bakketop, hvor netværket præsterer bedst.

Herfra kigger man nu på krumningerne i landskabet, da disse fortæller noget om vigtigheden af de forskellige forbindelser i netværket. Jo større krumning, desto større betydning. Det vil sige, at når vi står på bakketoppen og kigger ned, vil den retning, hvor bakken er stejlest, angive, hvilken hjerneforbindelse der er vigtigst.

Det handler med andre ord om at finde den fladeste vej ned fra bakketoppen, når man gennemfører den målrettede nedbrydning af det neurale netværk. Metoden foreskriver, at man finder den mindste krumning, og så sletter den tilhørende forbindelse i netværket. I princippet kan denne procedure gentages, til netværket er helt væk.

Som at hjernescanne en bygning

Resultatet af den strukturerede nedbrydning af neurale netværk kan sammenlignes med, at man med udgangspunkt i en hjernescanning fra en person, der foretager en tillært handling, vurderer, hvilke sanseindtryk der tillægges mest fokus undervejs i handlingen.

Hvis man for eksempel måler hjerneaktiviteten på en pianist, mens han spiller klaver, vil man sikkert kunne konstatere, at syns-, høre- og følesanserne arbejder på højtryk, mens smags- og lugtesanserne ikke får megen opmærksomhed.

Belastningers påvirkning

Store konstruktioner udsættes ofte for mange forskellige ydre belastninger. Det kan være vind, bølger, trafik o.a.

Ofte vil man rent intuitivt kunne vurdere, hvordan de forskellige belastninger påvirker konstruktionen, men nogle gange er det ikke så simpelt at gennemskue, hvilke typer af belastning har den største indvirkning.

I sådanne tilfælde må man ty til de såkaldt ’følsomhedsstudier’. Med klassiske beregningsmetoder kræver sådanne analyser mange langsommelige simuleringer, men med et neuralt netværk og Optimal Brain Damage kan disse følsomhedsstudier klares med blot én simulering.

En overraskende robust metode

Metoden er indtil videre blevet testet på en forankringsline til en flydende olieplatform.

I det pågældende eksempel forudså det neurale netværk, hvilke kræfter der opstod i forankringslinen på baggrund af platformens bevægelser. I dette tilfælde er det ikke så ligetil at se, hvilke bevægelser resulterer i de største kræfter.

Analysen gav nogle resultater, som stred mod al forventning, og som ingeniørerne ikke umiddelbart kunne forklare. Efter at have gransket modellen kunne de imidlertid konstatere, at der ikke var tale om en fejl, men at det optimerede netværk havde afsløret skjulte egenskaber ved konstruktionen.

Hvis vi vender tilbage til eksemplet med pianisten, svarer det til at få nogle uforklarlige scanningssekvenser, der for eksempel antyder, at synssansen ikke spiller nogen rolle, når man spiller klaver – og så først efterfølgende få at vide, at dataene stammer fra en blind pianist. Metoden er med andre ord så robust, at den er i stand til at afsløre egenskaber, selv når disse strider mod intuitiv logik.