Construction and Application of an AI-Agent-Based Workflow for the Rapid Survey of Building Damage and Functionality

Wenn der Boden bebt, ist die unmittelbare Frage für eine Stadt nicht nur, ob ein Gebäude steht, sondern ob es noch genutzt werden kann. Ein Krankenhaus mag strukturell intakt bleiben, mit seinen Wänden und Balken unversehrt, doch es könnte völlig unbrauchbar sein, wenn seine medizinischen Geräte zertrümmert oder seine Rohrleitungssysteme unterbrochen sind. Seit Jahrzehnten bewerten Ingenieure Gebäude, indem sie einzelne Teile betrachten: eine rissige Wand, ein gebrochenes Fenster oder einen verbogenen Balken. Sie ordnen jedem Schaden eine Note zu, aber dieser Ansatz scheitert oft daran, die kritischste Frage für Überlebende zu beantworten: Ist der Raum im Inneren sicher und funktionsfähig? Die Lücke zwischen dem Wissen, dass eine Wand rissig ist, und dem Wissen, dass ein Operationssaal eines Krankenhauses unbrauchbar ist, war lange Zeit ein schwieriges Problem, das stark auf dem subjektiven Urteil menschlicher Inspektoren beruhte, die versuchen mussten, aus verstreuten Hinweisen ein komplexes Bild zusammenzusetzen.

Die Forscher Xu Zheng und Jin Liu haben einen neuen Weg vorgeschlagen, um diese Lücke zu schließen, indem sie einen digitalen Workflow geschaffen haben, der wie ein Team spezialisierter Assistenten fungiert, um ein Gebäude nach einem Erdbeben zu bewerten. Anstatt eines einzelnen Computerprogramms, das versucht, alles gleichzeitig zu erledigen, bauten sie ein System auf, in dem verschiedene künstliche Intelligenz-Agenten zusammenarbeiten, von denen jeder eine spezifische Aufgabe hat. Ein Agent betrachtet Fotos, die am Boden aufgenommen wurden, um Schäden zu erkennen. Ein anderer Agent konsultiert eine digitale Bibliothek von Bauvorschriften, um zu verstehen, was dieser Schaden bedeutet. Ein dritter Agent nutzt ein probabilistisches Modell, um zu berechnen, wie der Schaden an einer einzelnen Wand die Funktionsfähigkeit eines gesamten Raumes beeinflussen könnte. Schließlich stellt ein vierter Agent all diese Informationen in einem klaren, standardisierten Bericht zusammen. Dieses System ist darauf ausgelegt, über das einfache Zählen von Schäden hinauszugehen und physische Risse und gebrochene Rohre in eine präzise Einschätzung darüber zu übersetzen, ob ein Gebäude noch seine Aufgabe erfüllen kann.

Der Kern dieser neuen Methode ist ein Wechsel der Perspektive. Traditionelle Methoden behandeln ein Gebäude oft als eine Sammlung von Teilen, bei denen der schlimmste Schaden einfach das endgültige Urteil bestimmt. Wenn eine einzige kritische Komponente defekt ist, wird das gesamte System oft als ausgefallen erklärt, ungeachtet dessen, ob andere Teile funktionieren. Die Forscher argumentieren, dass dies ein zu stumpfes Instrument ist. In ihrem System arbeiten die KI-Agenten daran, zwischen physischem Schaden und Funktionsverlust zu unterscheiden. Sie verwenden ein Netzwerk, das abbildet, wie verschiedene Teile eines Gebäudes voneinander abhängen. In einem Operationssaal eines Krankenhauses sind beispielsweise das Luftfiltersystem, die Gasleitungen und die medizinischen Geräte alle lebenswichtig. Wenn die Wände leicht rissig sind, aber die Gasleitungen intakt sind, kann der Raum vielleicht noch nutzbar sein, wenn auch mit gewissen Einschränkungen. Wenn jedoch die Gasleitungen unterbrochen sind, wird der Raum unbrauchbar, selbst wenn die Wände perfekt sind. Das System berechnet diese Beziehungen, um eine nuancierte Antwort zu liefern, statt eines einfachen Bestehens oder Nichtbestehens.

Um diese Idee zu testen, wandte das Team ihren Workflow auf ein realistisches Szenario an, das den Operationssaal eines Krankenhauses betraf. Sie speisten dem System Fotos und Daten ein, die verschiedene Arten von Schäden beschrieben, wie etwa Risse in den Wänden oder Verschiebungen der Decke. Das System verfolgte diese Beobachtungen dann durch sein Netzwerk von Agenten. Der Wahrnehmungsagent identifizierte den Schaden, der Wissensagent brachte ihn mit spezifischen Bauvorschriften in Einklang und der Inferenzagent berechnete die Auswirkungen auf die Gesamtfunktion des Raumes. In einem speziellen Fall stellte das System fest, dass zwar die nicht-strukturellen Teile des Raumes, wie Wände und Decke, mäßig beschädigt waren, die kritischen medizinischen Geräte und Gassysteme jedoch intakt blieben. Der Workflow kam zu dem Schluss, dass der Raum beeinträchtigt, aber noch betriebsbereit war. Dies ist eine entscheidende Unterscheidung. Eine einfachere Methode, die nur den schlimmsten Schaden betrachtet hätte, hätte den Raum wahrscheinlich als völlig unbrauchbar erklärt, was potenziell zu unnötigen Evakuierungen oder der Aufgabe einer Einrichtung führen könnte, die noch Leben retten könnte.

Die Forscher untersuchten auch, was passiert, wenn der Schaden schwerwiegender ist. Sie ließen eine Reihe von Szenarien durchlaufen, in denen sie die Art und den Ort des Schadens veränderten, um zu sehen, wie das System reagiert. Sie fanden heraus, dass das System korrekt identifizierte, dass schwere Schäden an nicht-strukturellen Elementen, wie einer eingestürzten Decke, einen Raum für jeden unzugänglich machen könnten, selbst wenn die medizinischen Geräte in Ordnung waren. Umgekehrt fanden sie heraus, dass schwere Schäden an einem einzelnen Funktionssystem, wie der medizinischen Gasversorgung, den Raum für seinen vorgesehenen Zweck unbrauchbar machen würden, selbst wenn die Gebäudestruktur perfekt wäre. Das System konnte diese beiden Arten von Ausfällen erfolgreich trennen und zeigte, dass die Fähigkeit eines Gebäudes zu funktionieren von der spezifischen Kombination beschädigter Teile abhängt und nicht nur von der Gesamtmenge des Schadens. Diese Fähigkeit, zwischen einem Gebäude, das physisch unsicher ist, und einem, das funktionell defekt ist, zu unterscheiden, ist der primäre Fortschritt ihrer Arbeit.

Ein Schlüsselmerkament dieses Workflows ist seine Fähigkeit zu wissen, wann es unsicher ist. Das System ist so konzipiert, dass es Fälle markiert, in denen die Beweislage unklar oder der Schaden komplex ist. Wenn die KI-Agenten auf eine Situation stoßen, in der ihr Vertrauen gering ist oder in der verschiedene Teile des Systems widersprüchliche Ergebnisse liefern, halten sie automatisch inne und bitten einen menschlichen Experten um Hilfe. Dies schafft eine Partnerschaft zwischen Maschine und Mensch. Die Maschine erledigt die Routinearbeit des Scannens tausender Fotos und des Abgleichs mit Vorschriften, während der Mensch nur bei den schwierigen Fällen einspringt, die ein Urteil erfordern. In ihren Tests ermöglichte dieser Ansatz dem System, die meisten Szenarien automatisch zu verarbeiten und gleichzeitig sicherzustellen, dass die kritischsten Entscheidungen von einem Menschen überprüft wurden. Dieses Gleichgewicht hilft dabei, die Fehlerrate niedrig zu halten, ohne den gesamten Bewertungsprozess zu verlangsamen.

Das Team verglich ihre neue Methode auch mit älteren, traditionelleren Wegen der Schadensbewertung. Sie fanden heraus, dass die alten Methoden, die einfach den schlimmsten in einem Teil des Raumes gefundenen Schaden zusammenzählten, den Verlust dazu neigten, zu überschätzen. Sie erklärten einen Raum oft als völlig verloren, obwohl er tatsächlich nur teilweise beschädigt war. Der neue Workflow hingegen lieferte ein genaueres Bild der tatsächlichen Kapazitäten des Gebäudes. Er zeigte, dass ein Raum mit einer rissigen Wand, aber funktionierenden medizinischen Systemen, etwas anderes ist als ein Raum mit einer intakten Wand, aber gebrochenen Gasleitungen. Diese Detailtiefe ist etwas, das Standard-Checklisten oft übersehen. Die Forscher demonstrierten, dass ihr System einen detaillierten, prüfbaren Bericht erstellen konnte, der genau erklärte, warum es zu einem bestimmten Schluss gekommen war, wobei es sich auf die spezifischen Bauvorschriften und Beweise bezog, die zu der Entscheidung führten.

Trotz dieser vielversprechenden Ergebnisse weisen die Forscher vorsichtig auf die Grenzen ihrer derzeitigen Arbeit hin. Das System wurde unter Verwendung einer Mischung aus echten Fotos und Experten-Daten getestet, wurde aber noch nicht in einem realen Katastrophengebiet eingesetzt, in dem die Bedingungen chaotisch und unvorhersehbar sind. Der Teil des Systems, der Schäden aus Fotos identifiziert, ist zwar effektiv, macht aber dennoch Fehler, insbesondere bei der Schätzung der Größe von Rissen oder wenn die Fotos aus schwierigen Winkeln aufgenommen wurden. Die Forscher räumen ein, dass das System derzeit ein Werkzeug für das schnelle Screening und Triage ist, das dazu gedacht ist, Ingenieure dabei zu unterstützen, welche Gebäude sofortige Aufmerksamkeit benötigen, anstatt einen vollständigen, formellen technischen Inspektion zu ersetzen. Sie betonen, dass die endgültige Verantwortung für Sicherheitsentscheidungen immer bei lizenzierten menschlichen Fachkräften liegen muss.

Der Weg nach vorn für diese Technologie besteht darin, die Fähigkeit der KI zu verfeinern, Schäden genauer zu sehen und zu messen, sowie das System zu erweitern, um verschiedene Arten von Gebäuden und unterschiedliche Bauvorschriften aus der ganzen Welt zu handhaben. Die Forscher planen, das System mit vielfältigeren Datensätzen von Bildern zu testen und die Art und Weise zu verbessern, wie es mit Unsicherheit umgeht. Sie streben auch an, das System tiefer in den Prozess der Aktualisierung von Bauvorschriften und der Ausbildung neuer Ingenieure zu integrieren. Das ultimative Ziel ist es, ein Werkzeug zu schaffen, das von Ersthelfern und Ingenieuren in den chaotischen Stunden nach einem Erdbeben genutzt werden kann, um schnell zu bestimmen, welche Gebäude sicher zu betreten sind und welche nicht. Indem sie einen komplexen, subjektiven Prozess in einen strukturierten, evidenzbasierten Workflow verwandeln, bietet diese Forschung eine neue Art, über Resilienz nachzudenken – weg von der bloßen Zählung zerbrochener Teile hin zum Verständnis dessen, was ein Gebäude den Menschen, die es brauchen, noch leisten kann.