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

Cuando el suelo tiembla, la pregunta inmediata para una ciudad no es solo si un edificio se mantiene en pie, sino si todavía puede ser utilizado. Un hospital puede permanecer estructuralmente sólido, con sus paredes y vigas intactas, pero ser completamente inútil si su equipo médico está destrozado o sus sistemas de fontanería cortados. Durante décadas, los ingenieros han evaluado los edificios observando partes individuales: una pared agrietada, una ventana rota o una viga doblada. Asignan una calificación a cada daño, pero este enfoque a menudo no logra responder a la pregunta más crítica para los supervivientes: ¿es la habitación en su interior segura y funcional? La brecha entre saber que una pared está agrietada y saber que un quirófano de un hospital es inutilizable ha sido durante mucho tiempo un problema difícil de resolver, que dependía en gran medida del juicio subjetivo de inspectores humanos que debían armar un cuadro complejo a partir de pistas dispersas.

Los investigadores Xu Zheng y Jin Liu han propuesto una nueva forma de cerrar esta brecha, creando un flujo de trabajo digital que actúa como un equipo de asistentes especializados para evaluar un edificio después de un terremoto. En lugar de un único programa informático que intente hacerlo todo a la vez, construyeron un sistema donde diferentes agentes de inteligencia artificial trabajan juntos, cada uno con un trabajo específico. Un agente observa las fotos tomadas en el terreno para detectar daños. Otro agente consulta una biblioteca digital de códigos de edificación para comprender qué significa ese daño. Un tercer agente utiliza un modelo probabilístico para determinar cómo el daño en una sola pared podría afectar la capacidad de funcionamiento de toda una habitación. Finalmente, un cuarto agente compila toda esta información en un informe claro y estandarizado. Este sistema está diseñado para ir más allá del simple recuento de daños, traduciendo grietas físicas y tuberías rotas en una evaluación precisa de si un edificio puede seguir cumpliendo su función.

El núcleo de este nuevo método es un cambio de perspectiva. Los métodos tradicionales suelen tratar un edificio como una colección de partes, donde el peor daño simplemente dicta el veredicto final. Si un solo componente crítico está roto, todo el sistema suele declararse fallido, independientemente de si otras partes están funcionando. Los investigadores argumentan que esto es un instrumento demasiado tosco. En su sistema, los agentes de IA trabajan para distinguir entre el daño físico y la pérdida funcional. Utilizan una red que mapea cómo las diferentes partes de un edificio dependen unas de otras. Por ejemplo, en el quirófano de un hospital, el sistema de filtración de aire, las tuberías de gas y las máquinas médicas son todos vitales. Si las paredes están ligeramente agrietadas pero las líneas de gas están intactas, la sala podría seguir siendo utilizable, quizás con algunas limitaciones. Sin embargo, si las líneas de gas se cortan, la sala se vuelve inútil incluso si las paredes están perfectas. El sistema calcula estas relaciones para proporcionar una respuesta matizada en lugar de un simple aprobado o suspendido.

Para probar esta idea, el equipo aplicó su flujo de trabajo a un escenario realista que involucraba el quirófano de un hospital. Alimentaron el sistema con fotos y datos que describían varios tipos de daños, como grietas en las paredes o desplazamiento del techo. El sistema trazó entonces estas observaciones a través de su red de agentes. El agente de percepción identificó el daño, el agente de conocimiento lo cotejó con reglas específicas de los códigos de edificación y el agente de inferencia calculó el impacto en la función general de la sala. En un caso específico, el sistema encontró que, aunque las partes no estructurales de la sala, como las paredes y el techo, estaban moderadamente dañadas, el equipo médico crítico y los sistemas de gas estaban intactos. El flujo de trabajo concluyó que la sala estaba degradada pero aún era operativa. Esta es una distinción crucial. Un método más simple que solo mirara el peor daño probablemente habría declarado la sala completamente inutilizable, lo que podría provocar evacuaciones innecesarias o el abandono de una instalación que aún podría salvar vidas.

Los investigadores también exploraron qué sucede cuando el daño es más severo. Ejecutaron una serie de escenarios en los que cambiaron el tipo y la ubicación del daño para ver cómo respondía el sistema. Descubrieron que el sistema identificaba correctamente que los daños graves en elementos no estructurales, como un techo colapsado, podían hacer que una sala fuera insegura para que cualquiera entrara, incluso si el equipo médico estaba bien. Por el contrario, descubrieron que el daño severo en un solo sistema funcional, como el suministro de gas médico, dejaría la sala inutilizable para su propósito previsto, incluso si la estructura del edificio fuera perfecta. El sistema separó con éxito estos dos tipos de fallos, demostrando que la capacidad de un edificio para funcionar depende de la combinación específica de partes dañadas, no solo de la cantidad total de daño. Esta capacidad de distinguir entre un edificio que es físicamente inseguro y uno que está funcionalmente roto es el avance principal de su trabajo.

Una característica clave de este flujo de trabajo es su capacidad para saber cuándo no está seguro. El sistema está diseñado para señalar casos donde la evidencia es poco clara o el daño es complejo. Cuando los agentes de IA encuentran una situación en la que su confianza es baja, o donde diferentes partes del sistema dan resultados contradictorios, se detienen automáticamente y piden ayuda a un experto humano. Esto crea una asociación entre la máquina y el humano. La máquina se encarga del trabajo rutinario de escanear miles de fotos y cotejarlas con los códigos, mientras que el humano interviene solo en los casos difíciles que requieren juicio. En sus pruebas, este enfoque permitió al sistema procesar la mayoría de los escenarios de forma automática, asegurando al mismo tiempo que las decisiones más críticas fueran revisadas por una persona. Este equilibrio ayuda a mantener bajo el índice de error sin ralentizar todo el proceso de evaluación.

El equipo también comparó su nuevo método con formas más antiguas y tradicionales de evaluar los daños. Encontraron que los métodos antiguos, que simplemente sumaban el peor daño encontrado en cualquier parte de la sala, tendían a sobreestimar la pérdida. A menudo declaraban una sala completamente perdida cuando en realidad solo estaba parcialmente dañada. El nuevo flujo de trabajo, por el contrario, proporcionaba una imagen más precisa de las capacidades reales del edificio. Mostró que una sala con una pared agrietada pero con sistemas médicos funcionando es diferente de una sala con una pared operativa pero con líneas de gas rotas. Este nivel de detalle es algo que las listas de verificación estándar suelen pasar por alto. Los investigadores demostraron que su sistema podía producir un informe detallado y auditable que explicaba exactamente por qué llegaba a una determinada conclusión, citando los códigos de edificación específicos y la evidencia que sustentaba la decisión.

A pesar de estos prometedores resultados, los investigadores son cuidadosos en señalar los límites de su trabajo actual. El sistema fue probado utilizando una mezcla de fotos reales y datos proporcionados por expertos, pero aún no se ha desplegado en una zona de desastre en el mundo real, donde las condiciones son caóticas e impredecibles. La parte del sistema que identifica el daño a partir de las fotos, aunque efectiva, todavía comete errores, particularmente al estimar el tamaño de las grietas o cuando las fotos se toman desde ángulos difíciles. Los investigadores reconocen que el sistema es actualmente una herramienta de cribado y triaje rápido, destinada a ayudar a los ingenieros a priorizar qué edificios necesitan atención inmediata, en lugar de ser un reemplazo para una inspección de ingeniería completa y formal. Enfatizan que la responsabilidad final de las decisiones de seguridad debe recaer siempre en profesionales humanos con licencia.

El camino a seguir para esta tecnología implica refinar la capacidad de la IA para ver y medir el daño con mayor precisión y expandir el sistema para manejar diferentes tipos de edificios y diferentes códigos de edificación de todo el mundo. Los investigadores planean probar el sistema con conjuntos de imágenes más diversos y mejorar la forma en que maneja la incertidumbre. También pretenden integrar el sistema más profundamente con el proceso de actualización de los códigos de edificación y la formación de nuevos ingenieros. El objetivo final es crear una herramienta que pueda ser utilizada por los socorristas y los ingenieros en las horas caóticas posteriores a un terremoto para determinar rápidamente qué edificios son seguros para entrar y cuáles no. Al convertir un proceso complejo y subjetivo en un flujo de trabajo estructurado y basado en la evidencia, esta investigación ofrece una nueva forma de pensar sobre la resiliencia, desplazando el enfoque de simplemente contar partes rotas hacia la comprensión de lo que un edificio aún puede hacer por las personas que lo necesitan.