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

Lorsque le sol tremble, la question immédiate pour une ville n'est pas seulement de savoir si un bâtiment tient debout, mais s'il peut encore être utilisé. Un hôpital peut rester structurellement sain, avec ses murs et ses poutres intacts, tout en étant totalement inutile si son équipement médical est brisé ou si ses systèmes de plomberie sont sectionnés. Pendant des décennies, les ingénieurs ont évalué les bâtiments en examinant des parties individuelles : un mur fissuré, une fenêtre cassée ou une poutre tordue. Ils attribuent une note à chaque pièce endommagée, mais cette approche échoue souvent à répondre à la question la plus critique pour les survivants : la pièce à l'intérieur est-elle sûre et fonctionnelle ? Le fossé entre savoir qu'un mur est fissuré et savoir qu'une salle d'opération d'un hôpital est inutilisable a longtemps été un problème difficile à résoudre, reposant largement sur le jugement subjectif des inspecteurs humains qui doivent reconstituer une image complexe à partir d'indices épars.

Les chercheurs Xu Zheng et Jin Liu ont proposé une nouvelle façon de combler ce fossé, en créant un flux de travail numérique qui agit comme une équipe d'assistants spécialisés pour évaluer un bâtiment après un séisme. Au lieu d'un seul programme informatique essayant de tout faire à la fois, ils ont construit un système où différents agents d'intelligence artificielle travaillent ensemble, chacun ayant une tâche spécifique. Un agent examine des photos prises au sol pour repérer les dommages. Un autre agent consulte une bibliothèque numérique de codes de construction pour comprendre ce que ces dommages signifient. Un troisième agent utilise un modèle probabiliste pour déterminer comment les dommages subis par un seul mur peuvent affecter la capacité de fonctionnement d'une pièce entière. Enfin, un quatrième agent compile toutes ces informations en un rapport clair et normalisé. Ce système est conçu pour aller au-delà du simple comptage des dégâts, en traduisant les fissures physiques et les tuyaux brisés en une évaluation précise de la capacité d'un bâtiment à remplir sa mission.

Le cœur de cette nouvelle méthode est un changement de perspective. Les méthodes traditionnelles traitent souvent un bâtiment comme une collection de pièces, où le pire dommage dicte simplement le verdict final. Si un composant critique est cassé, l'ensemble du système est souvent déclaré défaillant, peu importe si d'autres parties fonctionnent. Les chercheurs soutiennent que c'est un instrument trop rudimentaire. Dans leur système, les agents d'IA travaillent pour distinguer les dommages physiques de la perte de fonctionnalité. Ils utilisent un réseau qui cartographie la manière dont les différentes parties d'un bâtiment dépendent les unes des autres. Par exemple, dans une salle d'opération d'hôpital, le système de filtration de l'air, les conduites de gaz et les machines médicales sont tous vitaux. Si les murs sont légèrement fissurés mais que les conduites de gaz sont intactes, la pièce peut encore être utilisable, peut-être avec certaines limitations. Cependant, si les conduites de gaz sont sectionnées, la pièce devient inutile même si les murs sont parfaits. Le système calcule ces relations pour fournir une réponse nuancée plutôt qu'un simple succès ou échec.

Pour tester cette idée, l'équipe a appliqué son flux de travail à un scénario réaliste impliquant une salle d'opération d'hôpital. Ils ont injecté dans le système des photos et des données décrivant divers types de dommages, tels que des fissures dans les murs ou un déplacement du plafond. Le système a ensuite suivi ces observations à travers son réseau d'agents. L'agent de perception a identifié les dommages, l'agent de connaissance les a mis en correspondance avec des règles spécifiques du code de construction, et l'agent d'inférence a calculé l'impact sur la fonction globale de la pièce. Dans un cas spécifique, le système a constaté que bien que les éléments non structurels de la pièce, comme les murs et le plafond, soient modérément endommagés, l'équipement médical critique et les systèmes de gaz étaient intacts. Le flux de travail a conclu que la pièce était dégradée mais toujours opérationnelle. C'est une distinction cruciale. Une méthode plus simple qui se serait contentée de regarder le pire dommage aurait probablement déclaré la pièce totalement inutilisable, entraînant potentiellement des évacuations inutiles ou l'abandon d'un établissement qui pourrait encore sauver des vies.

Les chercheurs ont également exploré ce qui se passe lorsque les dommages sont plus graves. Ils ont lancé une série de scénarios où ils modifiaient le type et l'emplacement des dommages pour voir comment le système réagissait. Ils ont constaté que le système identifiait correctement que des dommages sévères aux éléments non structurels, comme un plafond effondré, pouvaient rendre une pièce dangereuse pour quiconque y entrerait, même si l'équipement médical était intact. Inversement, ils ont découvert que des dommages sévères à un seul système fonctionnel, comme l'alimentation en gaz médical, rendraient la pièce inutilisable pour sa fonction prévue, même si la structure du bâtiment était parfaite. Le système a réussi à séparer ces deux types de défaillance, montrant que la capacité d'un bâtiment à fonctionner dépend de la combinaison spécifique de pièces endommagées, et non de la quantité totale de dommages. Cette capacité à faire la distinction entre un bâtiment physiquement dangereux et un bâtiment fonctionnellement défaillant est la principale avancée de leur travail.

Une caractéristique clé de ce flux de travail est sa capacité à savoir quand il est incertain. Le système est conçu pour signaler les cas où les preuves sont peu claires ou les dommages complexes. Lorsque les agents d'IA rencontrent une situation où leur confiance est faible, ou lorsque différentes parties du système donnent des résultats contradictoires, ils font automatiquement une pause et demandent l'aide d'un expert humain. Cela crée un partenariat entre la machine et l'homme. La machine gère le travail de routine consistant à scanner des milliers de photos et à les vérifier par rapport aux codes, tandis que l'humain n'intervient que pour les cas difficiles qui nécessitent un jugement. Dans leurs tests, cette approche a permis au système de traiter la plupart des scénarios automatiquement tout en garantissant que les décisions les plus critiques soient examinées par une personne. Cet équilibre permet de maintenir un taux d'erreur bas sans ralentir l'ensemble du processus d'évaluation.

L'équipe a également comparé sa nouvelle méthode aux anciennes méthodes plus traditionnelles d'évaluation des dommages. Ils ont constaté que les anciennes méthodes, qui se contentaient d'additionner le pire dommage trouvé dans n'importe quelle partie de la pièce, avaient tendance à surestimer la perte. Elles déclaraient souvent qu'une pièce était totalement perdue alors qu'elle n'était que partiellement endommagée. Le nouveau flux de travail, en revanche, fournissait une image plus précise des capacités réelles du bâtiment. Il montrait qu'une pièce avec un mur fissuré mais des systèmes médicaux fonctionnels est différente d'une pièce avec un mur intact mais des conduites de gaz brisées. Ce niveau de détail est une chose que les listes de contrôle standards manquent souvent. Les chercheurs ont démontré que leur système pouvait produire un rapport détaillé et auditable expliquant précisément pourquoi il était parvenu à une certaine conclusion, en citant les codes de construction spécifiques et les preuves ayant conduit à la décision.

Malgré ces résultats prometteurs, les chercheurs veillent à noter les limites de leurs travaux actuels. Le système a été testé à l'aide d'un mélange de photos réelles et de données fournies par des experts, mais il n'a pas encore été déployé dans une zone de catastrophe réelle où les conditions sont chaotiques et imprévisibles. La partie du système qui identifie les dommages à partir de photos, bien qu'efficace, commet encore des erreurs, particulièrement lorsqu'elle estime la taille des fissures ou lorsque les photos sont prises sous des angles difficiles. Les chercheurs reconnaissent que le système est actuellement un outil de dépistage et de triage rapide, destiné à aider les ingénieurs à prioriser les bâtiments qui nécessitent une attention immédiate, plutôt qu'un remplacement pour une inspection technique formelle complète. Ils soulignent que la responsabilité finale des décisions de sécurité doit toujours incomber à des professionnels humains agréés.

La voie à suivre pour cette technologie implique d'affiner la capacité de l'IA à voir et à mesurer les dommages plus précisément et d'étendre le système pour qu'il puisse gérer différents types de bâtiments et différents codes de construction à travers le monde. Les chercheurs prévoient de tester le système avec des ensembles d'images plus diversifiés et d'améliorer la gestion de l'incertitude. Ils visent également à intégrer plus profondément le système dans le processus de mise à jour des codes de construction et de formation des nouveaux ingénieurs. L'objectif ultime est de créer un outil qui puisse être utilisé par les premiers intervenants et les ingénieurs dans les heures chaotiques suivant un séisme pour déterminer rapidement quels bâtiments sont sûrs à l'entrée et lesquels ne le sont pas. En transformant un processus complexe et subjectif en un flux de travail structuré et fondé sur des preuves, cette recherche offre une nouvelle façon de concevoir la résilience, en déplaçant l'attention du simple comptage des pièces brisées vers la compréhension de ce qu'un bâtiment peut encore faire pour les personnes qui en ont besoin.