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

Quando il suolo trema, la domanda immediata per una città non è solo se un edificio rimanga in piedi, ma se possa ancora essere utilizzato. Un ospedale potrebbe rimanere strutturalmente integro, con le sue pareti e le sue travi intatte, eppure essere completamente inutile se le sue apparecchiature mediche sono frantumate o i suoi sistemi idraulici sono recisi. Per decenni, gli ingegneri hanno valutato gli edifici osservando le singole parti: una parete crepata, una finestra rotta o una trave piegata. Assegnano un grado a ogni tipo di danno, ma questo approccio spesso non riesce a rispondere alla domanda più critica per i sopravvissuti: la stanza all'interno è sicura e funzionale? Il divario tra sapere che una parete è crepata e sapere che una sala operatoria di un ospedale è inutilizzabile è stato a lungo un problema difficile da risolvere, basandosi pesantemente sul giudizio soggettivo degli ispettori umani che devono ricomporre un quadro complesso da indizi sparsi.

I ricercatori Xu Zheng e Jin Liu hanno proposto un nuovo modo per colmare questo divario, creando un flusso di lavoro digitale che agisce come un team di assistenti specializzati per valutare un edificio dopo un terremoto. Invece di un singolo programma informatico che tenta di fare tutto in una volta, hanno costruito un sistema in cui diversi agenti di intelligenza artificiale lavorano insieme, ognuno con un compito specifico. Un agente osserva le foto scattate a terra per individuare i danni. Un altro agente consulta una biblioteca digitale di codici edilizi per comprendere il significato di quel danno. Un terzo agente utilizza un modello probabilistico per capire come il danno a una singola parete possa influenzare la capacità di un'intera stanza di funzionare. Infine, un quarto agente compila tutte queste informazioni in un rapporto chiaro e standardizzato. Questo sistema è progettato per andare oltre il semplice conteggio dei danni, traducendo crepe fisiche e tubature rotte in una valutazione precisa della capacità di un edificio di svolgere il proprio compito.

Il cuore di questo nuovo metodo è un cambio di prospettiva. I metodi tradizionali trattano spesso un edificio come una collezione di parti, dove il danno peggiore determina semplicemente il verdetto finale. Se un singolo componente critico è rotto, l'intero sistema viene spesso dichiarato fallito, indipendentemente dal fatto che altre parti siano funzionanti. I ricercatori sostengono che questo sia uno strumento troppo rozzo. Nel loro sistema, gli agenti IA lavorano per distinguere tra danno fisico e perdita funzionale. Utilizzano una rete che mappa come le diverse parti di un edificio dipendano l'una dall'altra. Ad esempio, in una sala operatoria di un ospedale, il sistema di filtraggio dell'aria, le condutture del gas e le macchine mediche sono tutti vitali. Se le pareti sono leggermente crepate ma le linee del gas sono intatte, la stanza potrebbe essere ancora utilizzabile, forse con alcune limitazioni. Tuttavia, se le linee del gas sono recise, la stanza diventa inutile anche se le pareti sono perfette. Il sistema calcola queste relazioni per fornire una risposta sfumata piuttosto che un semplice passaggio o fallimento.

Per testare questa idea, il team ha applicato il loro flusso di lavoro a uno scenario realistico che coinvolge la sala operatoria di un ospedale. Hanno fornito al sistema foto e dati che descrivono vari tipi di danni, come crepe nelle pareti o spostamenti del soffitto. Il sistema ha poi tracciato queste osservazioni attraverso la sua rete di agenti. L'agente di percezione ha identificato il danno, l'agente della conoscenza ha fatto corrispondere il danno a specifiche regole del codice edilizio e l'agente di inferenza ha calcolato l'impatto sulla funzione complessiva della stanza. In un caso specifico, il sistema ha rilevato che, sebbene le parti non strutturali della stanza, come le pareti e il soffitto, fossero moderatamente danneggiate, le apparecchiature mediche critiche e i sistemi del gas erano intatti. Il flusso di lavoro ha concluso che la stanza era degradata ma ancora operativa. Questa è una distinzione cruciale. Un metodo più semplice che si fosse limitato a guardare il danno peggiore avrebbe probabilmente dichiarato la stanza completamente inutilizzabile, portando potenzialmente a evacuazioni non necessarie o all'abbandono di una struttura che potrebbe ancora salvare vite.

I ricercatori hanno anche esplorato cosa accade quando il danno è più grave. Hanno eseguito una serie di scenari in cui hanno modificato il tipo e la posizione del danno per vedere come rispondeva il sistema. Hanno scoperto che il sistema identificava correttamente che danni gravi agli elementi non strutturali, come un soffitto crollato, potevano rendere una stanza non sicura per l'ingresso di chiunque, anche se le apparecchiature mediche erano intatte. Viceversa, hanno scoperto che un danno grave a un singolo sistema funzionale, come la fornitura di gas medico, renderebbe la stanza inutilizzabile per il suo scopo previsto, anche se la struttura dell'edificio fosse perfetta. Il sistema ha separato con successo questi due tipi di guasto, dimostrando che la capacità di un edificio di funzionare dipende dalla combinazione specifica di parti danneggiate, non solo dall'entità totale del danno. Questa capacità di distinguere tra un edificio fisicamente insicuro e uno funzionalmente guasto è il principale avanzamento del loro lavoro.

Una caratteristica chiave di questo flusso di lavoro è la sua capacità di sapere quando non è sicuro. Il sistema è progettato per segnalare i casi in cui l'evidenza è poco chiara o il danno è complesso. Quando gli agenti IA incontrano una situazione in cui la loro fiducia è bassa, o dove diverse parti del sistema forniscono risultati contrastanti, si interrompono automaticamente e chiedono aiuto a un esperto umano. Questo crea una partnership tra la macchina e l'uomo. La macchina gestisce il lavoro di routine, come scansionare migliaia di foto e controllarle rispetto ai codici, mentre l'uomo interviene solo nei casi difficili che richiedono giudizio. Nei loro test, questo approccio ha permesso al sistema di elaborare la maggior parte degli scenari automaticamente, garantendo al contempo che le decisioni più critiche fossero riviste da una persona. Questo equilibrio aiuta a mantenere basso il tasso di errore senza rallentare l'intero processo di valutazione.

Il team ha anche confrontato il loro nuovo metodo con i modi più vecchi e tradizionali di valutare i danni. Hanno scoperto che i vecchi metodi, che semplicemente sommavano i danni peggiori trovati in qualsiasi parte della stanza, tendevano a sovrastimare la perdita. Spesso dichiaravano una stanza completamente persa quando era in realtà solo parzialmente danneggiata. Il nuovo flusso di lavoro, al contrario, forniva un quadro più accurato delle reali capacità dell'edificio. Mostrava che una stanza con una parete crepata ma con sistemi medici funzionanti è diversa da una stanza con una parete funzionante ma con linee del gas rotte. Questo livello di dettaglio è qualcosa che le checklist standard spesso perdono. I ricercatori hanno dimostrato che il loro sistema poteva produrre un rapporto dettagliato e verificabile che spiegava esattamente perché era giunto a una determinata conclusione, citando i codici edilizi specifici e le prove che avevano portato alla decisione.

Nonostante questi risultati promettenti, i ricercatori sono cauti nel sottolineare i limiti del loro attuale lavoro. Il sistema è stato testato utilizzando un mix di foto reali e dati forniti da esperti, ma non è ancora stato dispiegato in una zona di disastro reale dove le condizioni sono caotiche e imprevedibili. La parte del sistema che identifica i danni dalle foto, pur essendo efficace, commette ancora errori, in particolare nel stimare la dimensione delle crepe o quando le foto sono scattate da angolazioni difficili. I ricercatori riconoscono che il sistema è attualmente uno strumento per lo screening rapido e il triage, destinato ad aiutare gli ingegneri a dare priorità agli edifici che necessitano di attenzione immediata, piuttosto che a un sostituto di un'ispezione ingegneristica completa e formale. Sottolineano che la responsabilità finale delle decisioni sulla sicurezza deve rimanere sempre in capo a professionisti umani abilitati.

Il percorso futuro per questa tecnologia prevede il perfezionamento della capacità dell'IA di vedere e misurare i danni in modo più accurato e l'espansione del sistema per gestire diversi tipi di edifici e diversi codici edilizi in tutto il mondo. I ricercatori intendono testare il sistema con set di immagini più diversificati e migliorare il modo in cui gestiscono l'incertezza. Mirano anche a integrare il sistema più profondamente con il processo di aggiornamento dei codici edilizi e la formazione di nuovi ingegneri. L'obiettivo finale è creare uno strumento che possa essere utilizzato dai primi soccorritori e dagli ingegneri nelle ore caotiche successive a un terremoto per determinare rapidamente quali edifici siano sicuri da entrare e quali no. Trasformando un processo complesso e soggettivo in un flusso di lavoro strutturato e basato sulle prove, questa ricerca offre un nuovo modo di pensare alla resilienza, spostando l'attenzione dal semplice conteggio delle parti rotte alla comprensione di ciò che un edificio può ancora fare per le persone che ne hanno bisogno.