A Hybrid AI-IoT Framework for Predictive Conservation of Tropical Heritage Façades: Empirical Validation from a Multi-Site Study in Indonesia

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van naar vingerafdrukken te zoeken, zoek je naar de onzichtbare vingerafdrukken van het weer op oude gebouwen. Dit wetenschappelijke veld bevindt zich op het snijvlak van erfgoedbehoud (het redden van oude, belangrijke gebouwen) en voorspellende technologie (het gebruik van data om te raden wat er gaat gebeuren voordat het gebeurt). Al een lange tijd weten mensen dat oude gebouwen in warme, natte gebieden ziek worden. De "ziekte" begint vaak als een kleurverandering—zoals een muur die een donkere, vochtige tint krijgt of groene vlekjes ontwikkend. Deze kleurveranderingen zijn de manier waarop het gebouw hoest; ze gebeuren lang voordat de muren daadwerkelijk instorten.

Traditioneel moeten experts rondlopen met hun ogen en camera's om te gissen waar de problemen zitten. Het is alsof je probeert een lek in een dak te vinden door alleen naar het plafond te kijken nadat het water al is gaan druppelen. Maar wat als we het gebouw een "smartwatch" konden geven? Dat is waar IoT (Internet of Things) om de hoek komt kijken—kleine sensoren die constant tegen ons fluisteren over de temperatuur en de luchtvochtigheid. En wat als we een computer konden leren om naar die fluisteringen te luisteren en tegelijkertijd naar de kleuren van het gebouw te kijken? Dat is de kracht van AI (Artificiële Intelligentie). De grote vraag is niet alleen: "Is het gebouw ziek?", maar: "Kunnen we de ziekte voorspellen voordat deze begint, zodat we genoeg tijd hebben om het te repareren?" Dit artikel duikt precies in dat onderwerp en vraagt zich af of we een digitale kristallen bol kunnen bouwen voor oude gebouwen in de tropen.

---

De Digitale Dokter voor Oude Gebouwen

In de vochtige, regenachtige stad Semarang, Indonesië, worden drie historische gebouwen geconfronteerd met een stille vijand: het weer. Dit zijn niet zomaalta gebouwen; het zijn het Lawang Sewu (een koloniaal administratief kantoor), Pasar Johar (een traditionele markt) en het Tawang-treinstation. Ze zijn gemaakt van baksteen, pleisterwerk en hout, en ze verliezen langzaam hun kleur en kracht door de constante hitte en vochtigheid.

De onderzoekers, onder leiding van Hassan Gbran, besloten een "Hybride AI-IoT Framework" te bouwen. Denk hierbij aan het geven van een team van twee detectives aan de gebouwen: één is een sensorteam (de IoT) en de andere is een brein (de AI).

Het Sensorteam (De IoT)
Eerst plaatsten ze 16 kleine sensor-nodes verspreid over de drie gebouwen. Deze sensoren fungeerden als een zenuwstelsel dat elke 15 minuten de lucht controleerde. Ze maten de temperatuur en, het belangrijkste, de Relatieve Luchtvochtigheid (RH). In deze tropische gebieden is de lucht vaak zo nat dat het voelt als een spons. De sensoren volgden hoe lang de luchtvochtigheid boven de 85% bleef—een niveau dat als een "gevarenzone" wordt beschouwd voor deze materialen. Ze creëerden zelfs een speciale score genaamd de Humidity Stress Factor (HSF), wat een soort "stressmeter" is die optelt hoeveel vocht het gebouw de afgelopen dag heeft doorstaan, in plaats van alleen naar het huidige moment te kijken.

Het Brein (De AI)
Terwijl de sensoren druk waren met het observeren van het weer, maakten de onderzoekers duizenden hoogresolutiefoto's van de muren van de gebouwen. Ze gebruikten een techniek genaamd fotogrammetrie om deze platte foto's om te zetten in 3D digitale tweelingen. Vervolgens braken ze deze 3D-modellen op in miljoenen kleine tegeltjes en analyseerden de kleuren.

Ze gebruikten twee soorten AI-detectives:

1. De Ongesuperviseerde Detective (Hiërarchische Clustering): Deze AI keek naar de kleuren en groepeerde ze zonder te weten wat ze waren. Het is also kind dat een zak gemengde knikkers op kleur sorteert zonder de namen van de kleuren te kennen. Het vond groepen van "vochtige plekken", "schimmelgebieden" en "normale bakstenen".
2. De Gesuperviseerde Detective (Random Forest): Dit is de ster van de show. Deze AI werd getraind door menselijke experts die duizenden tegeltjes labelden als "schimmel", "zoutvlekken" of "gezond". De AI leerde deze patronen herkennen. Cruciaal is dat deze AI niet alleen naar de kleuren keek, maar ook naar de Humidity Stress Factor van de sensoren. De AI leerde dat als de "stressmeter" hoog is, een bepaalde kleurverandering waarschijnlijk snel zal optreden.

De Grote Ontdekking: Een Voorsprong op de Ramp

De resultaten waren indrukwekkend. De AI identificeerde niet alleen de schade; de AI voorspelde het ook.

• Nauwkeurigheid: De AI was een zeer goede detective. Het identificeerde het type schade aan de muren ongeveer 87% van de tijd correct (een score genaamd F1). Toen ze de kaart van de schade door de AI vergeleken met de werkelijke schade, was de AI 17% tot 51% nauwkeuriger dan de ongesuperviseerde detective die alleen werkte. Dit bewijst dat het kennen van de geschiedenis van het weer de AI helpt om de kleuren beter te begrijpen.
• De Humidity Stress Factor: De onderzoekers voerden een test uit om te zien wat er gebeurde als ze de weerdata verwijderden. De prestaties van de AI daalden met 9,2%. Dit bevestigde dat de "stressmeter" (HSF) de belangrijkste aanwijzing was. Het gaat er niet alleen om hoe nat het nu is, maar hoe nat het de afgelopen 24 uur is geweest.
• De Kristallen Bol (Lead Time): Dit is het coolste deel. Het systeem kon een "hoog risico event" (zoals een plotselinge uitbraak van schimmelgroei) identificeren 4,8 tot 16,7 uur voordat de conditie volledig zichtbaar werd in de testdata. De paper merkt echter voorzichtig op dat dit technische doorlooptijden zijn. Ze tonen aan dat het systeem de waarschuwingssignalen vroeg kan detecteren, maar de studie heeft niet getest of gebouwbeheerders daadwerkelijk binnen die tijdlijn kunnen handelen op deze waarschuwingen. Factoren zoals personeelsbeschikbaarheid, budgetcycli en besluitvormingsprotocollen werden niet beoordeeld, waardoor het vermogen om "het te repareren voordat de schade begint" een theoretische mogelijkheid blijft in plaats van een bewezen operationele realiteit.

Hoe Ze Beslisten Wat Eerst Te Repareren

De onderzoekers wilden niet alleen problemen vinden; ze wilden ook weten welke problemen het belangrijkst waren. Ze creëerden een Prioriteitsmatrix. Ze combineerden de Risicoscore (hoe waarschijnlijk is het dat de muur rot?) met een Erfgoedwaarde-index (hoe belangrijk is deze muur voor de geschiedenis?).

• Hoog Risico + Hoge Waarde: Dit is de "Rode Zone". Bijvoorbeeld, de hoofdingang van Lawang Sewu had een hoge erfgoedwaarde en een gemiddeld risico, wat het een top prioriteit maakte.
• Hoog Risico + Lage Waarde: Dit is de "Technische Zone". De kelder van Lawang Sewu had een zeer hoge luchtvochtigheid en een hoog risico, maar een lagere historische waarde. Het moest nog steeds gerepareerd worden, maar misschien niet met dezelfde urgentie als de centrale hal.
• Laag Risico + Hoge Waarde: Dit is de "Observatiezone". Houd het gewoon in de gaten.

De Kanttekeningen en De Toekomst

Het paper is zeer eerlijk over de beperkingen. De AI is een "blauwdruk", geen toverstaf die overal direct werkt.

• Het vereist lokale afstemming: De specifieke luchtvochtigheidsdrempel (85%) werkt misschien in Semarang, maar een andere tropische stad heeft misschien een ander getal nodig. Het model moet voor nieuwe plaatsen worden "geherkalibreerd".
• Het is een technische waarschuwing, geen magische oplossing: De AI kan zeggen: "Gevaar over 12 uur!", maar het weet niet of de gebouwbeheerders het budget of het personeel hebben om het in die tijd daadwerkelijk te repareren. Dat deel blijft aan de mensen, en de studie heeft de operationele haalbaarheid niet getoetst.
• Subjectiviteit: Hoewel de AI geweldig is in het herkennen van kleuren, vereist het besluit of een kleurverandering "schimmel" of gewoon "vuil" is nog steeds menselijke expertise. De onderzoekers gebruikten drie experts om het eens te worden over de labels, maar er is nog steeds een beetje menselijke gokwerk bij betrokken.

De Kern van het Verhaal

Deze studie bewijst dat we kunnen stoppen met het behandelen van oude gebouwen als patiënten die pas hulp krijgen wanneer ze al stervende zijn. Door kleine sensoren die het weer in de gaten houden te combineren met slimme AI die de kleuren observeert, kunnen we een technische voorsprong van 4 tot 16 uur krijgen bij het detecteren van risicovolle condities in tropische erfgoedlocaties. Het is een verschuiving van "reactief" (de kapotte muur repareren) naar "voorspellend" (het risico vroegtijdig identificeren). Hoewel het systeem meer testen nodig heeft in andere steden, betere sensoren voor de toekomst en real-world operationele tests om te zien of beheerders op de waarschuwingen kunnen reageren, biedt het een hoopvolle, op data gebaseerde manier om ons verleden overeind te houden in een veranderend klimaat.