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

Wanneer de grond schudt, is de onmiddellijke vraag voor een stad niet alleen of een gebouw blijft staan, maar of het nog wel gebruikt kan worden. Een ziekenhuis kan structureel intact blijven, met intacte muren en balken, maar toch volkomen onbruikbaar zijn als de medische apparatuur verbrijzeld is of de loodgieterssystemen zijn doorgebroken. Decennialang hebben ingenieurs gebouwen beoordeeld door naar individuele onderdelen te kijken: een gebarsten muur, een gebroken raam of een verbogen balk. Ze kennen een graad toe aan elke vorm van schade, maar deze aanpak faalt vaak bij het beantwoorden van de meest kritische vraag voor overlevenden: is de ruimte binnenin veilig en functioneel? De kloof tussen weten dat een muur gebarsten is en weten dat een operatiekamer in een ziekenhuis onbruikbaar is, is lang een moeilijk op te lossen probleem geweest, waarbij men zwaar moest vertrouwen op het subjectieve oordeel van menselijke inspecteurs die een complex beeld moesten samenstellen uit verspreide aanwijzingen.

Onderzoekers Xu Zheng en Jin Liu hebben een nieuwe manier voorgesteld om deze kloof te overbruggen, door een digitale workflow te creëren die fungeert als een team van gespecialiseerde assistenten om een gebouw na een aardbeving te evalueren. In plaats van één computerprogramma dat alles tegelijk probeert te doen, hebben ze een systeem gebouwd waarin verschillende kunstmatige intelligentie-agenten samenwerken, elk met een specifieke taak. Eén agent bekijkt foto's die op de grond zijn genomen om schade op te sporen. Een andere agent raadpleegt een digitale bibliotheek van bouwvoorschriften om te begrijpen wat die schade betekent. Een derde agent gebruikt een probabilistisch model om te berekenen hoe schade aan een enkele muur de bruikbaarheid van een hele kamer kan beïnvloeden. Ten slotte stelt een vierde agent al deze informatie samen in een duidelijk, gestandaardiseerd rapport. Dit systeem is ontworpen om verder te gaan dan eenvoudige schade-telling en vertaalt fysieke scheuren en gebroken leidingen naar een precieze beoordeling van of een gebouw nog in staat is zijn taak te vervullen.

De kern van deze nieuwe methode is een verschuiving in perspectief. Traditionele methoden behandelen een gebouw vaak als een verzameling onderdelen, waarbij de ergste schade simpelweg het definitieve oordeel bepaalt. Als één kritisch onderdeel defect is, wordt het hele systeem vaak als gefaald beschouwd, ongeacht of andere onderdelen wel werken. De onderzoekers stellen dat dit een te grof instrument is. In hun systeem werken de AI-agenten om onderscheid te maken tussen fysieke schade en functioneel verlies. Ze gebruiken een netwerk dat in kaart brengt hoe verschillende onderdelen van een gebouw van elkaar afhankelijk zijn. Bijvoorbeeld, in een operatiekamer van een ziekenhuis zijn het luchtfiltratiesysteem, de gasleidingen en de medische apparatuur allemaal essentieel. Als de muren licht gebarsten zijn maar de gasleidingen intact zijn, kan de kamer misschien nog bruikbaar zijn, zij het met bepaalde beperkingen. Echter, als de gasleidingen zijn doorgebroken, is de kamer onbruikbaar, zelfs als de muren perfect zijn. Het systeem berekent deze relaties om een genuanceerd antwoord te geven in plaats van een simpel pass of fail.

Om dit idee te testen, paste het team hun workflow toe op een realistisch scenario met een operatiekamer in een ziekenhuis. Ze voerden het systeem foto's en gegevens in die verschillende soorten schade beschrijven, zoals scheuren in de muren of verschuivingen van het plafond. Het systeem volgde deze waarnemingen vervolgens door zijn netwerk van agenten. De perceptie-agent identificeerde de schade, de kennis-agent koppelde deze aan specifieke bouwvoorschriften, en de inferentie-agent berekende de impact op de algehele functie van de kamer. In één specifiek geval vond het systeem dat hoewel de niet-structurele onderdelen van de kamer, zoals de muren en het plafond, matig beschadigd waren, de kritieke medische apparatuur en gasystemen intact waren. De workflow concludeerde dat de kamer gedegradeerd maar nog steeds operationeel was. Dit is een cruciaal onderscheid. Een simpelere methode die alleen naar de ergste schade zou kijken, zou de kamer waarschijnlijk volledig onbruikbaar hebben verklaard, wat potentieel zou leiden tot onnodige evacuaties of het verlaten van een faciliteit die nog steeds levens kan redden.

De onderzoekers verkenden ook wat er gebeurt als de schade ernstiger is. Ze draaiden een reeks scenario's waarbij ze het type en de locatie van de schade veranderden om te zien hoe het systeem reageerde. Ze ontdekten dat het systeem correct identificeerde dat ernstige schade aan niet-structurele elementen, zoals een ingestort plafond, een kamer onveilig kon maken voor iedereen om binnen te komen, zelfs als de medische apparatuur in orde was. Daarentegen ontdekten ze dat ernstige schade aan een enkel functioneel systeem, zoals de medische gasvoorziening, de kamer onbruikbaar zou maken voor zijn beoogde doel, zelfs als de gebouwstructuur perfect was. Het systeem slaagde erin deze twee soorten falen te scheiden, waarmee werd aangetoond dat het vermogen van een gebouw om te functioneren afhangt van de specifieke combinatie van beschadigde onderdelen, en niet alleen van de totale hoeveelheid schade. Dit vermogen om het verschil te zien tussen een gebouw dat fysiek onveilig is en een gebouw dat functioneel defect is, is de primaire vooruitgang van hun werk.

Een belangrijk kenmerk van deze workflow is het vermogen om te weten wanneer het het niet zeker weet. Het systeem is ontworpen om gevallen te markeren waarbij het bewijs onduidelijk is of de schade complex is. Wanneer de AI-agenten een situatie tegenkomen waarin hun vertrouwen laag is, of waar verschillende delen van het systeem tegenstrijdige resultaten geven, pauzeren ze automatisch en vragen ze een menselijke expert om hulp. Dit creëert een partnerschap tussen de machine en de mens. De machine handelt het routinematige werk af, zoals het scannen van duizenden foto's en het controleren ervan tegen voorschriften, terwijl de mens pas in beeld komt voor de moeilijke gevallen die oordeelsvorming vereisen. In hun tests maakte deze aanpak het mogelijk om de meeste scenario's automatisch te verwerken, terwijl ze er tegelijkertijd voor zorgden dat de meest kritieke beslissingen door een persoon werden beoordeeld. Deze balans hels bij om de foutmarge laag te houden zonder het hele beoordelingsproces te vertragen.

Het team vergeleek hun nieuwe methode ook met oudere, meer traditionele manieren van schadebeoordeling. Ze ontdekten dat de oude methoden, die simpelweg de ergste schade in elk deel van de kamer optelden, de verliezen vaak overschatten. Ze zouden een kamer vaak als volledig verloren verklaren terwijl deze eigenlijk slechts gedeeltelijk beschadigd was. De nieuwe workflow bood daarentegen een nauwkeuriger beeld van de werkelijke capaciteiten van het gebouw. Het toonde aan dat een kamer met een gebarsten muur maar werkende medische systemen anders is dan een kamer met een werkende muur maar gebroken gasleidingen. Dit niveau van detail is iets wat standaard checklists vaak missen. De onderzoekers demonstreerden dat hun systeem een gedetailleerd, controleerbaar rapport kon produceren dat precies uitlegde waarom het tot een bepaalde conclusie kwam, waarbij specifieke bouwvoorschriften en bewijslast werden aangehaald die tot de beslissing leidden.

Ondanks deze veelbelovende resultaten zijn de onderzoekers voorzichtig om de beperkingen van hun huidige werk te benoemen. Het systeem is getest met een mix van echte foto's en door experts verstrekte gegevens, maar het is nog niet ingezet in een echte rampzone waar de omstandigheden chaotisch en onvoorspelbaar zijn. Het deel van het systeem dat schade uit foto's identificeert, is weliswaar effectief, maar maakt nog steeds fouten, vooral bij het schatten van de grootte van scheuren of wanneer de foto's vanuit moeilijke hoeken zijn genomen. De onderzoekers erkennen dat het systeem momenteel een hulpmiddel is voor snelle screening en triage, bedoeld om ingenieurs te helpen prioriteit te geven aan welke gebouwen onmiddellijke aandacht nodig hebben, in plaats van een vervanging voor een volledige, formele technische inspectie. Zij benadrukken dat de uiteindelijke verantwoordelijkheid voor veiligheidsbeslissingen altijd bij erkende menselijke professionals moet blijven liggen.

De weg voorwaarts voor deze technologie houdt in dat het vermogen van de AI om schade nauwkeuriger te zien en te meten wordt verfijnd, en dat het systeem wordt uitgebreid om verschillende soorten gebouwen en verschillende bouwvoorschriften uit de hele wereld te kunnen verwerken. De onderzoekers zijn van plan het systeem te testen met meer diverse sets afbeeldingen en de manier waarop het met onzekerheid omgaat te verbeteren. Ze streven er ook naar om het systeem dieper te integreren in het proces van het bijwerken van bouwvoorschriften en het trainen van nieuwe ingenieurs. Het ultieme doel is om een hulpmiddel te creëren dat door hulpverleners en ingenieurs in de chaotische uren na een aardbeving kan worden gebruikt om snel te bepalen welke gebouwen veilig zijn om te betreden en welke niet. Door een complex, subjectief proces om te zetten in een gestructureerde, op bewijs gebaseerde workflow, biedt dit onderzoek een nieuwe manier om over veerkracht na te denken, waarbij de focus verschuift van het simpelweg tellen van gebroken onderdelen naar het begrijpen van wat een gebouw nog kan betekenen voor de mensen die het nodig hebben.