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

Quando o chão treme, a questão imediata para uma cidade não é apenas se um edifício permanece de pé, mas se ele ainda pode ser usado. Um hospital pode permanecer estruturalmente íntegro, com suas paredes e vigas intactas, mas ser completamente inútil se seus equipamentos médicos forem estraçalhados ou seus sistemas de encanamento forem cortados. Durante décadas, engenheiros avaliaram edifícios observando partes individuais: uma parede rachada, uma janela quebrada ou uma viga empenada. Eles atribuem uma nota para cada parte do dano, mas essa abordagem frequentemente falha em responder à pergunta mais crítica para os sobreviventes: o interior de uma sala está seguro e funcional? A lacuna entre saber que uma parede está rachada e saber que uma sala de cirurgia de um hospital está inutilizável tem sido, por muito tempo, um problema difícil de resolver, dependendo fortemente do julgamento subjetivo de inspetores humanos que devem montar um quadro complexo a partir de pistas dispersas.

Os pesquisadores Xu Zheng e Jin Liu propuseram uma nova maneira de preencher essa lacuna, criando um fluxo de trabalho digital que atua como uma equipe de assistentes especializados para avaliar um edifício após um terremoto. Em vez de um único programa de computador tentando fazer tudo ao mesmo tempo, eles construíram um sistema onde diferentes agentes de inteligência artificial trabalham juntos, cada um com um trabalho específico. Um agente observa fotos tiradas no solo para detectar danos. Outro agente consulta uma biblioteca digital de códigos de construção para entender o que esse dano significa. Um terceiro agente usa um modelo probabilístico para calcular como o dano a uma única parede pode afetar a capacidade de funcionamento de uma sala inteira. Finalmente, um quarto agente compila todas essas informações em um relatório claro e padronizado. Este sistema foi projetado para ir além da simples contagem de danos, traduzindo rachaduras físicas e canos quebrados em uma avaliação precisa de se um edifício ainda pode cumprir seu papel.

O cerne deste novo método é uma mudança de perspectiva. Os métodos tradicionais frequentemente tratam um edifício como uma coleção de partes, onde o pior dano simplesmente dita o veredito final. Se um único componente crítico estiver quebrado, todo o sistema é frequentemente declarado como falho, independentemente de outras partes estarem funcionando. Os pesquisadores argumentam que isso é um instrumento muito bruto. Em seu sistema, os agentes de IA trabalham para distinguir entre dano físico e perda funcional. Eles usam uma rede que mapeia como diferentes partes de um edifício dependem umas das outras. Por exemplo, em uma sala de cirurgia de um hospital, o sistema de filtragem de ar, as tubulações de gás e as máquinas médicas são todos vitais. Se as paredes estiverem levemente rachadas, mas as linhas de gás estiverem intactas, a sala pode ainda ser utilizável, talvez com algumas limitações. No entanto, se as linhas de gás forem cortadas, a sala torna-se inútil mesmo que as paredes estejam perfeitas. O sistema calcula esses relacionamentos para fornecer uma resposta matizada em vez de um simples passar ou falhar.

Para testar essa ideia, a equipe aplicou seu fluxo de trabalho a um cenário realista envolvendo uma sala de cirurgia de um hospital. Eles alimentaram o sistema com fotos e dados descrevendo vários tipos de danos, como rachaduras nas paredes ou deslocamento do teto. O sistema então rastreou essas observações através de sua rede de agentes. O agente de percepção identificou o dano, o agente de conhecimento o relacionou a regras específicas de códigos de construção e o agente de inferência calculou o impacto na função geral da sala. Em um caso específico, o sistema descobriu que, embora as partes não estruturais da sala, como paredes e teto, estivessem moderadamente danificadas, os equipamentos médicos críticos e os sistemas de gás estavam intactos. O fluxo de trabalho concluiu que a sala estava degradada, mas ainda operável. Esta é uma distinção crucial. Um método mais simples que apenas olhasse para o pior dano provavelmente teria declarado a sala completamente inutilizável, potencialmente levando a evacuações desnecessárias ou ao abandono de uma instalação que ainda poderia salvar vidas.

Os pesquisadores também exploraram o que acontece quando o dano é mais severo. Eles executaram uma série de cenários onde alteraram o tipo e a localização do dano para ver como o sistema respondia. Eles descobriram que o sistema identificou corretamente que danos severos em elementos não estruturais, como um teto desabado, poderiam tornar uma sala insegura para qualquer pessoa entrar, mesmo que o equipamento médico estivesse em boas condições. Por outro via inversa, descobriram que danos severos a um único sistema funcional, como o suprimento de gás médico, tornariam a sala inutilizável para o seu propósito pretendido, mesmo que a estrutura do edifício fosse perfeita. O sistema separou com sucesso esses dois tipos de falha, mostrando que a capacidade de funcionamento de um edifício depende da combinação específica de partes danificadas, não apenas da quantidade total de danos. Essa capacidade de diferenciar entre um edifício que é fisicamente inseguro e um que está funcionalmente quebrado é o principal avanço de seu trabalho.

Uma característica fundamental deste fluxo de trabalho é sua capacidade de saber quando não tem certeza. O sistema é projetado para sinalizar casos onde as evidências são incertas ou o dano é complexo. Quando os agentes de IA encontram uma situação em que sua confiança é baixa, ou onde diferentes partes do sistema fornecem resultados conflitantes, eles automaticamente fazem uma pausa e pedem ajuda a um especialista humano. Isso cria uma parceria entre a máquina e o humano. A máquina lida com o trabalho rotineiro de escanear milhares de fotos e verificá-las contra os códigos, enquanto o humano intervém apenas nos casos difíceis que exigem julgamento. Em seus testes, essa abordagem permitiu que o sistema processasse a maioria dos cenários automaticamente, garantindo ao mesmo tempo que as decisões mais críticas fossem revisadas por uma pessoa. Esse equilíbrio ajuda a manter a taxa de erro baixa sem retardar todo o processo de avaliação.

A equipe também comparou seu novo método com formas mais antigas e tradicionais de avaliar danos. Eles descobriram que os métodos antigos, que simplesmente somavam o pior dano encontrado em qualquer parte da sala, tendiam a superestimar a perda. Eles frequentemente declaravam uma sala como completamente perdida quando ela estava, na verdade, apenas parcialmente danificada. O novo fluxo de trabalho, por outro lado, forneceu um quadro mais preciso das capacidades reais do edifício. Mostrou que uma sala com uma parede rachada mas com sistemas médicos funcionando é diferente de uma sala com uma parede funcionando mas com linhas de gás quebradas. Esse nível de detalhe é algo que as listas de verificação padrão muitas vezes perdem. Os pesquisadores demonstraram que seu sistema poderia produzir um relatório detalhado e auditável que explicava exatamente por que chegou a determinada conclusão, citando os códigos de construção específicos e as evidências que levaram à decisão.

Apesar desses resultados promissores, os pesquisadores são cuidadosos ao notar os limites de seu trabalho atual. O sistema foi testado usando uma mistura de fotos reais e dados fornecidos por especialistas, mas ainda não foi implantado em uma zona de desastre real, onde as condições são caóticas e imprevisíveis. A parte do sistema que identifica danos a partir de fotos, embora eficaz, ainda comete erros, particularmente ao estimar o tamanho de rachaduras ou quando as fotos são tiradas de ângulos difíceis. Os pesquisadores reconhecem que o sistema é atualmente uma ferramenta para triagem e análise rápida, destinada a ajudar engenheiros a priorizar quais edifícios precisam de atenção imediata, em vez de ser um substituto para uma inspeção de engenharia completa e formal. Eles enfatizam que a responsabilidade final pelas decisões de segurança deve sempre permanecer com profissionais humanos licenciados.

O caminho a seguir para esta tecnologia envolve refinar a capacidade da IA de ver e medir danos com mais precisão e expandir o sistema para lidar com diferentes tipos de edifícios e diferentes códigos de construção de todo o mundo. Os pesquisadores planejam testar o sistema com conjuntos de imagens mais diversos e melhorar a forma como lidam com a incerteza. Eles também visam integrar o sistema mais profundamente com o processo de atualização dos códigos de construção e treinamento de novos engenheiros. O objetivo final é criar uma ferramenta que possa ser usada por socorristas e engenheiros nas horas caóticas após um terremoto para determinar rapidamente quais edifícios são seguros para entrar e quais não são. Ao transformar um processo complexo e subjetivo em um fluxo de trabalho estruturado e baseado em evidências, esta pesquisa oferece uma nova maneira de pensar sobre resiliência, mudando o foco de simplesmente contar partes quebradas para entender o que um edifício ainda pode fazer pelas pessoas que dele precisam.