Journal of Northeastern University(Natural Science) ›› 2025, Vol. 46 ›› Issue (2): 118-125.DOI: 10.12068/j.issn.1005-3026.2025.20230239
• Resources & Civil Engineering • Previous Articles
Lian-guang WANG1, Bo YAO1(
), Hai-yang GAO1, Li-jie REN2
Received:2023-08-17
Online:2025-02-15
Published:2025-05-20
Contact:
Bo YAO
CLC Number:
Lian-guang WANG, Bo YAO, Hai-yang GAO, Li-jie REN. Bridge Construction Risk Assessment Based on Cloud Model Improved AHP[J]. Journal of Northeastern University(Natural Science), 2025, 46(2): 118-125.
Fig.1 Fishbone diagram of bridge construction risks
Fig.2 Bridge construction evaluation indicator system
| 标度 | 云模型指标 | 指标相对关系 |
|---|---|---|
| 1 | C1（1，0，0） | 指标i与j一样重要 |
| 3 | C3（3，0.33，0.05） | 指标i比j稍微重要 |
| 5 | C5（5，0.33，0.05） | 指标i比j较强重要 |
| 7 | C7（7，0.33，0.05） | 指标i比j十分重要 |
| 9 | C9（9，0.33，0.05） | 指标i比j绝对重要 |
| 1/3 | C1/3（1/3，0.33/9，0.05/9） | 指标j比i稍微重要 |
| 1/5 | C1/5（1/5，0.33/25，0.05/25） | 指标j比i较强重要 |
| 1/7 | C1/7（1/7，0.33/49，0.05/49） | 指标j比i十分重要 |
| 1/9 | C1/9（1/9，0.33/81，0.05/81） | 指标j比i绝对重要 |
Table 1 Relative importance scales of cloud model
| 标度 | 云模型指标 | 指标相对关系 |
|---|---|---|
| 1 | C1（1，0，0） | 指标i与j一样重要 |
| 3 | C3（3，0.33，0.05） | 指标i比j稍微重要 |
| 5 | C5（5，0.33，0.05） | 指标i比j较强重要 |
| 7 | C7（7，0.33，0.05） | 指标i比j十分重要 |
| 9 | C9（9，0.33，0.05） | 指标i比j绝对重要 |
| 1/3 | C1/3（1/3，0.33/9，0.05/9） | 指标j比i稍微重要 |
| 1/5 | C1/5（1/5，0.33/25，0.05/25） | 指标j比i较强重要 |
| 1/7 | C1/7（1/7，0.33/49，0.05/49） | 指标j比i十分重要 |
| 1/9 | C1/9（1/9，0.33/81，0.05/81） | 指标j比i绝对重要 |
| 概率等级 | 概率等级描述 | 损失等级 | 损失等级描述 | 标准云模型 |
|---|---|---|---|---|
| Ⅰ | 极少发生 | Ⅰ | 极微 | （1.5，0.50，0.05） |
| Ⅱ | 很少发生 | Ⅱ | 微小 | （3.0，0.66，0.05） |
| Ⅲ | 偶尔发生 | Ⅲ | 一般 | （5.0，0.66，0.05） |
| Ⅳ | 经常发生 | Ⅳ | 严重 | （7.0，0.66，0.05） |
| Ⅴ | 频繁发生 | Ⅴ | 灾难性 | （8.5，0.50，0.05） |
Table 2 Probability and loss standard cloud model
| 概率等级 | 概率等级描述 | 损失等级 | 损失等级描述 | 标准云模型 |
|---|---|---|---|---|
| Ⅰ | 极少发生 | Ⅰ | 极微 | （1.5，0.50，0.05） |
| Ⅱ | 很少发生 | Ⅱ | 微小 | （3.0，0.66，0.05） |
| Ⅲ | 偶尔发生 | Ⅲ | 一般 | （5.0，0.66，0.05） |
| Ⅳ | 经常发生 | Ⅳ | 严重 | （7.0，0.66，0.05） |
| Ⅴ | 频繁发生 | Ⅴ | 灾难性 | （8.5，0.50，0.05） |
| 损失等级 | 概率等级 | ||||
|---|---|---|---|---|---|
| Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ | |
| Ⅰ | 极低风险 | 极低风险 | 低风险 | 低风险 | 中风险 |
| Ⅱ | 极低风险 | 低风险 | 中风险 | 中风险 | 高风险 |
| Ⅲ | 低风险 | 中风险 | 中风险 | 高风险 | 高风险 |
| Ⅳ | 低风险 | 中风险 | 高风险 | 高风险 | 极高风险 |
| Ⅴ | 中风险 | 高风险 | 高风险 | 极高风险 | 极高风险 |
Table 3 Risk level
| 损失等级 | 概率等级 | ||||
|---|---|---|---|---|---|
| Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ | |
| Ⅰ | 极低风险 | 极低风险 | 低风险 | 低风险 | 中风险 |
| Ⅱ | 极低风险 | 低风险 | 中风险 | 中风险 | 高风险 |
| Ⅲ | 低风险 | 中风险 | 中风险 | 高风险 | 高风险 |
| Ⅳ | 低风险 | 中风险 | 高风险 | 高风险 | 极高风险 |
| Ⅴ | 中风险 | 高风险 | 高风险 | 极高风险 | 极高风险 |
Fig.3 Two-dimensional standard cloud model
| 二级指标 | 权重云模型 | 三级指标 | 权重云模型 |
|---|---|---|---|
| U1 | （0.451 5，0.033 6，0.005 1） | U11 | （0.202 1，0.017 6，0.002 7） |
| U12 | （0.542 8，0.043 6，0.006 6） | ||
| U13 | （0.202 1，0.017 6，0.002 7） | ||
| U14 | （0.053 0，0.004 1，0.000 6） | ||
| U2 | （0.079 0，0.072 0，0.001 1） | U21 | （0.088 0，0.007 2，0.001 1） |
| U22 | （0.209 9，0.019 0，0.002 9） | ||
| U23 | （0.702 1，0.047 4，0.007 2） | ||
| U3 | （0.174 6，0.015 8，0.002 4） | U31 | （0.177 3，0.015 9，0.002 4） |
| U32 | （0.132 6，0.011 2，0.001 7） | ||
| U33 | （0.539 3，0.037 5，0.005 7） | ||
| U34 | （0.150 9，0.013 4，0.002 0） | ||
| U4 | （0.294 9，0.024 5，0.003 7） | U41 | （0.266 3，0.025 8，0.003 9） |
| U42 | （0.093 1，0.007 9，0.001 2） | ||
| U43 | （0.640 5，0.056 6，0.008 6） |
Table 4 Indicator factor weights
| 二级指标 | 权重云模型 | 三级指标 | 权重云模型 |
|---|---|---|---|
| U1 | （0.451 5，0.033 6，0.005 1） | U11 | （0.202 1，0.017 6，0.002 7） |
| U12 | （0.542 8，0.043 6，0.006 6） | ||
| U13 | （0.202 1，0.017 6，0.002 7） | ||
| U14 | （0.053 0，0.004 1，0.000 6） | ||
| U2 | （0.079 0，0.072 0，0.001 1） | U21 | （0.088 0，0.007 2，0.001 1） |
| U22 | （0.209 9，0.019 0，0.002 9） | ||
| U23 | （0.702 1，0.047 4，0.007 2） | ||
| U3 | （0.174 6，0.015 8，0.002 4） | U31 | （0.177 3，0.015 9，0.002 4） |
| U32 | （0.132 6，0.011 2，0.001 7） | ||
| U33 | （0.539 3，0.037 5，0.005 7） | ||
| U34 | （0.150 9，0.013 4，0.002 0） | ||
| U4 | （0.294 9，0.024 5，0.003 7） | U41 | （0.266 3，0.025 8，0.003 9） |
| U42 | （0.093 1，0.007 9，0.001 2） | ||
| U43 | （0.640 5，0.056 6，0.008 6） |
| 三级指标 | 概率云模型 | 损失云模型 |
|---|---|---|
| U11 | （4.88，0.220 6，0.214 4） | （5.12，0.120 3，0.119 7） |
| U12 | （3.22，0.180 5，0.176 6） | （4.20，0.150 4，0.149 1） |
| U13 | （2.40，0.150 4，0.148 3） | （6.16，0.260 7，0.250 3） |
| U14 | （2.02，0.180 5，0.176 6） | （2.12，0.090 2，0.089 4） |
| U21 | （2.42，0.130 3，0.129 2） | （2.46，0.190 5，0.186 7） |
| U22 | （1.82，0.130 3，0.129 2） | （2.74，0.140 4，0.138 5） |
| U23 | （2.08，0.130 3，0.128 5） | （2.12，0.180 5，0.177 6） |
| U31 | （2.34，0.140 4，0.138 5） | （3.18，0.180 5，0.174 2） |
| U32 | （3.12，0.270 7，0.259 5） | （2.90，0.300 8，0.287 0） |
| U33 | （1.64，0.130 3，0.128 3） | （1.72，0.180 5，0.178 4） |
| U34 | （4.06，0.140 4，0.138 5） | （3.38，0.230 6，0.222 1） |
| U41 | （3.06，0.210 6，0.207 1） | （3.14，0.190 5，0.186 7） |
| U42 | （2.96，0.210 6，0.203 8） | （2.86，0.210 6，0.206 1） |
| U43 | （4.18，0.190 5，0.180 1） | （4.36，0.260 7，0.253 0） |
Table 5 Two-dimensional assessment cloud model with three-level indicators
| 三级指标 | 概率云模型 | 损失云模型 |
|---|---|---|
| U11 | （4.88，0.220 6，0.214 4） | （5.12，0.120 3，0.119 7） |
| U12 | （3.22，0.180 5，0.176 6） | （4.20，0.150 4，0.149 1） |
| U13 | （2.40，0.150 4，0.148 3） | （6.16，0.260 7，0.250 3） |
| U14 | （2.02，0.180 5，0.176 6） | （2.12，0.090 2，0.089 4） |
| U21 | （2.42，0.130 3，0.129 2） | （2.46，0.190 5，0.186 7） |
| U22 | （1.82，0.130 3，0.129 2） | （2.74，0.140 4，0.138 5） |
| U23 | （2.08，0.130 3，0.128 5） | （2.12，0.180 5，0.177 6） |
| U31 | （2.34，0.140 4，0.138 5） | （3.18，0.180 5，0.174 2） |
| U32 | （3.12，0.270 7，0.259 5） | （2.90，0.300 8，0.287 0） |
| U33 | （1.64，0.130 3，0.128 3） | （1.72，0.180 5，0.178 4） |
| U34 | （4.06，0.140 4，0.138 5） | （3.38，0.230 6，0.222 1） |
| U41 | （3.06，0.210 6，0.207 1） | （3.14，0.190 5，0.186 7） |
| U42 | （2.96，0.210 6，0.203 8） | （2.86，0.210 6，0.206 1） |
| U43 | （4.18，0.190 5，0.180 1） | （4.36，0.260 7，0.253 0） |
| 一级指标 | 概率云模型 | 损失云模型 | 二级指标 | 概率云模型 | 损失云模型 |
|---|---|---|---|---|---|
| U | （3.278 7，0.427 9，0.191 3） | （3.933 2，0.504 5，0.209 4） | U1 | （3.326 2，0.332 5，0.183 5） | （4.671 9，0.424 1，0.171 4） |
| U2 | （2.055 3，0.199 6，0.130 7） | （2.280 1，0.246 1，0.172 4） | |||
| U3 | （2.883 0，0.310 5，0.205 5） | （2.835 2，0.339 5，0.244 6） | |||
| U4 | （3.768 1，0.393 4，0.196 6） | （3.895 4，0.423 3，0.237 0） |
Table 6 Two-dimensional comprehensive cloud model for first- and second-level indicators
| 一级指标 | 概率云模型 | 损失云模型 | 二级指标 | 概率云模型 | 损失云模型 |
|---|---|---|---|---|---|
| U | （3.278 7，0.427 9，0.191 3） | （3.933 2，0.504 5，0.209 4） | U1 | （3.326 2，0.332 5，0.183 5） | （4.671 9，0.424 1，0.171 4） |
| U2 | （2.055 3，0.199 6，0.130 7） | （2.280 1，0.246 1，0.172 4） | |||
| U3 | （2.883 0，0.310 5，0.205 5） | （2.835 2，0.339 5，0.244 6） | |||
| U4 | （3.768 1，0.393 4，0.196 6） | （3.895 4，0.423 3，0.237 0） |
Fig.4 Overall risk cloud model of a construction bridge in Changchun
Fig.5 Comprehensive cloud model for second-level indicator U1
| 损失等级 | 概率等级 | ||||
|---|---|---|---|---|---|
| Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ | |
| Ⅰ | 0.33 | 0.41 | 0.34 | 0.22 | 0.17 |
| Ⅱ | 0.50 | 1.03 | 0.51 | 0.26 | 0.19 |
| Ⅲ | 0.48 | 0.91 | 0.49 | 0.26 | 0.19 |
| Ⅳ | 0.28 | 0.32 | 0.28 | 0.21 | 0.17 |
| Ⅴ | 0.20 | 0.22 | 0.20 | 0.17 | 0.14 |
Table 7 The close degree of comprehensive cloud model for first-level indicators
| 损失等级 | 概率等级 | ||||
|---|---|---|---|---|---|
| Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ | |
| Ⅰ | 0.33 | 0.41 | 0.34 | 0.22 | 0.17 |
| Ⅱ | 0.50 | 1.03 | 0.51 | 0.26 | 0.19 |
| Ⅲ | 0.48 | 0.91 | 0.49 | 0.26 | 0.19 |
| Ⅳ | 0.28 | 0.32 | 0.28 | 0.21 | 0.17 |
| Ⅴ | 0.20 | 0.22 | 0.20 | 0.17 | 0.14 |
| 1 | Kawamura K， Miyamoto A. Condition state evaluation of existing reinforced concrete bridges using neuro-fuzzy hybrid system［J］. Computers & Structures，2003，81（18/19）： 1931-1940. |
| 2 | Wang Y M， Elhag T M S. An adaptive neuro-fuzzy inference system for bridge risk assessment［J］. Expert Systems with Applications，2008，34（4）： 3099-3106. |
| 3 | 包龙生，冯元东，包宇扬，等.GM-BP组合预测模型在桥梁施工监控中的应用［J］.沈阳建筑大学学报（自然科学版），2022，38（2）：296-305. |
| Bao Long-sheng， Feng Yuan-dong， Bao Yu-yang，et al. Application of GM-BP combination prediction model in bridge construction monitoring［J］. Journal of Shenyang Jianzhu University（Natural Science），2022，38（2）： 296-305. | |
| 4 | Yang L H， Wang Y M， Chang L L，et al. A disjunctive belief rule-based expert system for bridge risk assessment with dynamic parameter optimization model［J］. Computers & Industrial Engineering，2017，113： 459-474. |
| 5 | Cheng M Y， Chiu Y F， Chiu C K，et al. Risk-based maintenance strategy for deteriorating bridges using a hybrid computational intelligence technique： a case study［J］. Structure and Infrastructure Engineering，2019，15（3）： 334-350. |
| 6 | Kuo Y C， Lu S T. Using fuzzy multiple criteria decision making approach to enhance risk assessment for metropolitan construction projects［J］. International Journal of Project Management，2013，31（4）： 602-614. |
| 7 | Andrić J M， Lu D G. Risk assessment of bridges under multiple hazards in operation period［J］. Safety Science，2016，83： 80-92. |
| 8 | Lu Z F， Wei C F， Liu M Y，et al. Risk assessment method for cable system construction of long-span suspension bridge based on cloud model［J］. Advances in Civil Engineering，2019，2019（1）： 5720637. |
| 9 | Peng K K. Risk evaluation for bridge engineering based on cloud-clustering group decision method［J］. Journal of Performance of Constructed Facilities，2019，33（1）： 04018105. |
| 10 | 李怡辰，冯仲仁，王雄江. 基于ANP二维云模型的公路桥梁施工风险评价［J］. 武汉理工大学学报，2019，41（7）： 73-79. |
| Li Yi-chen， Feng Zhong-ren， Wang Xiong-jiang. Risk assessment of highway bridge construction based on both ANP and 2-D cloud model［J］. Journal of Wuhan University of Technology，2019，41（7）： 73-79. | |
| 11 | Li D Y， Liu C Y， Gan W Y. A new cognitive model： cloud model［J］. International Journal of Intelligent Systems，2009，24（3）： 357-375. |
| 12 | Xie S Y， Dong S H， Chen Y N，et al. A novel risk evaluation method for fire and explosion accidents in oil depots using bow-tie analysis and risk matrix analysis method based on cloud model theory［J］. Reliability Engineering & System Safety，2021，215： 107791. |
| 13 | Chen Y N， Xie S Y， Tian Z G. Risk assessment of buried gas pipelines based on improved cloud-variable weight theory［J］. Reliability Engineering & System Safety，2022，221： 108374. |
| 14 | Ma Z Z， Zhang S T. Risk-based multi-attribute decision-making for normal cloud model considering pre-evaluation information［J］. IEEE Access，2020，8： 153891-153904. |
| 15 | Wang X T， Li S C， Xu Z H，et al. Risk assessment of water inrush in Karst tunnels excavation based on normal cloud model［J］. Bulletin of Engineering Geology and the Environment，2019，78（5）： 3783-3798. |
| [1] | Zhen HUANG, Chen CAO, Wei ZHANG, Shao-kun MA. Risk Assessment Method of Deep Foundation Pit Construction Based on Two-Dimensional Cloud Model [J]. Journal of Northeastern University(Natural Science), 2024, 45(10): 1504-1512. |
| [2] | ZHU Guo-qing， CHEN Yan， LANG Kun， WANG Shu-tian. Research on Risk Warning of Network Public Opinion for Forest Fires from the Perspective for Information Ecology [J]. Journal of Northeastern University(Natural Science), 2023, 44(8): 1208-1216. |
| [3] | LIU Jian-po， WU Feng， WANG Ren， ZHANG Jun-jie. Quantitative Risk Assessment for Deep Tunnel Failure Based on Fuzzy Comprehensive Evaluation [J]. Journal of Northeastern University(Natural Science), 2022, 43(5): 733-739. |
| [4] | WANG Xin， WANG Jing， LI Jin-feng. Risk Assessment of Social Networking Recruitment Based on Bayesian Network [J]. Journal of Northeastern University Natural Science, 2020, 41(9): 1356-1362. |
| [5] | WANG Shu-hong， ZHANG Ze， HOU Wen-shuai， WANG Fei-li. Risk Assessment Method on Multi-disaster Coupled Hazard for Urban Utility Tunnel [J]. Journal of Northeastern University Natural Science, 2018, 39(6): 902-906. |
| [6] | LIANG Li， LIU Qi， LI Ming. Dam-Break Risk Assessment Model of Tailings Reservoir Based on Variable Weight Synthesis and Analytic Hierarchy Process [J]. Journal of Northeastern University Natural Science, 2017, 38(12): 1790-1794. |
| [7] | FANG Zheng， CHEN Juan-juan， XIE Tao ， WAN Xin. Fire Risk Assessment of Malls Based on the Cluster Analysis and AHP [J]. Journal of Northeastern University Natural Science, 2015, 36(3): 442-447. |
| Viewed | ||||||
|
Full text |
|
|||||
|
Abstract |
|
|||||
