Review of Research on Vulnerability of Transportation Infrastructure to Extreme Climatic Conditions
-
摘要:
全球气候变化日益剧烈,极端强降水、高温、低温以及干旱等极端气候事件对现有交通基础设施的运行性能造成影响,甚至导致严重损坏. 与此同时,随着交通强国战略的深入实施,大量新的交通基础设施在恶劣环境中被建设,新建设施的功能性、耐久性和维护管理面临前所未有的挑战. 极端气候荷载变化迅速且难以预测,常常伴随多种灾害的耦合效应,使得交通基础设施在其作用下的破坏机理极为复杂. 为确保极端气候条件下交通基础设施的安全和效能,在国内外极端气候及多灾害耦合研究的基础上,系统梳理了极端气候的时空演变、多灾害耦合作用的研究历程以及多重灾害对工程结构的影响机理. 在此基础上,明确了极端气候影响的特性,并提出交通基础设施在设计、施工和维护阶段的防灾减灾设计原则. 同时,综合总结了在极端气候条件下交通基础设施的多灾害风险评估方法,并对未来的研究方向进行展望,指出利用人工智能和机器学习技术进行极端气候灾害的快速预测和评估,以及在全寿命周期内分析交通基础设施系统性能的变化将成为重要的发展趋势. 为桥梁、道路和隧道等交通基础设施在极端气候条件下的抗灾设计、性能评估和韧性提升提供了宝贵的参考.
Abstract:The intensifying global climate change is increasingly affecting the operational performance of existing transportation infrastructure due to extreme climatic events such as heavy precipitation, high temperatures, low temperatures, and drought, leading to severe damage. Meanwhile, with the further implementation of the strategy of building China with a strong transportation network, a significant number of new transportation infrastructure projects are being constructed in harsh environments, posing unprecedented challenges to the functionality, durability, and maintenance management of these new facilities. The characteristics of extreme climate loads include rapid and unpredictable variations, often accompanied by coupled effects of multiple disasters, rendering the mechanisms of damage to transportation infrastructure under their influence highly complex. To ensure the safety and effectiveness of transportation infrastructure under extreme climatic conditions, Chinese and international research on extreme climate and multi-disaster coupling was studied, and the research progress on spatiotemporal evolution of extreme climates and multi-disaster coupling effects was systematically reviewed. The impact mechanisms of multiple disasters on engineering structures were sorted out. Based on this foundation, the characteristics of extreme climate impacts were defined, and disaster prevention and reduction design principles for transportation infrastructure during the design, construction, and maintenance phases were proposed. Furthermore, methods for assessing multi-disaster risks to transportation infrastructure under extreme climatic conditions were comprehensively summarized, and future research was prospected, highlighting the importance of utilizing artificial intelligence and machine learning technologies for rapid prediction and assessment of extreme climatic disasters and analyzing changes in the performance of transportation infrastructure systems throughout their whole life cycle. This research provides valuable references for the disaster-resistant design, performance assessment, and resilience enhancement of transportation infrastructure such as bridges, roads, and tunnels under extreme climatic conditions.
-
Key words:
- extreme climate /
- transportation infrastructure /
- multi-disaster /
- whole life cycle /
- seismic resilience
-
气候变化作为当前国际上极具热度的话题,已经引起了许多学者的注意[1-2]. 研究表明,世界各地的气候如降水等预计将在不久的将来发生极端变化[3],气候变化可能会使热浪、干旱及暴雨等极端气候事件发生的频率成倍增加. 极端气候事件造成的主要影响方面有社会脆弱性、私人财产以及交通基础设施,其产生的经济和社会损失极为严重. 交通基础设施作为国家运行和发展的生命线,其重要性不言而喻. 当处于极端气候作用下时,交通基础设施将受到极其严重的影响[4],包括:海平面上升对沿海交通基础设施的淹没、飓风期间产生更大的风暴潮对沿海基础设施的淹没、热浪期间公路和铁路的弯曲以及内陆基础设施遭遇洪水淹没. 由于极端气候复杂的多重耦合灾害和极强的破坏力,研究其作用和影响机理已经迫在眉睫.
极端气候具有出现概率小、破坏力大以及难以预测等特点. 基于其出现概率小这一特点,采用极端气候灾害的回归期(如五十年一遇和百年一遇)和气候指数(如日降水量峰值或最低气温)或百分位数分布(例如高于90%或低于95%的事件)进行一个阈值的确定来定义极端气候. 基于其破坏力较强和难以预测的特点,采用机器学习、贝叶斯网络以及人工智能对交通基础设施所服役环境的极端气候多灾害时空特性进行分析,预测其演变过程[5].
为研究极端气候下交通基础设施的破坏模式,需要对极端气候多灾害进行相关的研究,对于复杂的多重耦合灾害,国内外学者已经做出许多研究. 早期学者提出应综合考虑多灾害作用进行结构设计,研究结构的破坏模式,但多数研究仍然停留在将多灾害当作多种单灾害的叠加. 如:Torresan等[6]在研究多种气候变化下沿海地区交通基础设施风险评估时,忽略了飓风灾害的耦合性质;Barbato等[7]发现了这一问题并提出了一种创新的全概率性能飓风工程框架,考虑多灾害作用于结构时灾害之间的相互作用,该方法适用于飓风易发地区结构体系的风险评估. 在随后的研究中,为更准确地评估交通基础设施在服役期间的使用性能,张喜刚等[8]指出将基于性能的设计理念应用于桥梁抗灾设计,可以通过控制灾害下结构性能进而将桥梁损伤程度和损失成本控制在预期的、可接受的水平. 进一步,许多学者提出风险评估框架,如Gallina等[9]提出时变多重灾害条件下公路桥梁时变损失与恢复评估框架,计算了考虑和不考虑老化效应和气候变化的生命周期灾害损失. 文献[10]结合工程领域结构的性能,明确了极端气候灾害对工程结构的影响. 通过影响桥梁、公路等交通基础设施的材料性能,降低其承载力和使用寿命. 同时,极端气候灾害等效为荷载直接作用于结构时,其大量级和非平稳随机特性都会对结构产生极为严重的影响. 对于严重的灾害事件,甚至可能使得交通基础设施完全失去使用性能(如洪水淹没公路、公路滑坡及桥梁倒塌).
我国作为交通大国,既有的交通基础设施体量较大,由于早期理论和技术不够成熟,许多交通基础设施服役于恶劣环境,但在设计阶段并未考虑其寿命周期内的使用性能和弹性恢复力,在既有交通基础设施的维护技术和灾害抵抗能力等方面存在较大的缺陷. 同时,基于交通强国的基础战略布局,恶劣环境下交通基础设施的修建也不可避免. 为保证交通基础设施在恶劣服役环境下能保持正常使用,且在灾害期间保证使用性能和灾害后的弹性恢复力,本文通过梳理多灾害以及交通基础设施性能研究相关文献以实现对其服役期间的风险评估,提高交通基础设施防灾减灾能力. 此外,清晰地阐述灾害研究的发展进程,结合多灾害领域和工程结构领域相关的研究及深度学习和大数据理论方法,提出一种较为清晰完善的研究方法来构建全寿命周期动态时变脆弱性模型,实现快速预测极端气候条件和使用状态下基础设施系统性能概率密度演化过程. 同时,展望未来研究方向,提出将人工智能技术和机器学习应用于未来交通基础设施在极端气候作用下考虑多种环境(腐蚀、疲劳、老化及冲刷)和人为因素(火灾、爆炸、撞击、超载)的全寿命周期内抗灾设计、性能评估和韧性提升.
1. 极端气候及其时空演变
1.1 极端气候界定
气候变化是现如今全球都在重点关注的问题. 在灾害领域,全球气候变暖导致极端气候事件更为广发、频发,且破坏程度增加(图1). 在联合国政府间气候变化专门委员会报告中,将极端事件分为3类:一是能够利用天气气候变量直接判定的极端事件,如温度、降水、风速等;二是能够影响天气气候变量的极端性或者其本身就具有极端性的天气气候现象(图2),如季风、厄尔尼诺和其他变率模态(如拉尼娜现象和大西洋涛动)、热带气旋和温带气旋等;三是能够对自然环境产生重大影响的极端事件,如干旱、洪水、极端的海平面上升、山体滑坡、沙尘暴.
在定义极端气候时,通常使用阈值这一概念. 王元丰等[11]指出:所谓极端气候事件,实质上是由某种气象要素或变量引发的,当其正负异常超出了一定阈值,发生于一定区域和时段上的气候极值可能导致某种灾害事件的发生,如洪水、暴雨、干旱等. 王芸等[12]提出了采用多个气候指标来定义极端气候,这种基于数理统计的方法具有很好的普适性和可比性. 张存杰等[5]等指出,要从大量的气候记录中定量区分出极端事件,需要确定一个阈值,当某天气气候记录或变量超过阈值时,就被判定为发生一次极端事件. 按照不同的阈值确定方法,可以把阈值分为“绝对”和“相对”2类. Gallina等[9]认为,对极端气候的评估应集中分析绝对最大值或最小值(如日降水量峰值或最低气温)或百分位数分布(例如高于90%或第95%的事件)以及超过特定阈值的概率(如强降水日数,炎热日数). 因此,极端气候的界定可以根据决策者的需求采用阈值来确定.
1.2 气候演变
针对全球气候变化对极端气候的影响,基于气候观测站所获得的数据和气候时空演变的过程记录进行了大量的研究[2, 13-15]. 极端气候变化往往会导致极端气候事件的频发[16-18],如风暴会在发生地引起更大的峰值降水率,当地洪水灾害可能会变得更加强烈. 我国地幅辽阔,许多地区常年遭受极端气候事件的影响(图1),为应对极端气候事件的影响,需要先了解气候变化与极端气候事件的关系. 表1为我国未来气温和降雨量的变化趋势,可见未来地表温度和降雨量呈上升趋势[1].
表 1 未来中国年平均地表气温与降水量(相对1961—1990年平均值)Table 1. Annual average surface temperature and precipitation in China in the future (relative to average value in 1961–1990)年份 温度变化/℃ 降水变化% 2020 年 1.3~2.1 2~3 2030 年 1.5~2.8 2050 年 2.3~3.3 5~7 2100 年 3.9~6.0 11~17 国内学者基于中国气象局所提供的台站数据分别研究了山西省[19]、辽宁省[20]、黄河流域[12]、南盘江流域[21]以及雅砻江流域[22]等地极端气候事件的时空演变. 这些研究表明,1961年以来,我国极端高温、降水发生频次增加,极端降水强度趋于增强,干旱发生频次增加、强度增强、范围扩大,且两者之间具有明显的区域差异. 进入21世纪后,我国南方、华北和四川盆地等地极端高温破纪录事件频繁发生,华北和东北地区极端低温破纪录事件也不断增加(如图3所示).
国外学者Brunetti等[23]在对意大利进行气候观测后发现,近几十年来各极端气候事件的重现期出现明显缩短,如极端降水和极端气温事件出现更为频繁,各项气候指数如降水日数、年平均降水量和年平均最高或最低气温都发生了显著的变化. 韩国学者Boo等[24]利用MM5降尺度模拟研究了1971—2100年期间韩国地区全球变暖极端事件的可能变化,气温升高导致极端气温发生的频率和强度发生变化. 美国学者如STEVENS等[25]通过对内华达山脉的气候预估发现,加州内华达山脉洪水风险将会增加. 为准确评估气候变化以应对当前极端气候事件频发的形势,研究人员制定了18个气候参数指标来检查美国50个州减灾计划中考虑气候变化的程度[3]. 气候参数的变化对气候灾害过程有显著影响,冰川和永久冻土的退化可能随着温度的升高而加速. 同样,由降水引起的自然灾害,如洪水和干旱,可能以更高的频率和强度发生,预计到2050年,全球洪水风险将增加约187%[26]. 而气候变化引起的自然灾害会给脱贫致富造成重大困难,并阻碍可持续发展,大多数发展中国家和最不发达国家经常面临极端气候事件[13, 27]. 而我国作为最大的发展中国家,为实现共同富裕,对极端气候事件的研究刻不容缓.
2. 极端气候灾害
2.1 经济损失
极端气候事件是一种典型的多灾害耦合事件,主要有社会脆弱性、交通基础设施及私人财产3个方面的影响. 极端事件的发生如果不加以预测并提前进行防范,将会造成极大的破坏和一系列极其严重的影响.
就农业而言,美国单一的极端天气事件可能导致超过10亿美元的经济损失,飓风桑迪给美国、加勒比海地区、巴哈马和加拿大造成了大约650亿美元的经济损失[28] . 随着极端事件的频发,损失也会越来越大. 2013年,欧洲和亚洲极端气候事件频发,包括中欧、印度尼西亚、菲律宾、中国和澳大利亚的大洪水,以及超级台风海燕在菲律宾的登陆,洪水造成的经济损失占全球经济损失总额的35%,在巴西、中国、新西兰和美国,严重的干旱条件也造成了数十亿美元的损失.
此外,研究表明,交通基础设施除了在极端气候事件作用下直接破坏所造成经济损失之外[4],其运维养和管理成本更是随着气候变化直线上涨(图4),从图中可以看出,加强目前存在缺陷的桥梁,主动适应气候变化的能力可以将总适应成本降低近30%[4]. 图4中:(B1、A1B和A2为3种设想的未来气候排放情形)
2.2 生命损失
极端气候事件也可能造成大量生命损失,如:1998年,米奇飓风造成的洪水和山体滑坡导致中美洲1万多人死亡;2003年,欧洲夏季热浪导致16个国家7万多人死亡[29];2010年5月,热带风暴阿加莎[30]带来的暴雨在危地马拉、洪都拉斯和萨尔瓦多引发了大范围的洪水和泥石流. 官方报告显示,至少有190人死亡,47人失踪. 由于热带风暴阿加莎的强降雨造成了一个巨大的下沉洞(图5(a)),危地马拉市一座3层楼的建筑和电线杆被深坑吞没. 2013年最致命的超级台风海燕事件,在菲律宾造成近
8000 人死亡或失踪(图5(b)).2.3 交通基础设施破坏
极端气候对交通基础设施的影响具有覆盖范围广、难以预测和破坏力较大的特点[31-32]. 交通网路中,由于地形的限制和交通运输的需求,世界各地都存在跨水桥梁. 在气候变化作用下,这些桥梁容易受到各种程度的影响. 由于这些桥梁的损失或损坏,可能发生的潜在破坏是无数的[4]. 1989年4月1日,由于暴雨产生的洪水冲刷导致美国田纳西州科文顿市附近的Hatchie River桥梁发生倒塌事故(图6),造成9辆汽车坠入河中和7人死亡. 2012年美国飓风桑迪引起的强风和暴雨,导致大量桥梁和公路等交通基础设施受到严重破坏(图7). 2023年7月30日,中国河北省石家庄市井陉县发生特大暴雨,由于持续降雨的影响,石太铁路某段的铁路桥梁发生垮塌(图8). 这些事件无不严重凸显了在极端气候条件下交通基础设施的脆弱和面临的巨大灾难风险.
3. 极端气候灾害研究
随着全球气候变化,极端气候事件愈加频发,与气候有关的灾害如洪水、野火、极端高温和低温等对生活、生产和基础设施产生重大影响[33]. 此外,气候变化可能通过影响灾害事件的震级、频率和空间分布,进一步增加交通基础设施对多灾害的暴露程度,引起破坏程度和范围的大幅度增加[34-35]. 因此,极端气候灾害的研究已经不容忽视.
研究表明,气候变化所引起的极端气候事件是一种典型的多灾害耦合事件,而多灾害的作用机理和耦合机制往往十分复杂,如何准确评估多种灾害共同作用一直是灾害领域内许多科研工作者面临的重要挑战. 为准确评估灾害作用,了解灾害风险,保护群众和社区安全,2015年3月14日至18日在日本宫城县仙台举行的第三届联合国世界减少灾害风险大会通过了《2015—2030年仙台减少灾害风险框架》[36]. 使得灾害风险的各个方面都得到了极大关注,全球各国在地方、区域、各国和全球各级减少灾害方面都取得了十分突出的进展,后续科研人员在减灾领域的研究也不断取得突破.
3.1 单灾害
早有许多学者开展了对于如极端气候灾害等自然灾害相关的科研工作. 早期一些学者提出应综合考虑多灾害作用进行结构设计,但多数研究仍然停留在将多灾害当作多种单灾害的叠加. Santini等[37]在研究气候变化导致地区荒漠化这一课题时提出一个荒漠化风险定性评价软件工具,将地理信息系统与环境模型相结合,模拟土地退化过程,并提供荒漠化的综合指数,但是没有考虑影响荒漠化的气候变化参数之间相互作用和耦合机理,这将导致评估结果与事实会产生不可预计的偏差. Liang等[38-39]等提出一种综合可靠性方法,通过引入部分失效概率的概念来分离载荷,使每个单独的载荷组合在一定条件下可以近似为时不变荷载组合,从而将多灾害分解为单一效应. Torresan等[6]提出一种区域脆弱性评估方法,用于分析全球气候变化影响下沿海易损性的具体地点空间信息,但这一评估方法同样是忽略了沿海地区存在多种气候变化影响,未能考虑级联、次生以及多灾害耦合效应.
3.2 多灾害
许多研究将多灾害作用当作多种单灾害作用的叠加,极大地简化了受灾体的响应计算和风险评估,但这一方法未能考虑到多灾害的级联效应、次生效应和耦合机理,且不同灾害对于受灾体的作用机理也各不相同.
地球系统科学方法表明,不同组成系统(如岩石圈、大气、水圈和生物圈)之间存在显著的相互作用,因此,总是将灾害视为独立的是不充分的[40]. 根据灾害成分之间的关系,多重灾害可分为:1) 并发危害[41-42],2个(或多个)危害事件在时间和/或空间上同时发生;2) 连续灾害[43],同一类型的灾害在短时间内反复发生,从而相互依赖;3) 级联危害[44],主要危害触发其他次要危害或增加其他危害发生的可能性,也称为灾害链. 门可佩等[45-46]认为严重的自然灾害必然伴随连锁效应,其影响将从一个区域扩展到另一个更大的区域,由于灾害环境是相互依存和制约的,因此,需在较大的空间范围考虑多灾害应对. Barbato等[7]提出一种全概率性能飓风工程框架,通过考虑飓风、洪水、风载碎片和降雨灾害的单独影响和相互作用,阐述了飓风事件的多灾害性质. 这一研究体现了多灾害研究的重要性,并为后续科研人员在多灾害领域的研究提供了参考. Komendantova等[47]认为,并发灾害和级联效应可能造成更高的直接损失和间接损失,提出开发一些多灾害决策模型,根据多灾害概率和频率以及可能的结果显示出不同的风险. 该研究提高了多灾害决策的效率,更为符合实际灾害情况. Marasco等[48]开发一种新的方法来评估由级联灾害引起的结构元件的总损坏,并将其应用于医院建筑. 该方法可用于提高结构安全性,降低生命周期成本,增强医院建筑的抗灾能力. Gill等[49]概述限制灾害相互作用的重要性,并强调需要采用多灾害方法对自然灾害进行评估. 为多灾害的防灾减灾提供了指导作用. Gidaris等[50]等建立典型公路桥梁类型的脆弱性和恢复模型,可用于美国区域投资组合或交通网络的多灾害风险和恢复力分析. Taylor等[51]等研究大跨度桥梁在极端大风条件下被雪或冰堆积的性能,提出一种基于风洞试验结果的方法来评估极端风和冰雪事件同时发生时颤振失效的概率. 结果表明,这些影响的关键点是桥梁的气动稳定性,而不是风荷载的增加.
极端气候灾害是一种随机事件,其灾害作用具有不确定性,而研究对象(如工程结构)在服役期间其性能也会随着时间不断发生变化,当研究对象性能衰减较为严重时发生极端灾害,难以保证其在设计阶段所确定的安全和性能. 随着极端气候多灾害耦合作用的研究越发深入,许多学者开始考虑灾害作用的时变特性. Choe等[52-53]通过对桥梁的多灾害研究发现,随着时间的推移,老化和劣化会增加桥梁的灾害易损性,从而影响桥梁的性能. Dong等[54]认为传统的民用基础设施灾害损失评估方法忽略了结构能力在使用寿命期间退化的影响,因此,提出一个综合考虑全寿命周期灾害损失和恢复能力的公路桥梁风险缓解和恢复的广义框架,计算考虑和不考虑老化效应和气候变化的全寿命周期灾害损失. Salman等[55]等利用增量动力分析方法评价了在时空变化的风荷载作用下电力系统内塔和塔线系统的容量曲线,与较简单的非线性静力推覆分析结果进行比较,突出了考虑风灾害的现实空间相关性.
3.3 多风险评估
联合国减少灾害风险办公室报告称,2011年,自然灾害在全球造成了
3660 亿美元的直接经济损失和29782 人死亡. 这些惊人的统计数字突出表明,需要为社区制定有效的减少灾害风险的战略. 因此,科研人员展开了对灾害风险评估的研究[56-57]. 仙台框架[36]将灾害风险的概念定义为灾害、暴露性和易损性的产物. 灾害是指灾害现象本身,如洪水、干旱和飓风等极端气候事件,包括其特征和发生的概率;暴露性是指经济资产或人员在灾害易发地区的位置;易损性是指这些资产或人员容易遭受的损害和损失(例如,由于不安全的住房和生活条件或缺乏预警程序).早期的许多风险评估方法是通过考虑一个地区不同类型的灾害和易损性,将各种单一风险层的结果合并成一个多风险概念[58],这一方法忽略了多灾害和易损性之间的相互作用. 事实上,当2种或以上的灾害同时发生时,需要考虑时间和空间上重合的多个灾害源和受体易损性所产生的风险[59]. 为更准确对目标进行风险评估,还应考虑多灾害之间的耦合作用和级联效应[60].
德国联邦民防和灾害援助办公室提出基于场景的风险评估方法,通过将风险可视化和使用风险矩阵(将可能性和影响结合起来)整合了多风险概念. 欧洲委员会于2010年在制定的灾害管理风险评估和制图准则中提出编制这种风险矩阵[47]的建议. 在风险矩阵中,多风险事件可以表示为额外的场景,如图9所示(图10为台风对桥梁设计影响. 图中:TR为具体重现期,TL为设计使用寿命),为最终的决策提供风险和脆弱性评估. 在进行决策时,为清晰明了且准确地了解目标风险,研究者提供一种基于顺序蒙特卡罗方法的通用多风险框架[47, 61],允许在复杂系统灵活实现可能发生灾害的相互作用,且包括了时变暴露性和时变易损性. 在进行风险评估时如果考虑时变特性,就需要选择和汇总适当的灾害和易损性指标,以综合有关多种气候影响的信息、空间分析和风险排名[9].
研究极端气候条件下的多风险评估时,气候变化可能会进一步增加多灾害的暴露性、易损性以及灾害的频率、影响范围和空间分布. 因此,必须考虑气候变率,明确评估极端气候灾害类型和分析其时空特性(图11). 当分析干旱对野火的影响时,考虑到局部影响,当地尺度就足够了;如果目的是考虑极端低温和气压变动对暴风雪的影响,则需要考虑更大的尺度[49].
由于极端气候的时空特性具有不确定性,半定量[62-63]的风险评估方法无法可靠完成决策者的目标,因此,需要使用基于大数据分析的定量方法[60, 63- 64](如贝叶斯网络,概率方法)对风险成分进行更为可靠的分析. 进行定量分析的关键之处就是量化极端气候灾害的气候数据,量化过程如图12所示. 基于对极端气候灾害的时空特性研究,根据受灾体服役环境和性能要求提出风险评估方法框架,生成标准化的定量指标和多灾害风险地图[33, 65],提供空间可视化和比较跨领域的损失预测,以确定相对较高的灾害暴露性和易损性汇聚的区域,最大效率地应对灾害风险和减少灾害损失[66].
4. 多灾害下交通基础设施防灾减灾
我国疆域辽阔,海岸线绵长且地形地貌较为复杂,气候灾害具有种类多、频率高、区域性和季节性强、影响范围广和损失严重的特点. 基于我国国情,为实现共同富裕和交通强国战略,许多交通基础设施,如道/桥/隧等无法避免服役于极端气候灾害频发的恶劣环境. 而各种环境压力和灾害对交通基础设施造成的破坏可能会增加其所服务社区的脆弱性. 此外,在发生灾害造成的紧急事件期间,社区严重依赖交通基础设施疏散受损地区. 为使交通基础设施能够在灾害发生时维持最低限度的使用性能,交通基础设施的极端气候灾害研究已经迫在眉睫.
2016年,《中共中央国务院关于推进防灾减灾救灾体制机制改革的意见》指导思想中提出“从应对单一灾种向综合减灾转变”,指出了多灾害研究的重要性[67]. 极端气候是一种十分典型的多灾害事件,许多重大工程结构都面临气候灾害的严重威胁,不同的气候灾害对重大工程的影响范围和程度均不相同[68-69]. 例如,极端气候事件通过影响桥梁的材料和结构,改变桥梁的服役环境,对桥梁的耐久性、动力性能等方面产生不可忽略的影响[11].
在极端气候频发的服役环境,洪水等由极端降雨所引起的自然灾害一直是工程结构防灾减灾的研究重点. 但由于水流侵蚀作用,洪水期会对桥梁结构产生难以预测的冲刷作用,在相关水力学作用下引起桥梁基础结构冲刷破坏[70-71] . 为确保桥梁结构在服役期间的安全和使用性能,许多学者提出基础冲刷的防护措施[72-74](图13、14). 然而,冲刷是一个受水深、流向、流速、桥墩或基础形状、泥沙特性等诸多因素影响的动态现象. 因此,在提出或优化冲刷防护措施之前,还需进行现场探测,采用时域反射技术(TDR)[75-77]或光纤光栅(FBG)传感器[78]等技术进行桥梁冲刷的实时监测. 为冲刷防护措施定量方法的理论指导和实验提供实际数据支撑,并将其运用于桥梁全寿命周期性能设计中,提高桥梁等交通基础设施的抗灾能力.
此外,极端气候灾害具有十分显著的时空特性[80-82]. 因此,交通基础设施等服役时间较长的工程结构在设计理念上应该将预计的气候变化因素考虑在内[83]. 此前较多的桥梁多灾害设计方法都是基于可靠度分析[84]和部分失效概率[85],将时变荷载以最大荷载概率分布的方法来进行识别. 例如,采用定性的时变风险模型进行条件发生概率计算(图15). 图中:Δt为风险重现后的时间. 这些方法能够简洁明了地计算桥梁等交通基础设施在多灾害下的极限状态,但是,忽略了交通基础设施的腐蚀和疲劳[86]等老化效应对寿命周期内使用性能的影响,无法满足极端气候事件下结构的“可持续性[87]”这一设计原则,且存在对多灾害下荷载组合系数定性的经验判断. 极端气候事件的多灾害研究应尽可能选择定量分析,计算荷载的时空特性[88],根据社会、环境和经济指标对可持续性进行量化[89],保证工程结构设计的安全和经济,以满足社区、区域和国家的灾害应对需求.
在以往采用强度控制的抗灾设计方法之上,提出基于性能的设计方法[90-92],该方法具有通用性和普适性,通过控制灾害下结构性能进而将桥梁损伤程度和损失成本控制在预期的、可接受的水平. 这一方法指出:在全寿命周期[52-53]内,首先需要定义结构系统在设计寿命期间的性能期望目标[93],然后确定验证性能目标的标准和方法以及灾害的危险等级,最后提供适当的方法来改进结构系统的设计(如在平衡设计参数的思路中,增加结构高程作为防洪的安全防护可能会导致风荷载的增加). 在基于结构性能的寿命预测、改进结构系统和设计参数优化时,应将寿命周期内结构的性能退化导致的不确定性考虑在内[94](图16).
通过对交通基础设施多灾害的风险评估可以有效降低灾害损失和维持其在服役期间的使用性能. 2020年,我国“第一次全国自然灾害综合风险普查”拉开序幕,强调了对区域性的“多灾种”进行综合风险调查和评估. 李宏男等[10]将工程结构在多种灾害耦合作用下的风险定义为结构响应达到或超过某一极限状态的可能性. 许多研究表明,结构风险分析主要包括:1) 灾害的危险性分析;2) 结构的易损性分析,即在某极端事件发生的条件下,工程需求参数达到或超过特定极限状态的条件概[95].
在进行极端气候作用下交通基础设施的风险评估时,需要先进行极端气候灾害的危险性分析. 通过分析当地气象站台所收集的历史气候数据[13],结合研究机构所研发的数据库[65](如European Consortium (EC)-earth全球模式数据集)对交通基础设施所服役环境进行气候灾害的时空特性分析. 鉴于极端气候灾害发生概率小的这一特性,在进行风险评估时具有很大不确定因素. 为准确实现完全定量的多风险评估过程,需要对气候灾害过往历史数据进行大量的分析和处理,通过深度卷积神经网络模型[96]以实现寿命周期内未来气候演变的预测.
在确定灾害的时空特性之后,进行多变量独立性检验,对多个变量应用非独立Copula函数的必要性进行评估. 若变量之间并非相互独立,可采用Copula函数[97-99]计算多灾害的联合概率分布[100-101](Copula函数的选择步骤如图17),从而确定联合极端气候灾害事件.
结构的易损性是指结构发生某个损伤状态的条件概率,通过比较结构的概率需求模型与能力概率模型得到结构的易损性[102],作为连接灾害概率模型和结构破坏风险之间的纽带,被广泛地应用于结构性能评估的研究中[103-105],是一种定量描述工程结构抗多灾性能的重要方法. 结构的易损性也可由暴露性、敏感性和适应性3部分组成,在进行极端气候作用下交通基础设施的全寿命周期易损性分析时,风险易损性[13]可采用如气候灾害指数来量化,考虑时变暴露性、时变敏感性以及结构的老化后,给定泊松模型和在时间间隔内发生的危险事件数量n,总预期生命周期损失可计算[54]为
E(L(tint)|n)=E(n∑k=1LT(tk)e−γtk)=n∑k=1E(LT(tk)e−γtk)=n∑k=1(E(LT(tk))E(e−γtk+Cov(LT(tk)e−γtk))), (1) Cov(LT(tk)e−γtk)=E(LT(tk)−E(LT(tk))×(e−γtk−E(e−γtk))), (2) E(LT(tk))=∫tint01tintLT(tk)dt, (3) E(e−γtk)=∫tint01tinte−γtkdt, (4) 式中:L(tint)为全生命周期损失;tint为调查时间间隔;LT(tk)为时刻tk的预计年危害损失,tk为在k个危险事件发生的时刻,在(0,tint)中具有均匀且独立的分布;γ为货币贴现率;Cov(·)为2个变量的协方差;E(·)为期望值.
在所得到的预期生命周期损失的基础上,结合交通基础设施服役环境,对可能造成危险要素损害的内部属性和外部环境因素进行调查,生成易损性曲面(多灾害)函数,以显示气候灾害指数(如降水量和气温)与总预期生命周期损失之间的关系. 结合灾害分析过程,基于极端气候灾害的联合概率分布,结构在某一破坏极限状态下的失效概率[67]为
Pf=∫+∞X=0∫+∞Y=0Fr(X,Y)g(X,Y)dXdY, (5) 式中: Fr(X,Y)为结构在灾害X和Y作用下的易损性曲面函数;gX(X)为灾害X的概率密度函数,gY(Y)为灾害Y的概率密度函数,gX,Y(X,Y)为2种灾害的联合概率分布.
由于不同的结构在不同多灾害组合作用下的易损性存在差异,如山区隧道具有较强的抗风能力,但强风雨条件对悬索桥等柔度较大结构的响应影响却不可忽视,且气候灾害具有很大的不确定性. 因此,在对比结构的概率需求模型与能力概率模型时,需要借助贝叶斯网络[106-107]等人工智能工具对结构参数[108]进行大量的数据统计分析,并结合试验和数值模拟等方法,得到基于气候概率演变的符合工程实际的交通基础设施易损性曲面.
在极端气候灾害的危险性分析和交通基础设施的易损性分析基础之上,可采用特定场景法、特定策略法、仿真分析和数学模型推演这4类方法[94]对交通网络系统进行脆弱性分析,找到关键节点改善加强其性能,提高网络系统的韧性[109-111],使得更高效率修复灾后公路网的受损路段,从而加快恢复路网畅通. 基于极端气候灾害的回归期和交通网络的脆弱性得到极端气候作用下的交通基础设施风险曲线主要流程(图18),将风险曲线与所处空间的地图模型结合,即可得到预期损失风险图和具有回归期的损失地图(主要流程如图19),为确保交通基础设施的灾害防护和灾害期间维持其使用性能提供了强有力的应对手段.
5. 全寿命周期性能预测模型
5.1 动态需求关系
基于上文,极端气候作用下交通基础设施的脆弱性研究已经是目前工程结构多灾害领域研究的重点内容,而预测交通基础设施在灾害作用下的性能演变更是未来发展方向中的重中之重[112]. 基于对极端气候和工程结构领域的多灾害分析以及展望未来发展方向,考虑将人工智能和机器学习等技术应用于交通基础设施的脆弱性研究. 本文提出一种快速预测极端气候条件和使用状态下基础设施系统性能概率密度演化过程的方法(图20).
首先,需明确基础设施功能和服务对象,探明极端环境下桥、隧及路等交通基础设施在不同灾害强度指标下的预期性能,建立对应的性能目标标准;然后,分类定义单灾和多灾事件相关强度指标,揭露强度指标对基础设施性能影响和危害程度,系统研究强度指标与基础设施性能之间的相关性[113];最后,确定极端气候灾害影响基础设施性能的最优强度指标,基于历史数据和预测模型,建立各种灾害的强度指标体系. 基于极端气候灾害的最优强度指标组合,采用如主成分分析法(PCA)方法[114-116]对强度指标组合进行正交变换,根据累计贡献率(超过85%)确定m个主成分,最终确定能表征复合灾害条件下互相影响的最优等效强度指标,明确其动态需求关系.
5.2 动态时变脆弱性模型
基于其动态时变需求关系,建立考虑材料老化、疲劳损伤、腐蚀等问题的交通基础设施时变损伤评判指标[54]. 基于极端气候灾害的时空分布特征以及灾害链相关性[45-46],确定大概率发生的极端气候多灾害组合. 基于有限元方法考虑极端气候灾害组合下,交通基础设施的响应特征及损伤过程,探明各种交通基础设施的损伤状态划分及临界值,提出多灾下基础设施破损准则. 建立极端环境下强度指标与交通基础设施时变损伤的动态关系,构造基于时间序列的动态需求预测模型,为基础设施的建设、维护和管理提供参考. 探明表征在役交通基础设施结构特性的Copula函数[98, 101]类型,使用所选Copula函数和边缘分布函数构建交通基础设施的动态时变脆弱性的联合概率模型[99-100].
基于深度学习[117]和大数据理论[118],采用贝叶斯网络等[106-107]进行灾害特性和受灾体易损性的历史数据分析和未来演变预测,建立在役交通基础设施动态时变概率模型群,快速预测极端气候条件下在役交通基础设施系统性能概率密度演化过程. 基于Stacking集成学习方法[119],构建考虑交通基础设施结构设计参数与灾害随机性的极限状态损伤指标值预测模型,基于K折交叉验证法训练模型,进一步提高模型预测精度. 研究Stacking集成学习方法预测结构响应和极限状态损伤指标值最优学习效果的第一层初级学习器和第二层元学习器的最优组合. Stacking集成学习预测模型预测并确定结构响应和极限状态损伤指标值的概率分布特性,采用高斯积分法[120]计算基础设施结构失效概率,最终构建典型地区(图21)高温、高湿、高寒、干旱和突发洪水等极端环境灾害下交通基础设施全概率脆弱性模型,揭示极端气候作用下基础设施单灾/多灾耦合损伤机理.
全寿命周期性能预测模型在工程结构性能研究领域发挥着重要作用. 该模型通过结合人工智能技术,能够对极端气候条件下交通基础设施系统性能的演变进行快速预测和评估,展现出较高的适用性和前瞻性. 此外,该模型考虑了时空特性等相关因素,与实际工程模型的贴合度较高,从而使得预测结果更为准确. 然而,当前该模型在分析极端气候等复杂灾害特性及其对受灾体破坏准则的研究方面仍存在不足. 为补充这一缺陷,有必要结合机器学习和大数据分析技术,利用数值模拟方法对实际工程案例进行深入模拟,以提供更加可靠和详细的数据支持. 模拟研究有助于更深入地理解极端气候条件下的工程结构表现,为进一步的研究提供坚实基础. 此外,针对结构设计参数影响性能损伤问题,还需相关试验进行深入的比较和研究. 试验研究可能涉及到大量人力和物力,但对于理解和改进工程结构在极端气候条件下的性能至关重要. 试验研究可更有效地指导未来的工程设计,提高基础设施在面对极端气候事件时的韧性和可靠性.
6. 结论与展望
6.1 结 论
本文深入探讨了全球气候变化对交通基础设施脆弱性的影响,着重分析了极端气候灾害的影响、多灾害耦合作用以及工程领域内的相关研究. 通过梳理国内外极端气候及多灾害耦合研究的现状,详细阐述了极端气候的时空演变研究、多灾害耦合作用的发展历程以及在工程结构领域的多灾害研究进展. 此外,提出了针对极端气候灾害影响的交通基础设施防灾减灾措施,旨在确保设施的正常使用性能和结构安全. 主要结论如下:
1) 建立多风险评估框架:① 对极端气候灾害进行危险性分析,即各灾害时空特性、气候指标主成分分析、各灾害可靠度分析以及计算联合概率分布,最终确定联合极端气候组合;② 对交通基础设施进行易损性分析,基于试验和数值模拟等方法,结合贝叶斯网络对服役于恶劣环境的道路、桥梁及隧道等结构进行时变易损性分析;③ 进行交通网络的脆弱性分析,根据关键节点提升韧性;④ 进行多风险计算,得到损失概率风险曲线和损失风险图.
2) 基于上述文献研究以及未来发展方向,提出了一种构建全寿命周期动态时变脆弱性模型的方法,以实现快速预测极端气候条件和使用状态下的基础设施系统性能概率密度演化过程. 为开发用于评估多种气候变化影响的多风险模型提供了一定的参考价值.
6.2 展 望
针对极端气候灾害和工程结构风险评估的研究我国正处于发展阶段,目前的研究框架和专业术语主要是基于国外学者的研究成果进行扩展和发展的. 针对这一领域,未来的研究重点方向包括:1) 极端气候灾害历史数据的收集与分析. 针对特定地区收集极端气候灾害的历史数据,并进行深入分析,以建立更准确的风险评估模型. 2) 制定具体的极端气候灾害定量分析方法和工具,以便于更细致和精确地评估气候变化的影响. 3) 易损性模型的构建. 对受灾地区的工程结构进行易损性模型的研究,以理解不同结构在灾害条件下的反应和脆弱性. 4) 非线性易损性的考虑. 对系统和个体易损性的阈值、关联和相互作用等进行研究,考虑易损性的非线性演化和积累. 5) 易损性的不确定性处理. 研究考虑易损性分析时参数估计误差、模型不确定性和未来预测的不确定性等产生的影响. 6) 多风险计算的理论推导. 深化对多风险计算的理论推导方法的研究,以提高风险评估的准确性和实用性. 7) 机器学习和人工智能的应用. 将机器学习和人工智能等技术应用于灾害研究,以实现对交通基础设施的健康检测和灾害演变的预测,并提高道路、桥梁和隧道等的运维效率. 8) 系统脆弱性研究与韧性提升. 在明确了特定交通基础设施在极端气候灾害影响下的系统脆弱性之后,根据目标性能标准和关键节点来提升其使用性能的韧性,增强抗灾能力和灾后恢复力. 9) 脆弱性研究的跨学科合作. 将工程学、社会科学、环境科学等多个领域的专业知识融合起来. 未来的发展应促进不同领域的合作与交流,以增强对系统和个体易损性的全面理解.
针对极端气候下基础设施脆弱性方面,研究方向的探索将为未来极端气候条件下桥梁、道路和隧道等基础设施的抗灾设计、性能评估和韧性提升提供重要的理论和实践指导.
-
表 1 未来中国年平均地表气温与降水量(相对1961—1990年平均值)
Table 1. Annual average surface temperature and precipitation in China in the future (relative to average value in 1961–1990)
年份 温度变化/℃ 降水变化% 2020 年 1.3~2.1 2~3 2030 年 1.5~2.8 2050 年 2.3~3.3 5~7 2100 年 3.9~6.0 11~17 -
[1] 丁一汇,任国玉,石广玉,等. 气候变化国家评估报告(Ⅰ): 中国气候变化的历史和未来趋势[J]. 气候变化研究进展,2006,2(1): 3-8.DING Yihui, REN Guoyu, SHI Guangyu, et al. National assessment report of climate change (Ⅰ): climate change in China and its future trend[J]. Climate Change Research, 2006, 2(1): 3-8. [2] 杨肖丽,马慧君,吴凡,等. 基于CMIP6的全球及干旱带干旱时空演变[J]. 水资源保护,2023,39(2):40-49.YANG Xiaoli, MA Huijun, WU Fan, et al. Spatiotemporal evolution of global and arid zone drought based on CMIP6[J]. Water Resources Protection, 2023, 39(2):40-49. [3] HU Q, TANG Z H, ZHANG L, et al. Evaluating climate change adaptation efforts on the US 50 states’ hazard mitigation plans[J]. Natural Hazards, 2018, 92(2):783-804. [4] WRIGHT L, CHINOWSKY P, STRZEPEK K, et al. Estimated effects of climate change on flood vulnerability of U. S. bridges[J]. Mitigation and Adaptation Strategies for Global Change, 2012, 17(8): 39-955. [5] 张存杰,肖潺,李帅,等. 极端气候事件综合危险性等级指标构建及近60年来长江流域极端气候综合分析[J]. 地球物理学报,2023,66(3): 920-938. doi: 10.6038/cjg2022Q0255ZHANG Cunjie, XIAO Chan, LI Shuai, et al. Construction of multi-extreme climate events composite grads index and comprehensive analysis of extreme climate in the Yangtze River Basin from 1961 to 2020[J]. Chinese Journal of Geophysics, 2023, 66(3): 920-938. doi: 10.6038/cjg2022Q0255 [6] TORRESAN S, CRITTO A, RIZZI J, et al. Assessment of coastal vulnerability to climate change hazards at the regional scale: the case study of the North Adriatic Sea[J]. Natural Hazards and Earth System Sciences, 2012, 12(7): 2347-2368. doi: 10.5194/nhess-12-2347-2012 [7] BARBATO M, PETRINI F, UNNIKRISHNAN V U, et al. Performance-Based Hurricane Engineering (PBHE) framework[J]. Structural Safety, 2013, 45: 24-35. doi: 10.1016/j.strusafe.2013.07.002 [8] 张喜刚,田雨,陈艾荣. 多灾害作用下桥梁设计方法研究综述[J]. 中国公路学报,2018,31(9): 7-19. doi: 10.3969/j.issn.1001-7372.2018.09.002ZHANG Xigang, TIAN Yu, CHEN Airong. Review of bridge design method for multiple hazards[J]. China Journal of Highway and Transport, 2018, 31(9): 7-19. doi: 10.3969/j.issn.1001-7372.2018.09.002 [9] GALLINA V, TORRESAN S, CRITTO A, et al. A review of multi-risk methodologies for natural hazards: consequences and challenges for a climate change impact assessment[J]. Journal of Environmental Management, 2016, 168: 123-132. [10] 李宏男,李钢,郑晓伟,等. 工程结构在多灾害耦合作用下的研究进展[J]. 土木工程学报,2021,54(5): 1-14.LI Hongnan, LI Gang, ZHENG Xiaowei, et al. Research progress in engineering structures subject to multiple hazards[J]. China Civil Engineering Journal, 2021, 54(5): 1-14. [11] 王元丰,韩冰. 极端气候事件对桥梁安全性的影响分析[J]. 土木工程学报,2009,42(3): 76-80. doi: 10.3321/j.issn:1000-131X.2009.03.013WANG Yuanfeng, HAN Bing. Influences of extreme climate events on bridges[J]. China Civil Engineering Journal, 2009, 42(3): 76-80. doi: 10.3321/j.issn:1000-131X.2009.03.013 [12] 王芸,赵鹏祥. 黄河流域极端气候事件的时空变异特征研究[J]. 西北林学院学报,2021,36(3): 190-196. doi: 10.3969/j.issn.1001-7461.2021.03.28WANG Yun, ZHAO Pengxiang. Temporal and spatial variation characteristics of extreme climate events in the Yellow River Basin[J]. Journal of Northwest Forestry University, 2021, 36(3): 190-196. doi: 10.3969/j.issn.1001-7461.2021.03.28 [13] CHOWDHURY M A, ZZAMAN R U, TARIN N J, et al. Spatial variability of climatic hazards in Bangladesh[J]. Natural Hazards, 2022, 110(3): 2329-2351 doi: 10.1007/s11069-021-05039-3 [14] HUSSAIN M A, ZHANG S, MUNEER M, et al. Assessing and mapping spatial variation characteristics of natural hazards in Pakistan[J]. Land, 2022, 12(1): 1-40. doi: 10.3390/land12010001 [15] ALEXANDER L V, ZHANG X, PETERSON T C, et al. Global observed changes in daily climate extremes of temperature and precipitation[J]. Journal of Geophysical Research: Atmospheres, 2006, 111: D05109.1-D05109.22 [16] KUNKEL K E, KARL T R, EASTERLING D R, et al. Probable maximum precipitation and climate change[J]. Geophysical Research Letters, 2013, 40(7): 1402-1408. doi: 10.1002/grl.50334 [17] FISCHER E M, SIPPEL S, KNUTTI R. Increasing probability of record-shattering climate extremes[J]. Nature Climate Change, 2021, 11: 689-695. doi: 10.1038/s41558-021-01092-9 [18] MARTINEZ-VILLALOBOS C, NEELIN J D. Regionally high risk increase for precipitation extreme events under global warming[J]. Scientific Reports, 2023, 13: 5579.1-5579.14. [19] 曹永旺,延军平. 1961—2013年山西省极端气候事件时空演变特征[J]. 资源科学,2015,37(10): 2086-2098.CAO Yongwang, YAN Junping. Temporal and spatial analysis of extreme climatic events in Shanxi Province from 1961 to 2013[J]. Resources Science, 2015, 37(10): 2086-2098. [20] 曹永强,袁立婷,郑爽,等. 近50年辽宁省极端气候事件的趋势变化及空间特征[J]. 水利水电技术,2018,49(7): 45-53.CAO Yongqiang, YUAN Liting, ZHENG Shuang, et al. Trend variation and spatial characteristics of extreme climate events in Liaoning Province in recent 50 years[J]. Water Resources and Hydropower Engineering, 2018, 49(7): 45-53. [21] 柴素盈,曹言,窦小东,等. 1964—2017年南盘江流域主要极端气候事件时空演变特征[J]. 水土保持研究,2020,27(1): 151-160.CHAI Suying, CAO Yan, DOU Xiaodong, et al. Analysis temporal and spatial changes of extreme climatic events in nanpan river basin from 1964 to 2017[J]. Research of Soil and Water Conservation, 2020, 27(1): 151-160. [22] 杨晨,董晓华,董立俊,等. 雅砻江流域1961—2018年极端气候时空演变研究[J]. 中国农村水利水电,2023(2): 46-56,65.YANG Chen, DONG Xiaohua, DONG Lijun, et al. Research on the temporal and spatial evolution of extreme climate in the yalong river basin from 1961 to 2018[J]. China Rural Water and Hydropower, 2023(2): 46-56,65. [23] BRUNETTI M, MAUGERI M, NANNI T. Changes in total precipitation, rainy days and extreme events in northeastern Italy[J]. International Journal of Climatology, 2001, 21(7): 861-871. doi: 10.1002/joc.660 [24] BOO K O, KWON W T, BAEK H J. Change of extreme events of temperature and precipitation over Korea using regional projection of future climate change[J]. Geophysical Research Letters, 2006, 33: L01701.1-L01701.4 [25] STEVENS L E, MAYCOCK T K, STEWART B C. Climate change in the human environment: indicators and impacts from the Fourth National Climate Assessment[J]. Journal of the Air & Waste Management Association, 2021, 71(10):1210-1233. [26] ARNELL N W, GOSLING S N. The impacts of climate change on river flood risk at the global scale[J]. Climatic Change, 2016, 134(3): 387-401. doi: 10.1007/s10584-014-1084-5 [27] FREI C, SCHÖLL R, FUKUTOME S, et al. Future change of precipitation extremes in Europe: Intercomparison of scenarios from regional climate models[J]. Journal of Geophysical Research: Atmospheres, 2006, 111: D06105.1-D06105.22. [28] HAHN M B, RIEDERER A M, FOSTER S O. The livelihood vulnerability index: a pragmatic approach to assessing risks from climate variability and change—a case study in Mozambique[J]. Global Environmental Change, 2009, 19(1): 74-88. doi: 10.1016/j.gloenvcha.2008.11.002 [29] ROBINE J M, CHEUNG S L K, LE ROY S, et al. Death toll exceeded 70, 000 in Europe during the summer of 2003[J]. Comptes Rendus Biologies, 2008, 331(2): 171-178. [30] STEWART S R. Eastern north pacific hurricanes 2010: flooding in a slow season[J]. Weatherwise, 2011, 64(3): 38-45. doi: 10.1080/00431672.2011.566819 [31] 王志军,李福普. 基于风险矩阵的极端气候因素对沥青混凝土路面的影响分析[J]. 公路,2014,59(7): 56-60.WANG Zhijun, LI Fupu. Analysis of impact on extreme climate factors to asphalt pavement based on risk matrix[J]. Highway, 2014, 59(7): 56-60. [32] 王林波. 极端气候对城市道路路面结构影响分析[J]. 内蒙古公路与运输,2018(1): 40-42.WANG Linbo. Analysis of the influence of extreme climate on urban road pavement structure[J]. Highways & Transportation in Inner Mongolia, 2018(1): 40-42. [33] BIXLER R P, YANG E, RICHTER S M, et al. Boundary crossing for urban community resilience: a social vulnerability and multi-hazard approach in Austin, Texas, USA[J]. International Journal of Disaster Risk Reduction, 2021, 66: 102613.1-102613.9. [34] WARD P J, BLAUHUT V, BLOEMENDAAL N, et al. Review article: natural hazard risk assessments at the global scale[J]. Natural Hazards and Earth System Sciences, 2020, 20(4): 1069-1096. doi: 10.5194/nhess-20-1069-2020 [35] ZHANG W, VILLARINI G. Deadly compound heat stress-flooding hazard across the central United States[J]. Geophysical Research Letters, 2020, 47(15): 1-7. [36] TEPPER F. The Sendai framework for disaster risk reduction and persons with disabilities[J]. International Journal of Disaster Risk Science, 2015, 6(2): 140-149. doi: 10.1007/s13753-015-0051-8 [37] SANTINI M, CACCAMO G, LAURENTI A, et al. A multi-component GIS framework for desertification risk assessment by an integrated index[J]. Applied Geography, 2010, 30(3): 394-415. doi: 10.1016/j.apgeog.2009.11.003 [38] LIANG Z, LEE G C. Bridge pier failure probabilities under combined hazard effects of scour, truck and earthquake. part I: occurrence probabilities[J]. Earthquake Engineering and Engineering Vibration, 2013, 12(2): 229-240. doi: 10.1007/s11803-013-0166-0 [39] LIANG Z, LEE G C. Towards establishing practical multi-hazard bridge design limit states[J]. Earthquake Engineering and Engineering Vibration, 2013, 12(3): 333-340. doi: 10.1007/s11803-013-0175-z [40] KAPPES M S, KEILER M, VON ELVERFELDT K, et al. Challenges of analyzing multi-hazard risk: a review[J]. Natural Hazards, 2012, 64(2): 1925-1958. doi: 10.1007/s11069-012-0294-2 [41] CHEN L, SINGH V P, GUO S L, et al. Flood coincidence risk analysis using multivariate copula functions[J]. Journal of Hydrologic Engineering, 2012, 17(6): 742-755. doi: 10.1061/(ASCE)HE.1943-5584.0000504 [42] 秦佩瑶. 地震与洪水联合作用下结构抗多灾分析与设防水准研究[D]. 大连:大连理工大学,2021. [43] SHIEH C L, CHEN Y S, TSAI Y J, et al. Variability in rainfall threshold for debris flow after the Chi-Chi earthquake in central Taiwan, China[J]. International Journal of Sediment Research, 2009, 24(2): 177-188. doi: 10.1016/S1001-6279(09)60025-1 [44] XU L F, MENG X W, XU X G. Natural hazard chain research in China: a review[J]. Natural Hazards, 2014, 70(2): 1631-1659. doi: 10.1007/s11069-013-0881-x [45] 门可佩,高建国. 重大灾害链及其防御[J]. 地球物理学进展,2008,23(1): 270-275.MEN Kepei, GAO Jianguo. Severe disaster chain and its defense[J]. Progress in Geophysics, 2008, 23(1): 270-275. [46] 周靖,马石城,赵卫锋. 城市生命线系统暴雪冰冻灾害链分析[J]. 灾害学,2008,23(4): 39-44. doi: 10.3969/j.issn.1000-811X.2008.04.009ZHOU Jing, MA Shicheng, ZHAO Weifeng. Analysis on disaster chains of urban lifeline system in heavy snow-freezing weather[J]. Journal of Catastrophology, 2008, 23(4): 39-44. doi: 10.3969/j.issn.1000-811X.2008.04.009 [47] KOMENDANTOVA N, MRZYGLOCKI R, MIGNAN A, et al. Multi-hazard and multi-risk decision-support tools as a part of participatory risk governance: feedback from civil protection stakeholders[J]. International Journal of Disaster Risk Reduction, 2014, 8: 50-67. doi: 10.1016/j.ijdrr.2013.12.006 [48] MARASCO S, ZAMANI NOORI A, CIMELLARO G P. Cascading hazard analysis of a hospital building[J]. Journal of Structural Engineering, 2017, 143(9): 04017100.1-04017100.15. [49] GILL J C, MALAMUD B D. Reviewing and visualizing the interactions of natural hazards[J]. Reviews of Geophysics, 2014, 52(4): 680-722. doi: 10.1002/2013RG000445 [50] GIDARIS I, PADGETT J E, BARBOSA A R, et al. Multiple-hazard fragility and restoration models of highway bridges for regional risk and resilience assessment in the United States: state-of-the-art review[J]. Journal of Structural Engineering, 2017, 143(3): 04016188.1-04016188.17. [51] TAYLOR Z, STOYANOFF S, DALLAIRE P O, et al. Aerodynamics of long-span bridges: susceptibility to snow and ice accretion[J]. Journal of Structural Engineering, 2017, 143(7): 04017039.1-04017039.11. [52] CHOE D E, GARDONI P, ROSOWSKY D. Fragility increment functions for deteriorating reinforced concrete bridge columns[J]. Journal of Engineering Mechanics, 2010, 136(8): 969-978. doi: 10.1061/(ASCE)EM.1943-7889.0000147 [53] GHOSH J, PADGETT J E. Aging considerations in the development of time-dependent seismic fragility curves[J]. Journal of Structural Engineering, 2010, 136(12): 1497-1511. doi: 10.1061/(ASCE)ST.1943-541X.0000260 [54] DONG Y, FRANGOPOL D M. Probabilistic time-dependent multihazard life-cycle assessment and resilience of bridges considering climate change[J]. Journal of Performance of Constructed Facilities, 2016, 30(5): 04016034.1-04016034.12. [55] SALMAN A M, LI Y. Multihazard risk assessment of electric power systems[J]. Journal of Structural Engineering, 2017, 143(3): 04016198.1-04016198.14. [56] 孔锋. 透视大尺度综合自然灾害风险评估的主要进展和展望[J]. 灾害学,2020,35(2): 148-153. doi: 10.3969/j.issn.1000-811X.2020.02.027KONG Feng. Perspective on the main progress and prospect of large-scale comprehensive natural disaster risk assessment[J]. Journal of Catastrophology, 2020, 35(2): 148-153. doi: 10.3969/j.issn.1000-811X.2020.02.027 [57] MARIN G, MODICA M, PALEARI S, et al. Assessing disaster risk by integrating natural and socio-economic dimensions: a decision-support tool[J]. Socio-Economic Planning Sciences, 2021, 77: 101032.1-101032.13. [58] GRÜNTHAL G, THIEKEN A H, SCHWARZ J, et al. Comparative risk assessments for the city of cologne—storms, floods, earthquakes[J]. Natural Hazards, 2006, 38(1): 21-44. [59] DI MAURO D, LEPIDI S, DI PERSIO M, et al. Update on monitoring of magnetic and electromagnetic tectonic signals in Central Italy[J]. Annals of Geophysics, 2009, 50(1): 51-60. [60] MARZOCCHI W, NEWHALL C, WOO G. The scientific management of volcanic crises[J]. Journal of Volcanology and Geothermal Research, 2012, 247/248: 181-189. doi: 10.1016/j.jvolgeores.2012.08.016 [61] MIGNAN A, WIEMER S, GIARDINI D. The quantification of low-probability—high-consequences events: part I. a generic multi-risk approach[J]. Natural Hazards, 2014, 73(3): 1999-2022. doi: 10.1007/s11069-014-1178-4 [62] KAPPES M S, GRUBER K, FRIGERIO S, et al. The MultiRISK platform: the technical concept and application of a regional-scale multihazard exposure analysis tool[J]. Geomorphology, 2012, 151/152: 139-155. doi: 10.1016/j.geomorph.2012.01.024 [63] LIU Z Q, NADIM F, GARCIA-ARISTIZABAL A, et al. A three-level framework for multi-risk assessment[J]. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards, 2015, 9(2): 59-74. doi: 10.1080/17499518.2015.1041989 [64] MARZOCCHI W, GARCIA-ARISTIZABAL A, GASPARINI P, et al. Basic principles of multi-risk assessment: a case study in Italy[J]. Natural Hazards, 2012, 62(2): 551-573. doi: 10.1007/s11069-012-0092-x [65] VLACHOGIANNIS D, SFETSOS A, MARKANTONIS I, et al. Quantifying the occurrence of multi-hazards due to climate change[J]. Applied Sciences, 2022, 12(3): 1218.1-1218.17. [66] MING X D, LIANG Q H, DAWSON R, et al. A quantitative multi-hazard risk assessment framework for compound flooding considering hazard inter-dependencies and interactions[J]. Journal of Hydrology, 2022, 607: 127477.1-127477.16. [67] 李钢,张倪飞,董志骞,等. 多灾害作用下工程结构分析与设计方法研究进展[J]. 土木工程学报,2023,56(8): 9-26.LI Gang, ZHANG Nifei, DONG Zhiqian, et al. Research progress of engineering structure analysis and design methods under muiple harzards[J]. China Civil Engineering Journal, 2023, 56(8): 9-26. [68] 黄朝迎,孙冷. 试论气候异常对重大工程建设的影响[J]. 地理学报,2000,55(增): 5-10.HUANG Chaoying, SUN Leng. Impacts of unusual climate on key project construction[J]. Acta Geographica Sinica, 2000, 55(S): 5-10. [69] 梅恒. 全寿命周期桥梁多灾害概率风险研究[D]. 哈尔滨:哈尔滨工业大学,2019. [70] DENG L, CAI C S. Applications of fiber optic sensors in civil engineering[J]. Structural Engineering and Mechanics, 2007, 25(5): 577-596. doi: 10.12989/sem.2007.25.5.577 [71] XIONG W, CAI C S, KONG X. Instrumentation design for bridge scour monitoring using fiber Bragg grating sensors[J]. Applied Optics, 2012, 51(5): 547-557. doi: 10.1364/AO.51.000547 [72] CHIEW Y M. Scour protection at bridge piers[J]. Journal of Hydraulic Engineering, 1992, 118(9): 1260-1269. doi: 10.1061/(ASCE)0733-9429(1992)118:9(1260) [73] LAUCHLAN C S, MELVILLE B W. Riprap protection at bridge piers[J]. Journal of Hydraulic Engineering, 2001, 127(5): 412-418. doi: 10.1061/(ASCE)0733-9429(2001)127:5(412) [74] ZARRATI A R, GHOLAMI H, MASHAHIR M B. Application of collar to control scouring around rectangular bridge piers[J]. Journal of Hydraulic Research, 2004, 42(1): 97-103. doi: 10.1080/00221686.2004.9641188 [75] WANG K, LIN C P, CHUNG C C. A bundled time domain reflectometry-based sensing cable for monitoring of bridge scour[J]. Structural Control and Health Monitoring, 2019, 26(5): e2345.1-e2345.14. [76] YU J D, LEE J S, YOON H K. Circular time-domain reflectometry system for monitoring bridge scour depth[J]. Marine Georesources & Geotechnology, 2020, 38(1): 312-321. [77] FUNDERBURK M L, TRAN J, TODD M D, et al. Active scour monitoring using ultrasonic time domain reflectometry of buried slender sensors[J]. Smart Material Structures, 2022, 31(1): 015045.1-015045.14. [78] KONG X, CAI C S, HU J X, et al. Field application of an innovative bridge scour monitoring system with fiber Bragg grating sensors[J]. Journal of Aerospace Engineering, 2017, 30(2): B4016008.1-B4016008.14. [79] 向琪芪,李亚东,魏凯,等. 桥梁基础冲刷研究综述[J]. 西南交通大学学报,2019,54(2): 235-248. doi: 10.3969/j.issn.0258-2724.20170373XIANG Qiqi, LI Yadong, WEI Kai, et al. Review of bridge foundation scour[J]. Journal of Southwest Jiaotong University, 2019, 54(2): 235-248. doi: 10.3969/j.issn.0258-2724.20170373 [80] JONGMAN B, WARD P J, AERTS J C J H. Global exposure to river and coastal flooding: long term trends and changes[J]. Global Environmental Change, 2012, 22(4): 823-835. doi: 10.1016/j.gloenvcha.2012.07.004 [81] ALFIERI L, BISSELINK B, DOTTORI F, et al. Global projections of river flood risk in a warmer world[J]. Earth’s Future, 2017, 5(2): 171-182. doi: 10.1002/2016EF000485 [82] WILLNER S N, LEVERMANN A, ZHAO F, et al. Adaptation required to preserve future high-end river flood risk at present levels[J]. Science Advances, 2018, 4(1): eaao1914.1-eaao1914.8. [83] 王唐修,姜鑫民. 谈气候变化影响及对策[J]. 中国能源,2002,156(12): 38-40.WANG Tangxiu, JIANG Xinmin. Influence and strategy of climate change[J]. Energy of China, 2002, 156(12): 38-40. [84] ALIPOUR A, SHAFEI B, SHINOZUKA M. Reliability-based calibration of load and resistance factors for design of RC bridges under multiple extreme events: scour and earthquake[J]. Journal of Bridge Engineering, 2013, 18(5): 362-371. doi: 10.1061/(ASCE)BE.1943-5592.0000369 [85] 孙得璋,陈斌,孙柏涛,等. 桥梁多灾害研究综述[J]. 自然灾害学报,2014,23(6): 32-37.SUN Dezhang, CHEN Bin, SUN Baitao, et al. A summary review of multiple hazards study on bridges[J]. Journal of Natural Disasters, 2014, 23(6): 32-37. [86] 陈梦成,温清清,罗睿,等. 地铁工程钢筋混凝土梁疲劳损伤演化和寿命预测模型研究[J]. 铁道学报,2021,43(1): 160-168.CHEN Mengcheng, WEN Qingqing, LUO Ru, et al. Investigation on prediction models of damage evolution and fatigue lifetime for reinforced concrete beams of metros[J]. Journal of the China Railway Society, 2021, 43(1): 160-168. [87] SPENCER P C, HENDY C R, PETTY R. Quantification of sustainability principles in bridge projects[J]. Proceedings of the Institution of Civil Engineers—Bridge Engineering, 2012, 165(2): 81-89. doi: 10.1680/bren.10.00037 [88] YANG S C, LIU T J, HONG H P. Reliability of tower and tower-line systems under spatiotemporally varying wind or earthquake loads[J]. Journal of Structural Engineering, 2017, 143(10): 04017137.1-04017137.13. [89] DONG Y, FRANGOPOL D M, SAYDAM D. Time-variant sustainability assessment of seismically vulnerable bridges subjected to multiple hazards[J]. Earthquake Engineering & Structural Dynamics, 2013, 42(10): 1451-1467. [90] VAN DE LINDT J W, DAO T N. Performance-based wind engineering for wood-frame buildings[J]. Journal of Structural Engineering, 2009, 135(2): 169-177. doi: 10.1061/(ASCE)0733-9445(2009)135:2(169) [91] CIAMPOLI M, PETRINI F, AUGUSTI G. Performance-based wind engineering: towards a general procedure[J]. Structural Safety, 2011, 33(6): 367-378. doi: 10.1016/j.strusafe.2011.07.001 [92] DAO T N, VAN DE LINDT J W. Loss analysis for wood frame buildings during hurricanes. I: structure and hazard modeling[J]. Journal of Performance of Constructed Facilities, 2012, 26(6): 729-738. doi: 10.1061/(ASCE)CF.1943-5509.0000269 [93] BANERJEE S, GANESH PRASAD G. Seismic risk assessment of reinforced concrete bridges in flood-prone regions[J]. Structure and Infrastructure Engineering, 2013, 9(9): 952-968. doi: 10.1080/15732479.2011.649292 [94] 顾祥林,余倩倩,姜超,等. 城市土木工程基础设施韧性提升理论与方法[J]. 工程力学,2023,40(3): 1-13.GU Xianglin, YU Qianqian, JIANG Chao, et al. Theory and method of resilience enhancement of urban civil engineering infrastructures[J]. Engineering Mechanics, 2023, 40(3): 1-13. [95] KUMAR R, GARDONI P. Effect of seismic degradation on the fragility of reinforced concrete bridges[J]. Engineering Structures, 2014, 79: 267-275. doi: 10.1016/j.engstruct.2014.08.019 [96] KABIR S, PATIDAR S, XIA X L, et al. A deep convolutional neural network model for rapid prediction of fluvial flood inundation[J]. Journal of Hydrology, 2020, 590: 125481.1-125481.45. [97] 董胜,周冲,陶山山,等. 基于ClaytonCopula函数的二维Gumbel模型及其在海洋平台设计中的应用[J]. 中国海洋大学学报(自然科学版),2011,41(10): 117-120.DONG Sheng, ZHOU Chong, TAO Shanshan, et al. Bivariate gumbel distribution based on clayton copula and its application in offshore platform design[J]. Periodical of Ocean University of China, 2011, 41(10): 117-120. [98] LI H N, ZHENG X W, LI C. Copula-based approach to construct a joint probabilistic model of earthquakes and strong winds[J]. International Journal of Structural Stability and Dynamics, 2019, 19(4): 1950046.1-1950046.21. [99] ZHENG X W, LI H N, YANG Y B, et al. Damage risk assessment of a high-rise building against multihazard of earthquake and strong wind with recorded data[J]. Engineering Structures, 2019, 200: 109697.1-109697.14. [100] 陈子燊. 波高与风速联合概率分布研究[J]. 海洋通报,2011,30(2): 159-164.CHEN Zishen. Study on joint probability distribution of wave height and wind velocity[J]. Marine Science Bulletin, 2011, 30(2): 159-164. [101] LI H N, ZHENG X W, LI C. Copula-based joint distribution analysis of wind speed and direction[J]. Journal of Engineering Mechanics, 2019, 145(5): 04019024.1-04019024.12. [102] 杨延凯,马如进,陈艾荣. 基于风险的桥梁多灾害下合理冲刷深度研究[J]. 华南理工大学学报(自然科学版),2016,44(3): 103-109,127.YANG Yankai, MA Rujin, CHEN Airong. Risk-based probe into appropriate scour depth of bridge under multiple hazards[J]. Journal of South China University of Technology (Natural Science Edition), 2016, 44(3): 103-109,127. [103] 谷音,范立础,叶建仁. 基于结构易损性的斜拉桥多灾害安全性能研究[J]. 福州大学学报(自然科学版),2010,38(3): 401-407.GU Yin, FAN Lichu, YE Jianren. The assessment method of safety performance of cable-stayed bridge under multi-hazard based on structure vulnerability[J]. Journal of Fuzhou University (Natural Science Edition), 2010, 38(3): 401-407. [104] 陈力波,王嘉嘉,上官萍. 公路斜交梁桥地震易损性模型研究[J]. 工程力学,2018,35(1): 160-171,181.CHEN Libo, WANG Jiajia, SHANGGUAN Ping. Research of seismic vulnerability model for skew highway girder bridge[J]. Engineering Mechanics, 2018, 35(1): 160-171,181. [105] 郭悬,张琛,王云磊. 浅基础桥梁在锈蚀和主震-余震序列作用下的易损性[J]. 扬州大学学报(自然科学版),2018,21(4): 79-82.GUO Xuan, ZHANG Chen, WANG Yunlei. Seismic fragility analysis of shallow foundation supported bridge under corrosion and mainshock-aftershock sequences[J]. Journal of Yangzhou University (Natural Science Edition), 2018, 21(4): 79-82. [106] 贾布裕,余晓琳,颜全胜. 基于离散动态贝叶斯网络的桥梁状态评估方法[J]. 桥梁建设,2016,46(3): 74-79.JIA Buyu, YU Xiaolin, YAN Quansheng. Method of bridge condition assessment based on discrete dynamic Bayesian networks[J]. Bridge Construction, 2016, 46(3): 74-79. [107] 卢鑫月,许成顺,侯本伟,等. 基于动态贝叶斯网络的地铁隧道施工风险评估[J]. 岩土工程学报,2022,44(3): 492-501.LU Xinyue, XU Chengshun, HOU Benwei, et al. Risk assessment of metro construction based on dynamic Bayesian network[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(3): 492-501. [108] SHAN J Z, ZHUANG C H, LOONG C N. Parametric identification of Timoshenko-beam model for shear-wall structures using monitoring data[J]. Mechanical Systems and Signal Processing, 2023, 189: 110100.1-110100.19. [109] 张望欣,韩强,温佳年,等. 基于地震灾害管理的桥梁网络韧性决策框架[J]. 土木工程学报,2023,56(4): 72-82.ZHANG Wangxin, HAN Qiang, WEN Jianian, et al. A decision framework for improving bridge network resilience based on earthquake disaster management[J]. China Civil Engineering Journal, 2023, 56(4): 72-82. [110] 毛新华,王建伟,袁长伟,等. 基于韧性最优的灾后公路网修复调度研究[J]. 中国公路学报,2022,35(6): 289-298.MAO Xinhua, WANG Jianwei, YUAN Changwei, et al. Restoration scheduling for post-disaster road networks based on resilience optimization[J]. China Journal of Highway and Transport, 2022, 35(6): 289-298. [111] 黄晓明,赵润民. 道路交通基础设施韧性研究现状及展望[J]. 吉林大学学报(工学版),2023,53(6): 1529-1549.HUANG Xiaoming, ZHAO Runming. Status and prospects of highway transportation infrastructure resilience research[J]. Journal of Jilin University (Engineering and Technology Edition), 2023, 53(6): 1529-1549. [112] SHAN J Z, WANG L J, LOONG C N, et al. Rapid seismic performance evaluation of existing frame structures using equivalent SDOF modeling and prior dynamic testing[J]. Journal of Civil Structural Health Monitoring, 2023, 13(2): 749-766. [113] 梁逸文,陈清军. 不同场地条件下远场地震动强度指标与结构最大响应的相关性分析[J]. 力学季刊,2022,43(3): 592-602.LIANG Yiwen, CHEN Qingjun. Correlation analysis between intensity measures of far-field ground motion and maximum structural seismic responses under different site conditions[J]. Chinese Quarterly of Mechanics, 2022, 43(3): 592-602. [114] 宫凤强,李嘉维. 基于PCA-DDA原理的砂土液化预测模型及应用[J]. 岩土力学,2016,37(增1): 448-454.GONG Fengqiang, LI Jiawei. Discrimination model of sandy soil liquefaction based on PCA-DDA principle and its application[J]. Rock and Soil Mechanics, 2016, 37(S1): 448-454. [115] 季家威. PCA在环境影响下结构损伤识别中的应用[D]. 苏州:苏州科技大学,2019. [116] 李岩,张久鹏,陈子璇,等. 基于PCA-PSO-SVM的沥青路面使用性能评价[J]. 吉林大学学报(工学版),2023,53(6): 1729-1735.LI Yan, ZHANG Jiupeng, CHEN Zixuan, et al. Evaluation of asphalt pavement performance based on PCA-PSO-SVM[J]. Journal of Jilin University (Engineering and Technology Edition), 2023, 53(6): 1729-1735. [117] 李宏男,张文圣,付兴. 基于大数据深度学习的输电塔结构抗风易损性评估[J]. 土木工程学报,2022,55(9): 54-64.LI Hongnan, ZHANG Wensheng, FU Xing. Fragility assessment of a transmission tower subjected to wind load based on big data and deep learning[J]. China Civil Engineering Journal, 2022, 55(9): 54-64. [118] 马世龙,乌尼日其其格,李小平. 大数据与深度学习综述[J]. 智能系统学报,2016,11(6): 728-742.MA Shilong, WUNIRI Qiqige, LI Xiaoping. Deep learning with big data: state of the art and development[J]. CAAI Transactions on Intelligent Systems, 2016, 11(6): 728-742. [119] 吕五一,刘仍奎,张秋艳,等. 基于集成学习算法的轨道几何状态短期预测模型[J]. 铁道建筑,2021,61(4): 107-110,115.LYU Wuyi,LIU Rengkui,ZHANG Qiuyan, et al. Short-term prediction model of track geometry state based on ensemble learning algorithm[J]. Railway Engineering, 2021, 61(4): 107-110,115. [120] 杜宪亭,夏禾,李慧乐,等. 基于改进高斯精细积分法的车桥耦合振动分析框架[J]. 工程力学,2013,30(9): 171-176.DU Xianting, XIA He, LI Huile, et al. Dynamic analysis framework of train-bridge system based on improved gauss precise integration method[J]. Engineering Mechanics, 2013, 30(9): 171-176. -