基于改进可拓云模型的沙漠路基工程施工风险评价研究

Research on Construction Risk Assessment of Desert Roadbed Engineering Based on Improved Expandable Cloud Model

摘要

沙漠地区地质条件复杂，流沙、沙尘暴等自然灾害频繁发生。为有效探究沙漠公路路基工程施工风险，减少风险带来的损失，本文借鉴质量管理中4M1E理论，从人员、机械、材料、技术和环境5个方面，初步识别风险指标，通过问卷调查法进行指标筛选，构建沙漠路基施工风险评价指标体系。将G1法和COWA算子相结合，应用博弈论思想进行组合赋权，采用最优云熵改进可拓云模型并进行案例验证。通过与传统物元模型对比，验证了最优云熵改进可拓云模型的有效性。研究结果可为沙漠地区路基施工风险预防和控制提供参考，有效提高沙漠路基施工水平。

Abstract

To effectively explore the construction risks of desert highway subgrade engineering, identify the risk sources that affect subgrade construction, and reduce the losses caused by risks. Firstly, drawing on the 4M1E theory in quality management and using literature research methods, combined with the standard specifications for desert roadbed construction, risk indicators were preliminarily identified from five aspects: personnel factors, mechanical factors, material factors, technical factors, and environmental factors. A questionnaire survey method was used to screen the indicators, and 23 secondary indicators were established to construct a desert roadbed construction risk evaluation index system. Then, the subjective weights are determined using the G1 method, the objective weights are determined using the COWA operator, and the game theory ideas are applied to combine the subjective and objective weights to determine the final weights of the indicators. Finally, by using the optimal cloud entropy to improve the extensible cloud model, based on relevant literature and the Construction Project Management Specification, the risk level of roadbed construction is divided into five risk levels, namely U=(low risk, medium low risk, medium risk, medium high risk, high risk), and a case study is conducted on the first contract section of the S254 line from Yuli to the end of the Xinjiang Wuwei Highway Package PPP Project. The project is located in the southern part of Xinjiang Uygur Autonomous Region, and the route passes through the hinterland of the Taklamakan Desert, with a large section of it dominated by desert. The project area has a typical continental desert climate, with strong winds, sandstorms, and floating dust weather in spring, high temperatures and dryness in summer, rapid temperature drops in autumn, large diurnal temperature differences, and less snow and dry cold in winter. The research results indicate that the construction risk level of the desert highway subgrade project is level Ⅱ, belonging to medium to low risk. The risk level of personnel and technical factors in the first level indicators is level Ⅱ, medium to low risk, environmental factors are level Ⅲ, medium risk, and all other indicators are level Ⅰ low risk, consistent with the actual construction situation. Based on the evaluation results, corresponding measures should be taken to effectively reduce the construction risks of roadbed engineering in desert areas, such as improving the professional quality of construction workers, doing a good job in sand prevention and fixation, and strengthening weather prediction. By comparing with traditional matter element models, the effectiveness of the optimal cloud entropy improved extension cloud model was verified. The evaluation results obtained through the optimal cloud entropy algorithm have significantly improved compared to the "3E_n " cloud entropy extension cloud model and the "50% correlation" extension cloud model. The improved extension cloud model using the optimal cloud entropy takes into account the cloud correlation characteristics calculated by the above two models, achieving the calculation of comprehensive cloud correlation with the highest credibility. The research results of this article can provide reference for the prevention and control of roadbed construction risks in other desert areas. The risk assessment index system for desert roadbed construction should be deleted and supplemented according to the actual situation of the project, aiming to effectively improve the construction level and engineering quality of desert highway roadbed engineering.

Graphical abstract

关键词

沙漠公路 / 路基工程 / 施工风险 / 最优云熵 / 可拓云模型

Key words

desert highway / subgrade engineering / construction risk / optimal cloud entropy / improved extension cloud

引言

在我国的内蒙古、陕西、新疆、甘肃、宁夏及青海等省（自治区）有着很大的沙漠分布面积。为加快建设交通强国，构建现代化高质量国家综合立体交通网，聚焦西部地区精准补齐综合交通网络短板，多条公路建设逐渐拓展至沙漠地区^[1]。然而沙漠内部地质条件复杂多样，沙丘连绵起伏，流沙、沙尘暴等自然灾害频繁发生，导致沙漠公路施工难度大^[2-3]。路基是沙漠公路重要的组成部分，既承担从路面向下传递的荷载，又能减少在自然环境作用下的基床下沉。沙漠公路路基工程在整个道路施工过程中所需的时间长、难度大、附属设施多，存在着许多潜在风险因素。

目前，许多学者开展了关于公路路基工程施工风险的研究：张伟^[4]针对公路施工中存在的岩溶地质，基于层次分析法（analytic hierarchy process，AHP），构建了岩溶路基施工风险评价模型；鲍学英等^[5]针对我国西南高寒山区的特殊环境，构建了基于动态权重的路基工程施工风险评估模型；黄志雄^[6]针对软土路基沉降问题，识别出软体路基施工风险影响因素；黄发^[7]从施工环境、施工设备、施工人员、施工技术四个方面对高速公路路基施工风险要素进行了剖析，构建了风险预控模型。刘建友等^[8]针对隧道下穿高速铁路路基工程，指出安全风险主要取决于隧道施工引起的扰动范围和高速铁路路基的承载范围。Ming等^[9]以砂卵石地层为研究对象，对铁路路基施工进行了风险分析，指出案例中铁路的路基和钢轨沉降小于2 mm可以有效降低风险，满足铁路运营安全的要求。Wen等^[10]通过研究气候变化和冻融作用对结构、材料和底土的影响，对冻土地区的路基工程施工进行了风险预测。以上学者大多围绕普通路基进行风险分析，少数涉及到艰险山区、岩溶风貌路基施工风险，现有研究缺少关于沙漠路基施工风险的研究。目前大多研究建立的施工风险评价指标体系并不适用于沙漠公路路基工程，而且多数学者采用单一赋权的方法，容易受主观因素影响，导致评价结果存在误差。

为解决上述问题，本文立足于沙漠公路路基工程施工特点，构建了施工风险评价指标体系，采用组合赋权法确定指标权重，通过最优云熵改进可拓云模型，构建了一种组合赋权-改进可拓云模型评价方法应用于沙漠公路路基工程施工风险等级评价中，并验证模型的准确性，以期为沙漠公路路基施工风险管理提供参考。

1 风险评价指标体系

沙漠公路施工处于恶劣的沙漠自然环境，路基施工工艺独特，机械工况复杂，而且在西部地区路地关系矛盾突出，沙漠公路路基工程施工风险因素涉及人员、机械、材料以及技术多方面。本文借鉴4M1E（man、machine、material、method、environments，人、机、材、技、环）现场管理理论通过文献研究^[11-14]，结合沙漠路基施工标准规范《沙漠地区公路设计与施工指南》（JTG/T D31—2088）、《风积沙路基填筑（湿压）施工标准》（T/CCIAT 0007—2019）等，初步识别出沙漠公路路基工程施工风险评价指标。

为进一步确定评价指标的科学性，采取问卷调查法，向沙漠公路建设项目的施工人员、管理人员以及具有相关科研背景的高校学者专家发放问卷，对初级沙漠公路路基工程施工风险指标进行打分。采取5点李克特量表，用5分、4分、3分、2分、1分代表非常重要、比较重要、一般重要、比较不重要、非常不重要。共发放问卷150份，收回141份，删除无相关从业经验的无效问卷6份，最终共获得有效问卷135份。通过SPSS25.0软件对问卷结果进行信度和效度检验，结果如表1所示。

其中，Cronbach α系数（克隆巴赫系数）为0.893，达到了较高的信度标准，证明问卷数据的可靠性较强；KMO值＞0.7，显著性水平低于0.001，说明通过了结构效度检验，即量表结构合理，能反映变量间的结构特征；5个维度一级指标对应的AVE值均大于0.5，且CR值均高于0.7，证明本次数据具有良好的聚合效度。通过以上分析最终构建沙漠公路路基工程施工风险评价指标体系，由人员因素C₁、机械因素C₂、材料因素C₃、技术因素C₄、环境因素C₅五个一级指标及23个下属风险因素指标构成，如图1所示。

2 赋权模型

2.1 G1主观赋权

G1赋权法的原理为：专家对同层评价指标间进行重要性排序，确定指标的序关系，然后以相邻指标间的重要程度为依据进行赋值，最终通过固定算法得出各评价指标的权重^[15]，具有计算量小、无需一致性检验等优点^[16]，其计算步骤如下。

（1）确定序关系。专家对指标集\{A_{\mathrm{1}},A_{\mathrm{2}},\cdots ,A_m\}按重要性程度进行排序，形成序关系A_{\mathrm{1}}^{\mathrm{*}}>A_{\mathrm{2}}^{\mathrm{*}}>···>A_m^{\mathrm{*}}。

（2）判断相邻指标的相对重要性。专家对同一指标层内的相邻2个指标进行相对重要程度赋值。设A_{k-\mathrm{1}}^{\mathrm{*}}与A_k^{\mathrm{*}}的相对重要性赋值为r_k^{}，w_k-1和w_k 分别代表指标A_{k-\mathrm{1}}^{}和A_k^{}的权重，由式（2）~式（3）计算指标的权重系数。

r_k=\frac{w_{k-\mathrm{1}}}{w_k},k=m,m-\mathrm{1},\cdots ,\mathrm{3,2}(1)

w_m={\left(\mathrm{1}+{\displaystyle \sum _{k=\mathrm{2}}^m}\stackrel{m}{\prod _{i=k}}{r}_i\right)}^{-\mathrm{1}}(2)

w_{k-\mathrm{1}}=r_k{w}_k,k=m,m-\mathrm{1},\cdots ,\mathrm{3,2}(3)

2.2 COWA算子客观赋权

有序加权平均算子（OWA）旨在对原始数据进行重新排序并加权计算，从而减少极值赋分所带来的负面干扰。在OWA基础上改进后的组合数有序加权算子（COWA），实现调研主观数据的科学赋权^[17]，利用专家对同一层次指标重要性程度的打分结果，构造指标因素的初始决策数据集，从大到小排序并从0开始编号，确定决策数据权重并加权运算，得到指标因素的绝对权重和相对权重^[18]，计算步骤为：

（1）设评价指标A_i 的决策数据降序排列数据并依次编号，得到重新集结的序列b_{\mathrm{0}}\ge b_{\mathrm{1}}\ge \cdots \ge b_{n-\mathrm{1}}，即\left(b_{\mathrm{1}},b_{\mathrm{2}},\cdots ,b_n\right)。

（2）计算数据b_j的加权向量：

{\mathit{\omega }}_{j+\mathrm{1}}=\frac{c_{n-\mathrm{1}}^j}{{\mathrm{2}}^{n-\mathrm{1}}},j=\mathrm{0,1},\cdots ,n-\mathrm{1}(4)

式中，c_{n-\mathrm{1}}^j是n-1个数据中取出j个数据的组合数。

（3）利用加权向量 ω_j+1对决策数据\left(b_{\mathrm{1}},b_{\mathrm{2}},\cdots ,b_n\right)加权集结，计算出指标A_i的绝对权重值\overline{w_i}：

\overline{w_i}={\displaystyle \sum _{i=\mathrm{1}}^n}{w}_i{b}_j,w_i\in [\mathrm{0,1}],j\in [\mathrm{1},n](5)

（4）计算指标A_i 的相对权重值w_i^{\text{'}}：

w_i^{\text{'}}=\frac{\overline{w_i}}{{\displaystyle \sum _{i=\mathrm{1}}^n}\overline{w_i}},i=\mathrm{1,2},\cdots ,n(6)

2.3 组合权重

G1序关系法可以有效解决应用层次分析法时一致性检验不通过的问题。COWA算子则可以避免极端数值对赋权结果的影响。为了保证对沙漠公路路基施工风险评价的科学性、合理性，本文引入博弈论思想结合G1与COWA算子法进行主客观综合赋权：

（1）设有n种赋权方法，则其中一种方法的权重向量组合为\mathit{\omega }={\displaystyle \sum _{i=\mathrm{1}}^n}{u}_i{\omega }_i^{\mathrm{T}}。

（2）求主客观权重的组合系数u_i，目的是使组合权重 ω 与基础权重 ω_i 的离差极小化构造模型：

\mathrm{m}\mathrm{i}\mathrm{n}{‖{\displaystyle \sum _{j=\mathrm{1}}^n}{u}_j{\mathit{\omega }}_j^{\mathrm{T}}-{\mathit{\omega }}_{\mathit{j}}^{\mathbf{T}}‖}_{\mathrm{2}}\left(i=\mathrm{1,2},\cdots ,n\right)(7)

{{\displaystyle \sum _{j=\mathrm{1}}^n}{u}_j{\omega }_i{\omega }_j^{\mathrm{T}}={\omega }_i\omega }_i^{\mathrm{T}},i=\mathrm{1,2},\cdots ,n(8)

（3）归一化处理组合系数u_i，即u_i^{\mathrm{*}}=u_i/{\displaystyle \sum _{i=\mathrm{1}}^n}{u}_i,则组合权向量为：

{\mathit{\omega }}^{*}={\displaystyle \sum _{i=\mathrm{1}}^n}{u}_i^{\mathrm{*}}\mathit{\omega }{}_i^{\mathrm{T}}(9)

3 改进可拓云模型

云模型通过数学方法来实现定性与定量的转换，将模糊集与指标的不确定性、等级关联度的模糊性等问题结合在一起，具有较高的可视化程度，非常适合处理不确定问题^[19-20]。但其仍存在一定的不足，如传统云模型只能计算出等级关联度，判断待评对象所处的等级，无法判断出其在相邻两个等级间的偏袒水平，而且不同的云熵确定方法可能会导致冲突的判定结果^[21]。通过最优云熵改进可拓云模型，可以有效融合云模型的不确定推理特性和物元理论兼具定性定量分析的优点。

3.1 可拓云模型

物元可拓模型将物元作为基本单元来建立物元模型，利用物元可拓的方法，可以将不相容的矛盾问题转化为相容的关系，从而达到全局性的最优决策。它是在复杂系统中化解次要矛盾，解决主要矛盾和关键性难题的有力手段。物元可拓模型记为R=(N,C,V)（其中，N代表事物名称；C代表事物的某一特征；V代表事物的某一特征所对应的量值范围）^[22]。可拓云模型将云模型引入到物元理论，将物元可拓理论中的固定特征值V用正态云模型中的（E_x，E_n，H_e ）代替。其中，期望值E_x 表示的是沙漠公路路基施工风险评价分类等级概念的点值；熵E_n 表示定性概念的可度量粒度，可以反映数据样本的随机性和模糊性；超熵H_e 表示熵的不确定性度量，即熵的熵，可以反映评价数据样本的离散程度，揭示了各因素的随机性与模糊性之间的关联性^[23]。可拓云模型可以表达为如式(10)所示的形式。

R=\left[\begin{array}{ccc}{N}_i& C_{\mathrm{1}}& (E_{x_{\mathrm{1}}},E_{n_{\mathrm{1}}},H_{e_{\mathrm{1}}})\\ & \begin{array}{l}{C}_{\mathrm{2}}\\ ⋮\end{array}& \begin{array}{l}(E_{x_{\mathrm{2}}},E_{n_{\mathrm{2}}},H_{e_{\mathrm{2}}})\\ ⋮\end{array}\\ & C_m& (E_{x_m},E_{n_m},H_{e_m})\end{array}\right](10)

式中，R为沙漠公路路基工程施工风险评价的等级集合；C_i 为第i个评价指标 (i=1,2\cdots m)；E_{x_i}\mathrm{、}{E}_{n_i}\mathrm{、}{H}_{e_i}为其对应的云参数。

3.2 最优云熵改进可拓云

云熵E_n是确定评价等级模糊度的指标，其大小可以直接决定评价等级所能接受的数值范围，对评价结果的准确性起到重要影响，因此其取值也最为重要。常用的云熵计算方法有如下两种^[24-25]：

（1）基于正态“3E_n ”规则的云熵计算方法。以高斯分布的“3σ”规则为基础，可拓云的“3E_n ”规则以[E_x -3E_n,E_x +3E_n ]区间为中心，其以外的云熵被视为小概率，将其忽略也不影响云模型的整体。因此通过“3E_n ”规则计算的云熵可以充分体现等级划分的分明性，所得的等级可拓云在边界处分隔清晰，该方法的计算过程为：

E_n^{\text{'}}=\frac{c_{\mathrm{m}\mathrm{a}\mathrm{x}}-c_{\mathrm{m}\mathrm{i}\mathrm{n}}}{\mathrm{6}}(11)

（2）基于“50%关联度”规则的云熵计算方法。50%关联度原则认为相邻等级的关联度等于等级边界值，均为50%。因此基于“50%关联度”规则计算的云熵充分体现了等级划分的模糊性，其计算方法为：

E_n^{\text{'}\text{'}}=\frac{c_{\mathrm{m}\mathrm{a}\mathrm{x}}-c_{\mathrm{m}\mathrm{i}\mathrm{n}}}{\mathrm{2.3548}}(12)

式（11）和式（12）中，c_{\mathrm{m}\mathrm{a}\mathrm{x}}和c_{\mathrm{m}\mathrm{i}\mathrm{n}}分别代表评价指标某一等级的上、下界限。

以上两种方法从等级划分的不同角度来划定云熵值，但根据不同云熵所计算得到的等级关联度会存在矛盾^[26]。因此，本文引入最优云熵的概念^[27]，对前两种方法进行结合，既兼顾等级划分的分明性，又兼顾等级划分的模糊性。假设某指标的评价数据为x_i，基于“3E_n ”和“50%关联度”规则计算得到的云熵集合分别表示为(E_{n\_d}{)}_{\mathrm{1}\mathrm{*}q}^{\mathrm{\text{'}}}和(E_{n\_d}{)}_{\mathrm{1}\mathrm{*}q}^{\mathrm{\text{'}}\mathrm{\text{'}}}，经组合优化后得到的最优云熵集合表示为(E_{n\_d}{)}_{\mathrm{1}*q}，其中d=1,2,…,q，表示某一等级。

由上述分析可知，通过3E_n 方法确定的云熵计算出的云模型关联度最小，记为k_{\mathrm{m}\mathrm{i}\mathrm{n}\_d}^{\mathrm{\text{'}}}；由50%关联度方法确定的云熵计算出的云模型关联度最大，记为k_{\mathrm{m}\mathrm{a}\mathrm{x}\_d}^{\mathrm{\text{'}}\mathrm{\text{'}}}。用k_{\mathrm{e}\mathrm{x}\mathrm{p}\_d}表示最优云熵方法计算出的云模型关联度，则在等级d上三者的最大关联度偏差\mathrm{\Delta }{k}_{\mathrm{m}\mathrm{a}\mathrm{x}}的计算方法为：

\mathrm{\Delta }{k}_{\mathrm{m}\mathrm{a}\mathrm{x}}=(k_{\mathrm{m}\mathrm{a}\mathrm{x}\_d}^{\text{'}\text{'}}-k_{\mathrm{e}\mathrm{x}\mathrm{p}\_d}{)}^{\mathrm{2}}+(k_{\mathrm{e}\mathrm{x}\mathrm{p}\_d}-k_{\mathrm{m}\mathrm{i}\mathrm{n}\_d}^{\text{'}}{)}^{\mathrm{2}}(13)

求解最优云熵集合的原理是使评价值x_i 对于q组标准等级云的关联度偏差值之和最小，通过构造\mathrm{\Delta }{k}_{\mathrm{m}\mathrm{a}\mathrm{x}}的非线性决策优化模型可以实现，如式（14）所示。通过求解该模型，便可得到每个评价指标在各评价等级上的最优云熵值集合。

\left\{\begin{array}{l}\mathrm{m}\mathrm{i}\mathrm{n}\mathrm{\Delta }{k}_{\mathrm{m}\mathrm{a}\mathrm{x}}(E_n)={\displaystyle \sum _{d=\mathrm{1}}^q}\mathrm{\Delta }{k}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ \mathrm{s}.\mathrm{t}.E_{n\_d}^{\text{'}}\le E_{n\_d}\le E_{n\_d}^{\text{'}\text{'}}\end{array}\right.(14)

3.3 确定评估结果

（1）确定评价标准云。通常可拓云理论指标的分级界限为双约束空间[c_min,c_max]，在考虑边界不确定性的基础上将其拓展为高斯云。以确定的双约束空间为计算依据，需确定三个关键参数，分别是云期望E_x 、云熵E_n 和云超熵H_e。根据云期望的概念定义，其计算式为E_x=(c_{\mathrm{m}\mathrm{i}\mathrm{n}}+c_{\mathrm{m}\mathrm{a}\mathrm{x}})/\mathrm{2}，云超熵则为常数值，通常取0.01，可根据对评价指标的实际经验和不确定性适当调整。

（2）计算云关联度。

k_{ij}=\mathrm{e}\mathrm{x}\mathrm{p}[-(x_i-E_x{)}^{\mathrm{2}}/\mathrm{2}(E_{ni}{)}^{\mathrm{2}}](15)

式中，x_i 为第i个评估指标量值；E_x 、E_n 、H_e为该指标对应某标准等级可拓云的数学特征值；E_ni 为一个期望值为E_n 、标准差为H_e的正态随机数。

（3）风险等级评定。将得到的评价对象的关联度矩阵 Z 与评价指标的综合权重矩阵 W 相结合，通过式(16)计算可得到评价对象的综合评价向量 X。计算综合评判分值r_i，r_i(c)为某评价指标在第i等级的评判分值，maxr_i(c)为某评价指标在所有评价等级中得分最高的评判分值。当r_i(c)=maxr_i(c)时，评价指标和评价等级i之间的关联度最高，根据最大关联度原则，则可判断该指标综合评价结果等级为i级。但关联度仅能判断指标所处的评价等级，对于属于同一等级的指标无法进一步确定其具体评价值。等级特征值表示待评物元偏向相邻等级的贴近程度。因此在确定沙漠路基工程施工风险所处等级的基础上，通过等级特征值判断其在相邻两个等级的偏向程度，等级特征值计算公式如下：

\mathit{X}=\mathit{W}\mathit{Z}(16)

r_i={\displaystyle \sum _{i=\mathrm{1}}^{\mathrm{5}}}{z}_i{f}_i/{\displaystyle \sum _{i=\mathrm{1}}^{\mathrm{5}}}{x}_i(17)

r_i{(c)}^{\mathrm{*}}=\frac{r_i(c)-\mathrm{m}\mathrm{i}\mathrm{n}{r}_i(c)}{\mathrm{m}\mathrm{a}\mathrm{x}{r}_i(c)-\mathrm{m}\mathrm{i}\mathrm{n}{r}_i(c)}(18)

j\mathrm{\text{'}}={\displaystyle \sum _{i=\mathrm{1}}^m}j\times r_i{(c)}^{\mathrm{*}}/{\displaystyle \sum _{i=\mathrm{1}}^m}{r}_i{(c)}^{\mathrm{*}}(19)

式中， W 为综合权重向量； Z 为所有的云关联度组成的综合评判矩阵；x_i 为综合评价向量 X 的分量；f_i 为等级i的得分值；j为等级特征值。

4 案例分析

4.1 项目概况

案例依托新疆乌尉公路包PPP项目S254线尉犁至且末段公路第一合同段，项目位于新疆维吾尔自治区南部，路线穿越塔克拉玛干沙漠腹地，沙漠地势总体呈由南向北微倾之势，海拔自1157 m过渡到885 m，其间大段以沙漠为主。本合同段不良地质主要是风沙，项目区为典型的大陆沙漠性气候，春季多大风、沙暴和浮尘天气，夏季高温干燥，秋季气温下降迅速，气温日差较大，冬季雪少而干冷。本合同段路线全长177.53 km，采用二级公路标准，塔克拉玛干沙漠段设计速度为60 km/h，路基宽度为10 m。路基工程为风积沙路基，包括沙基挖方和沙基填筑，沙漠边缘段修筑施工便道，按照指定的取土场、弃土场，采用挖装运输风积沙。本项目沙漠边缘段路基采取洒水碾压法进行施工，沙漠段采取干压湿法进行施工。防沙工程与沙基施工同步跟进施工。

4.2 确定指标权重

本文组织了10位专家完成评价指标主观权重的确定。专家来自具有8年以上路基工程施工经验的管理人员、技术员、高校资深教授、学者等。首先通过G1法确定指标的主观权重w₁,为了有效削弱专家主观原因在赋权时出现极端数值的影响，通过COWA算子法对G1法确定的指标权重进行修正，得到客观权重w₂，并根据博弈论思想通过式（7）~式（9）计算得到主客观权重的组合系数u₁ =0.461、u₂=0.539 ,以及最终组合权重w*，见表2。图2为三种指标权重计算结果的对比，可以清晰看出组合权重大多介于主观权重和客观权重之间，组合赋权法较好地综合了两种权重值，计算结果更加准确、科学。

4.3 划分评价等级标准云

为了对S254线尉且沙漠公路第一合同段路基工程施工风险进行有效评价，需要对其进行风险等级划分。本文通过文献^[28-30]研究及参考《建设工程项目管理规范》（GB/T 50326—2017）,根据沙漠路基施工风险事件发生的可能性和造成的风险损失，划分5个风险等级，即U=(低风险、中低风险、中风险、中高风险、高风险)，如表3所示；根据沙漠路基工程施工风险等级划分标准，结合式（10）~式（14），确定了指标的各等级云物元，并计算出了指标在各评价等级上的最优云熵，如表3所示。

4.4 评价结果与分析

通过向S254线尉且沙漠公路第一合同段项目管理及施工人员发放问卷30份，根据施工现场实际情况对各评价指标风险程度进行打分。有效收回26份，对收集到的数据进行处理，去掉最高分和最低分，将其余数据求出的平均值作为各施工风险评价指标在该项目中的实际得分。利用打分数据结合组合权重，通过式（15）~式（19）计算各指标的关联度及特征值，为了避免随机数据的偶然性对评价结果造成不利影响，本文选择1000次反复计算不同评价对象的结果，最终得到表4、表5。

由表5可知根据最大关联度原则，可以判断S254线尉且沙漠公路第一合同段路基工程施工风险等级为Ⅱ级，属于中低风险，j=1.70,表明该项目的施工风险等级介于Ⅰ级与Ⅱ级之间，且偏向于Ⅱ级。路基施工整体风险为中低风险，应对风险源进行必要的监测，预防风险扩大。由表4的数据可知，机械因素、材料因素指标风险等级均为Ⅰ级，属于低风险，表明这两个因素对沙漠公路路基工程施工风险的影响程度较小，而人员因素、技术因素和环境因素指标风险等级为Ⅱ级或Ⅲ级，属于中低风险或中风险，在施工过程中需要更加重视，因此，以下着重对人员因素、技术因素和环境因素三个指标进行具体分析：

人员因素指标风险等级为Ⅱ级，属于中低风险，分析人员因素指标的权重和得分，发现C₁₅工人作业能力的权重最大、得分相对较低。该项目位于沙漠内部，施工现场工人主要来源于当地农工，缺乏施工作业经验、工作水平较低。项目部需要加强对施工人员技能培训，尽可能使风险等级从Ⅱ级趋向Ⅰ级。

技术因素指标风险等级为Ⅱ级，属于中低风险，主要是受沙漠地区气候条件和地理位置的影响。根据S254线尉且沙漠公路第一合同段的施工方案可知，该项目在施工过程中通过方案比选选择风积沙路基干压法施工技术、采用草方格固沙边坡防护工程、风积沙沉降观测点等技术，但还需要多考虑提高施工技术水平，有效降低施工风险。

环境因素指标风险等级为Ⅲ级，属于中风险，分析环境因素各指标的权重和得分，发现C₅₂沙漠地区风沙天气权重较大，得分较低。该项目春季多大风、沙暴和浮尘天气，风沙影响项目施工进度、现场工作人员容易受到安全危害。项目部要加大对风沙天气的监测，制订风沙天气专项施工方案，采取积极可靠的工程措施持续降低风险等级。

5 讨论

为了验证最优云熵改进可拓云模型的优势，利用本文案例数据划分不同云熵模型下的标准云图进行比较，并通过与传统物元评价结果进行置信度检验，评估改进模型的先进性。

如图3所示，第一个图形为“3E_n ”云熵下的标准云图，其不同等级间的边界最为清晰，等级划分最为分明；“50%关联度” 确定的云熵下的标准云图，其等级间的边界则最为模糊，通过对其二者进行优化组合，所得出的最优云熵即第三个图形，很好地融合了二者的特点，在不同等级边界的划分上综合体现了分明性和模糊性。

通过对比传统物元模型评估结果，对最优云熵优化可拓云模型进行有效性验证，结果见表6所示, “3E_n ”云熵可拓云模型由于风险等级标准云之间界限分明不相交，计算出的云关联度偏小导致结果偏小；“50%关联度”可拓云模型由于可拓标准云范围更大，可拓评价云与标准云的云关联度更大，因此计算结果偏大。最优云熵可拓云模型计算得到的置信度因子最小，由置信度因子θ的计算原理可知，其值越大说明评价结果越分散，可信程度就越小，反之则可信度越大。可以看出，通过最优云熵算法得到的评价结果相比两种原始方法得到了较大提升，采用最优云熵改进可拓云模型兼顾了上述两种模型计算的云关联度特点，实现了综合云关联度的计算，可信度最高。

6 结论

本文以沙漠公路路基工程为依托，建立了符合沙漠路基施工特征的风险评价指标体系及综合评价模型，对沙漠路基施工风险进行评价，通过案例分析，S254线尉且沙漠公路第一合同段的施工风险等级为Ⅱ级，属于中低风险，且人员、技术和环境因素三个评价指标分别为Ⅱ级、Ⅱ级、Ⅲ级，属于中低风险、中低风险、中风险，应结合实际采取相应的风险防范措施来降低风险，如提高施工工人专业素质、做好防沙固沙工作、加强天气预测等。案例验证了评价模型的有效性，可帮助施工方及时发现风险隐患，提出风险控制意见，提高沙漠路基施工水平，为其他沙漠地区公路建设的施工风险防范提供了理论依据。

针对传统可拓云模型存在的不同云熵确定方法可能会导致冲突的判定结果，通过最优云熵优化可拓云模型，相比较传统物元模型计算结果精度更高，有效适用于模糊、不确定性问题。

参考文献

[1] 马少卿. 路堤式路堑风沙过程数值模拟[J]. 公路, 2023, 68(1): 39-45.

[2] Ma S Q. Numerical simulation on wind-blown sand process of the embankment in cutting[J]. Highway, 2023, 68(1): 39-45.

[3] 聂如松, 钱冲, 刘婞, 等. 风积沙路基填料累积塑性应变及预测模型[J]. 铁道科学与工程学报, 2022, 19(9): 2609-2619.

[4] Nie R S, Qian C, Liu X, et al. Accumulated plastic strain of aeolian sand as subgrade filler and its prediction model[J]. Journal of Railway Science and Engineering, 2022, 19(9): 2609-2619.

[5] 张宏, 刘海洋, 李聪. 风积沙路基土土-水特征曲线温度效应研究[J]. 中国公路学报, 2020, 33(7): 42-49.

[6] Zhang H, Liu H Y, Li C. Temperature effect of soil-water on characteristic curve of aeolian sand subgrade soil[J]. China Journal of Highway and Transport, 2020, 33(7): 42-49.

[7] 张伟. 山区高速公路岩溶地质路基工程施工安全风险评估研究[D]. 杭州: 浙江大学, 2018.

[8] Zhang W. Study on risk assessment of roadbed construction safety of the expressways in Karst region[D]. Hangzhou: Zhejiang University, 2018.

[9] 鲍学英, 李海文. 艰险山区路基工程施工风险分析[J]. 铁道工程学报, 2022, 39(7): 109-115, 121.

[10] Bao X Y, Li H W. Construction risk analysis of subgrade engineering in perilous mountainous areas[J]. Journal of Railway Engineering Society, 2022, 39(7): 109-115, 121.

[11] 黄志雄. 高速公路路基施工工程风险管理分析[J]. 黑龙江交通科技, 2022, 45(10): 150-152.

[12] Huang Z X. Risk management analysis of expressway subgrade construction project[J]. Communications Science and Technology Heilongjiang, 2022, 45(10): 150-152.

[13] 黄发. 高速公路路基施工风险管理系统研究[J]. 西部交通科技, 2020(1): 162-164.

[14] Huang F. Research on risk management system of expressway subgrade construction[J]. Western China Communications Science & Technology, 2020(1): 162-164.

[15] 刘建友, 赵勇, 吕刚, 等. 隧道下穿高速铁路路基风险分级及风险评价方法研究[J]. 现代隧道技术, 2020, 57(6): 8-16, 54.

[16] Liu J Y, Zhao Y, Lv G, et al. Research on risk classification and assessment method for tunnels crossing under high-speed railway subgrade[J]. Modern Tunnelling Technology, 2020, 57(6): 8-16, 54.

[17] Lei M F, Lin D Y, Huang Q Y, et al. Research on the construction risk control technology of shield tunnel underneath an operational railway in sand pebble formation: a case study[J]. European Journal of Environmental and Civil Engineering, 2020, 24(10): 1558-1572.

[18] Yu W B, Zhang T Q, Lu Y, et al. Engineering risk analysis in cold regions: state of the art and perspectives[J]. Cold Regions Science and Technology, 2020, 171: 102963.

[19] 尹紫红, 吕晓楠, 邱裕林, 等. 基于模糊数学理论的下穿既有线路基施工风险评价研究[J]. 路基工程, 2017(5): 20-25.

[20] Yin Z H, Lyu X N, Qiu Y L, et al. Study on the risk evaluation of the construction of underneath passing existing line subgrade based on fuzzy mathematic theory[J]. Subgrade Engineering, 2017(5): 20-25.

[21] 刘娜. 高速公路路基施工工程风险评价与管理研究[D]. 西安: 长安大学, 2015.

[22] Liu N. Study on risk evaluation and management of the highway subgrade construction engineering[D]. Xi'an: Chang'an University, 2015.

[23] 魏永幸. 路基工程风险识别与管理研究[J]. 铁道工程学报, 2013, 30(3): 91-96.

[24] Wei Y X. Research on the risk identification and control of subgrade engineeriong[J]. Journal of Railway Engineering Society, 2013, 30(3): 91-96.

[25] 张晓勇. 浅析路基工程施工质量风险识别与控制措施[J]. 公路交通科技(应用技术版), 2016, 12(8): 150-151.

[26] Zhang X Y. Analysis on risk identification and control measures of subgrade engineering construction quality[J]. Journal of Highway and Transportation Research and Development, 2016, 12(8): 150-151.

[27] 李杨, 侯晓娜. 基于G1-COWA组合赋权的装配式建筑施工风险评价[J]. 华北理工大学学报(自然科学版), 2020, 42(4): 87-92, 99.

[28] Li Y, Hou X N. Risk evaluation of prefabricated building construction based on G1-COWA combination weighting[J]. Journal of North China University of Science and Technology (Natural Science Edition), 2020, 42(4): 87-92, 99.

[29] 陈琳, 李俊南, 魏丽荣, 等. 基于德尔菲法的医院重大疫情应急能力评价指标体系构建研究[J]. 中国医院管理, 2021, 41(6): 1-4.

[30] Chen L, Li J N, Wei L R, et al. Establishment of evaluation indicator system of major epidemic emergency response capability of the hospital based on Delphi method[J]. Chinese Hospital Management, 2021, 41(6): 1-4.

[31] 王乾坤, 朱科, 郭佩文, 等. 基于IM-FCM的装配式建筑施工安全风险评估[J]. 安全与环境学报, 2023, 23(7): 2202-2211.

[32] Wang Q K, Zhu K, Guo P W, et al. Safety risk assessment of prefabricated building construction based on IM-FCM[J]. Journal of Safety and Environment, 2023, 23(7): 2202-2211.

[33] 王连月, 陈证, 曲荣荣. 基于COWA-DEMATEL新型农村社区住房建设项目风险识别[J]. 沈阳大学学报(自然科学版), 2022, 34(3): 227-233.

[34] Wang L Y, Chen Z, Qu R R. Risk identification of new rural community housing construction projects based on COWA-DEMATEL[J]. Journal of Shenyang University (Natural Science), 2022, 34(3): 227-233.

[35] 卢毅, 胡琦伟, 徐家瑜. 基于SEM-物元-云模型的地铁站运营安全评价[J]. 长沙理工大学学报(自然科学版), 2023, 20(5): 171-180.

[36] Lu Y, Hu Q W, Xu J Y. Operation safety evaluation of subway stations based on SEM-matter element-cloud model[J]. Journal of Changsha University of Science & Technology (Natural Science), 2023, 20(5): 171-180.

[37] 李怡辰, 冯仲仁, 吕尔燕. 基于云模型的深水桥梁基础施工风险评估[J]. 中外公路, 2021, 41(1): 164-169.

[38] Li Y C, Feng Z R, Lyu E Y. Risk assessment of deepwater bridge foundation construction based on cloud model[J]. Journal of China & Foreign Highway, 2021, 41(1): 164-169.

[39] 卜波, 綦春明, 罗聪. 基于组合赋权-改进可拓云模型的城市水生态PPP项目绩效综合评价[J]. 工程管理学报, 2022, 36(1): 94-99.

[40] Bu B, Qi C M, Luo C. Comprehensive performance evaluation of urban water ecology PPP project based on combination weighting approach and improved extension cloud model[J]. Journal of Engineering Management, 2022, 36(1): 94-99.

[41] 王黎蝶. 基于博弈-变权可拓云理论的露天矿边坡稳定性评价模型[D]. 昆明: 昆明理工大学, 2021.

[42] Wang L D. Evaluation model of slope stability of open pit mine based on game-variable weight extension cloud theory[D]. Kunming: Kunming University of Science and Technology, 2021.

[43] 王景春, 赵飞, 侯卫红, 等. 基于熵权物元可拓模型的京津冀城市群轨道交通应急能力评估[J]. 河北科技大学学报(社会科学版), 2022, 22(2): 87-93.

[44] Wang J C, Zhao F, Hou W H, et al. Assessment of rail transit emergency response capability in Beijing-Tianjin-Hebei urban agglomeration based on entropy power elemental topologizable model[J]. Journal of Hebei University of Science and Technology (Social Sciences), 2022, 22(2): 87-93.

[45] 李冬, 杨攀飞, 廉建芳, 等. 基于改进INFO算法的新型可拓云计算机性能评估模型[J]. 计算机应用研究, 2023, 40(12): 3614-3620.

[46] Li D, Yang P F, Lian J F, et al. Extension cloud computer performance evaluation model based on improved INFO algorithm[J]. Application Research of Computers, 2023, 40(12): 3614-3620.

[47] Mahadeva R, Kumar M, Gupta V, et al. Modified whale optimization algorithm based ANN: A novel predictive model for RO desalination plant[J]. Scientific Reports, 2023, 13(1): 2901.

[48] 刘云鹏, 许自强, 付浩川, 等. 采用最优云熵改进可拓云理论的变压器本体绝缘状态评估方法[J]. 高电压技术, 2020, 46(2): 397-405.

[49] Liu Y P, Xu Z Q, Fu H C, et al. Insulation condition assessment method of power transformer based on improved extension cloud theory with optimal cloud entropy[J]. High Voltage Engineering, 2020, 46(2): 397-405.

[50] 欧阳中辉, 郭遨宇, 刘文彪, 等. 基于改进可拓云的岸舰导弹武器系统训练评估方法[J]. 兵器装备工程学报, 2020, 41(4): 58-64.

[51] Ouyang Z H, Guo A Y, Liu W B, et al. Training evaluation of shore-to-ship missile weapon system based on improved extension cloud[J]. Journal of Ordnance Equipment Engineering, 2020, 41(4): 58-64.

[52] 杜倩倩. 铁路路基工程风险分类及评价研究[J]. 价值工程, 2017, 36(26): 55-57.

[53] Du Q Q. Study on risk classification and evaluation of railway subgrade engineering[J]. Value Engineering, 2017, 36(26): 55-57.

[54] 翁效林, 李世鑫, 杨晓东, 等. 基于最优赋权-可拓云模型的缓倾围岩隧道底部变形风险综合评价[J]. 辽宁工程技术大学学报(自然科学版), 2023, 42(6): 656-663.

[55] Weng X L, Li S X, Yang X D, et al. Comprehensive evaluation of flat rock tunnel bottom deformation risk based on optimal weighting-extension cloud model[J]. Journal of Liaoning Technical University (Natural Science), 2023, 42(6): 656-663.

[56] 柳本民, 史冰玉, 邓润竹. 基于可拓云模型的山区公路运营风险评价[J]. 交通与运输, 2023, 39(3): 19-24.

[57] Liu B M, Shi B Y, Deng R Z. Risk assessment of mountain highway operation based on extension cloud model[J]. Traffic & Transportation, 2023, 39(3): 19-24.

基金资助

湖南交通科技进步与创新项目(201330)