Identifying climatic hazard importance factors for bridges using expert-based fuzzy analytic hierarchy process
Notice bibliographique
Résumé
Bridges are critical components of ground transportation infrastructure, yet current design provisions remain rooted in historical climate assumptions that diverge sharply from projected future conditions. As climate change progresses, particularly under higher-emission scenarios such as RCP8.5, infrastructure managers require a systematic and quantitative basis for identifying hazards that pose significant risk to bridges and for prioritizing adaptation measures. This study develops and validates an adaptive fuzzy analytic hierarchy process (FAHP) protocol for deriving climatic hazard importance factors (CHIFs) across a three-tier hierarchy that links four hazards (temperature, wind, rainfall, and ice accretion) to bridge systems and components. Expert judgment was elicited from structural engineers, researchers, and asset managers through a fuzzy pairwise comparison method. For a representative simply supported concrete bridge, rainfall emerged as the most critical hazard (CHIF = 0.35), followed by temperature (0.26), wind (0.22), and ice accretion (0.17). The protocol produces CHIFs not only at the overall bridge level but also at the system and component levels, enabling targeted adaptation strategies—for example, drainage improvements for decks (CHIF = 0.48) and cold-weather sealing for expansion joints (CHIF = 0.34). The methodology offers four key contributions: (1) a replicable, uncertainty-aware framework for multi-hazard weighting applicable to any geographic context, (2) quantitative inputs for revising Canadian Highway Bridge Design Code load combinations, (3) decision support for prioritizing the rehabilitation of climate-vulnerable components, and (4) network-level asset ranking to guide limited adaptation budgets. By translating expert insight into scale-ready metrics, the protocol bridges the gap between climate projections and engineering decision-making. • Develops AHP hierarchy for bridge risk from temperature, wind, rain, ice. • Surveys 8 Canadian bridge experts across systems and components. • 46 pairwise comparisons capture hazard, system, and component weights. • Aggregates judgments via geometric mean; CR ≤ 0.088 across levels. • Provides prioritized weights to guide climate-aware bridge design/asset mgmt.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».