نوع مقاله : مقاله پژوهشی
نویسندگان
1 کارشناسی ارشد، دانشکده فنی، دانشگاه تهران، تهران، ایران
2 استاد، دانشکده فنی، دانشگاه تهران، تهران، ایران
3 دانشیار، دانشکده فنی، دانشگاه تهران، تهران، ایران
4 کارشناسی ارشد، سازمان زمینشناسی و اکتشافات معدنی کشور، تهران، ایران
چکیده
فرونشست یک پدیده زیست محیطی، بهمعنی نشست تدریجی و یا پایین رفتن ناگهانی سطح زمین بهدلیل تراکم مواد زیر سطحی است. برداشت بیش از حد از آبهای زیرزمینی، که ناشی از نیاز روزافزون به منابع آب است، یکی از دلایل اصلی رخداد این پدیده به شمار میآید. پدیده فرونشست در مناطق مسکونی، صنعتی و کشاورزی میتواند آثار تخریبی فاجعه باری به دنبال داشته باشد. نمونه آشکار این پدیده در دشت تهران به چشم میخورد. اگر چه همبستگی بالای موجود میان فرونشست زمین از یک سو و کاهش تراز سطح آب زیرزمینی و تغییر در ویژگیهای مکانیکی لایههای زیرسطحی از سوی دیگر تا حد زیادی شناخته شده و تلاشهای چندی برای شناخت کامل این پدیده صورت گرفته است، ولی تاکنون مدل جامع و دقیقی از پیشبینی فرونشست ارائه نشده است. مدلسازی پدیده فرونشست که یکی از پیچیدهترین مسائل در حوزه علوم زمین است میتواند به درک بهتر این پدیده و جلوگیری احتمالی از خسارات ناشی از آن بیانجامد. روشهای عددی متداولی که برای مدلسازی این پدیده بهکار میروند، بیشتر بر پایه فرضیات ساده کنندهای بنا شدهاند که سبب میشوند نتایج حاصل از این مدلها دقت کمی داشته باشند. در این پژوهش رهیافت جدیدی برای پیشبینی میزان فرونشست زمین با استفاده از روشهای هوشمند، مانند شبکههای عصبی مصنوعی، پیشنهاد شده و کارایی رهیافت پیشنهادی در یک منطقه مورد مطالعه (دشت جنوب تهران) مورد بررسی قرار گرفته است. در جریان این پژوهش، تأخیر زمانی میان برداشت آب زیرزمینی و فرونشست، با مقایسه معادلات حاکم بر هیدورگرافها و دادههای سامانههای موقعیتیاب جهانی موجود در ایستگاههای نظارتی و به کمک الگوریتمهای ژنتیک معادل 27 ماه به دست آمد. متغیرهای ورودی مدل شامل تغییرات سطح آبزیرزمینی، بسامد طبیعی خاک، ستبرای رسوبات، مختصات نقاط و زمان و کمیت خروجی مدل، تغییرات فرونشست برآورد شده با استفاده از روش تداخلسنجی امواج راداری بوده است. مدل یاد شده در 15 بازه زمانی ساخته و در ساخت آن از مجموعه دادههای آزمون که با دادههای استفاده شده در ساخت مدل، فاصلهای 4 ماهه داشتهاند، استفاده شد. مقایسه مقدار پیشبینی شده توسط مدل و مقدار واقعی فرونشست، نشانگر تطابق خوب دو دسته نتایج و قابلیت اعتماد مدل پیشنهادی است.
کلیدواژهها