سعید انگورانی؛ حسین معماریان؛ مسعود شریعت پناهی؛ محمد جواد بلورچی
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 ...
بیشتر
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.
امید معماریان سرخابی؛ یحیی جمور
چکیده
مطالعات ژئودینامیک در ایران بهطور جدی از سال 1377 با استقرار شبکههای موردی GPS برای پایش تغییرات پوسته زمین آغاز شد. پس از استقرار شبکه ژئودینامیک سراسری در سال 1385، هر ساله میدان سرعت ایستگاههای دائمی GPS این شبکه توسط سازمان نقشهبرداری کشور محاسبه و گزارش میشود. برای تولید سرعت نقاط ژئودتیک در هر نقطه دلخواه دیگر، به دلیل تراکم ...
بیشتر
مطالعات ژئودینامیک در ایران بهطور جدی از سال 1377 با استقرار شبکههای موردی GPS برای پایش تغییرات پوسته زمین آغاز شد. پس از استقرار شبکه ژئودینامیک سراسری در سال 1385، هر ساله میدان سرعت ایستگاههای دائمی GPS این شبکه توسط سازمان نقشهبرداری کشور محاسبه و گزارش میشود. برای تولید سرعت نقاط ژئودتیک در هر نقطه دلخواه دیگر، به دلیل تراکم پایین ایستگاههای دائمی GPSکشور، نیاز به ایستگاههای جدید با مشاهدات بیشتر یا استفاده از روشهای مدرن و هوشمند است. از آنجاکه ایجاد ایستگاههای جدید مستلزم صرف هزینه و زمان زیاد است، بنابراین بهکارگیری روشهای تخمین میتواند جایگزین مناسبی قلمداد شود. از جمله این روشها میتوان شبکههای عصبی مصنوعی را نام برد. مهمترین مزیتهای این روش یادگیری شبکهها، پردازش موازی و انعطافپذیری محاسبات است. بدین منظور در این پژوهش، با انتخاب 42 ایستگاه دائمی GPS در شمال باختر کشور، میدان سرعت منطقه با دو روش تخمین "پسانتشار خطای شبکههای عصبی مصنوعی" و "کالوکیشن" در دو مدل متفاوت برآورد و مقایسه شدند. نتایج حاصل نشان میدهند در مدل اول با تراکم ایستگاههای مرجع کمتر روش "پسانتشار خطای شبکههای عصبی مصنوعی" با جذر خطای میانگین مربعی در حدود 2± میلیمتر خاوری، 5/3 ± میلیمتر شمالی به علت دارا بودن جذر خطای میانگین مربعی کمتر، نسبت به روش "کالوکیشن" برتری دارد. همچنین در مدل دوم"پسانتشار خطای شبکههای عصبی مصنوعی" دارای جذر خطای میانگین مربعی در حدود 1± میلیمتر خاوری، 5/1± میلیمتر شمالی بوده و روشی جایگزین برای تخمین میدان سرعت نسبت به روشهای تخمین کلاسیک است.
اردشیر هزارخانی؛ پژمان طهماسبی؛ امید اصغری
چکیده
جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار میرود که به داشتن دید بهتری از منطقه و شناخت نواحی کانیساز کمک شایانی میکند. بیشتر روشهای جدایش دگرسانیها بر اساس مشاهدات سنگشناسی است و کمتر، از روشهای دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکههای عصبی نوعRBPNN (Radial ...
بیشتر
جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار میرود که به داشتن دید بهتری از منطقه و شناخت نواحی کانیساز کمک شایانی میکند. بیشتر روشهای جدایش دگرسانیها بر اساس مشاهدات سنگشناسی است و کمتر، از روشهای دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکههای عصبی نوعRBPNN (Radial Basis Probabilistic Neural Network) این مناطق را جدا نمود. این شبکهها به علت ساختار منحصر به فرد و طراحی آسان آنها، بیشتر در مسائل طبقهبندی مورد استفاده قرار میگیرند. دادههای ورودی مورد استفاده در این مطالعه، تجزیههای شیمیایی 12 اکسید و 16 عنصر (28 متغیر) عنصر مربوط به 45 نمونه ژئوشیمیایی بودند که خروجی آن نیز مناطق دگرسانی (پتاسیک، انتقالی و فیلیک) هستند که برای هرکدام از دادههای ورودی کدگذاری شدهاند. پس از انتخاب دادههای آموزشی و تست، شبکه برای آموزش آماده، و دادهها همراه با خروجی آنها به شبکه داده شد. بر اساس نتایج بهدست آمده از این بررسی، شبکه توانست رابطه فضایی پیچیده مابین ورودیها که یک فضای 28 متغیره است را تشخیص داده و همچنین توانست دگرسانیها را به درستی طبقهبندی نماید. به صورتی که مقدار MSE (میانگین مربعات خطا) 0163/0 بهدست آمد که خود حاکی از کارکرد مطلوب شبکه در این امر است.