1کارشناسی ارشد، دانشکده فنی، دانشگاه تهران، تهران، ایران
2استاد، دانشکده فنی، دانشگاه تهران، تهران، ایران
3دانشیار، دانشکده فنی، دانشگاه تهران، تهران، ایران
4کارشناسی 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.
Dynamic Modeling of Land Subsidence in Tehran Plain
نویسندگان [English]
S Angornai1؛ H Memarian2؛ M Shariat Panahi3؛ M.J Bolourchi4
1M. Sc., College of Engineering, University of Tehran, Tehran, Iran
2Professor, College of Engineering, University of Tehran, Tehran, Iran
3Associate Professor, College of Engineering, University of Tehran, Tehran, Iran
4M. Sc., Geological Survey of Iran, Tehran, Iran
چکیده [English]
Land subsidence is an environmental phenomenon that involves gradual or sudden settlement of the land surface because of compaction of underground material. Groundwater withdrawal, which occurs due to excessive use of water resources, is among the most important reasons for this phenomenon. Therefore, land subsidence can lead to destructive results in residential, industrial and agricultural areas. As a result, subsidence caused by excessive use of groundwater resources has occurred in many countries in the world. Tehran metropolitan plain in Iran is one of the most obvious examples, where land subsidence is happening. Although the relationship between land subsidence, groundwater level decline and changes in the physical properties of subsurface material is broadly understood, a comprehensive and precise model to predict land subsidence remains unconstrained. Land subsidence modeling is a complicated matter in geological engineering but can help to better understand subsidence and possibly prevent damages. The commonly used numerical methods for modeling land subsidence are generally based on simple assumptions, which make the model results to be associated with some errors. In this study, artificial intelligent methods such as Artificial Neural Networks (ANN) were used to propose a new method to predict land subsidence. The efficiency of this method was then tested in the South Tehran plain as a case study. We have used hydrological, geotechnical, remote sensing and ambient vibrations for site effect investigations. First, the collected data was studied statistically. Then, the delay between groundwater withdrawal and subsidence was computed by genetic algorithms using available hydrographs and GPS data in a period of 27 months. Model input parameters include changes in groundwater level, natural frequency of soil, alluvial thickness, defined geographic coordinates and time. The model output was an estimated subsidence measured by radar interferometry method. The model was built in 15 time steps using a set of data having 4 months of time difference with the data used to create the model. The comparison between the predicted (modeled) and real (measured by remote sensing) subsidence shows a good correlation, which makes the proposed model reliable.
کلیدواژه‌ها [English]
Land subsidence, ground waters, Subsidence Modeling, Artificial Neural Networks, Genetic Algorithms, Tehran Plain
ابتدای صفحه