پهنه‌بندی شاخص کیفی سنگ در ساختگاه سد سمیلان، براساس گسل‌ها و شبکه عصبی خودسازمانده

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده فنی، دانشگاه تهران، تهران، ایران

چکیده

پهنه‌بندی، یکی از مباحث مهم، در علوم‌زمین به شمار می­آید. در پهنه‌بندی، یک محدوده به چند بخش یا پهنه مجزا تقسیم و در نهایت از ترکیب نتایج پهنه­های مختلف، یک مدل واحد حاصل می­شود. در این مطالعه، از روش‌های خوشه‌بندی برای پهنه‌بندی سد سمیلان استفاده شده است. تعداد بهینه خوشه­ها براساس متغیر ژئوتکنیکی (لوژون و شاخص کیفی سنگ) و مقادیر شاخص‌گذاری شده سنگ‌شناسی و درجه اهمیت ساختگاه سد سمیلان تعیین شده است. براساس رتبه‌بندی 7 شاخص اعتبار‌سنجی خوشه‌بندی، تعداد بهینه خوشه‌‌ها برابر با 4 بهدست آمد. در این مقاله، از روش خوشه‌بندی براساس شبکه عصبی خودسازمانده، به‌همراه نحوه قرارگیری گسل‌ها، برای پهنه‌بندی استفاده شده است. در حالت اول، براساس گسل‌ها، پهنه به 4 بخش تقسیم شد که نوعی پهنه‌بندی دوبعدی است که این پهنه‌بندی در ژرفا‌های مختلف، یکسان و مستقل از بعد سوم (ژرفا) بوده و هر گمانه به‌یک پهنه اختصاص داده ‌شد. در حالت دوم، از روش نقشه خودسازمانده (SOM) که نوعی شبکه عصبی با قابلیت خوشهبندی است، استفاده شد. داده‌های ورودی این شبکه، شامل3 متغیر جهتی (X,Y,Z)، متغیر ژئوتکنیکی (لوژون و شاخص کیفی سنگ)، مقادیر شاخص‌گذاریسنگ‌شناسی و درجه اهمیت ساختگاه سد سمیلان است. در مرحله بعد، 7 متغیر ورودی به‌صورت بهنجارشده (در دامنه 0 تا 1) برای آموزش وارد شبکه شده و خروجی شبکه براساس شاخص‌های اعتبارسنجی خوشه‌ها، داده‌ها به‌چهار پهنه (خوشه) مجزا اختصاص داده شد. سپس برای تعیین توزیع فضایی شاخص کیفی سنگ، اطلاعات مرتبط به ‌واریوگرافی و ناهمسانگردی در هر چهار پهنه برای دو حالت محاسبه شد. مبنای خوشه‌بندی صحیح، بیشترین تفاوت بینخوشه‌ای و بیشترین تشابه درون‌خوشه­ای است. برای بررسی و اعتبارسنجی دو حالت خوشهبندی، از شاخص کیفیت خوشه‌بندی استفاده شد. شاخص کیفیت خوشه‌بندی به‌‌صورت مجموع اختلاف میانگین بین هر دو خوشه تقسیم بر مجموع انحراف معیار خوشه‌ها تعریف شد که مقادیر بیشینه این شاخص، معرف کیفیت بهتر خوشهبندی است. در این بررسی مشخص شد که خوشه‌بندی با استفاده از شبکه عصبی خودسازمانده، کیفیت بالاتری نسبت به‌خوشه‌بندی بر اساس گسل‌ها دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Zoning of RQD Parameter, Based on Faults and Self-Organizing Map in Semilan Dam Site

نویسندگان [English]

  • A. Hossein Morshedy
  • H. Memarian
School of Mining Engineering, University of Tehran, Tehran, Iran
چکیده [English]

Zoning is an important practice in earth sciences. In zonation, the study area is divided into separate parts and by compiling the results of these parts, a unique model is obtained. In this study, clustering methods are applied for zoning of Semilan dam site. Optimal number of clusters are measured based on geotechnical parameters (lugeon, RQD), the importance of various dam structures and lithology indicators. By ranking of 7 clustering validity indexes, the optimum number of clusters found to be 4. In this paper, clustering was performed by faults locations and self-organizing neural network. In the former case, the study area was divided into four zones based on faults. This two dimensional zoning is independed of the third dimension (depth) and each sample belonged to a cluster. In the later case, a self-organizing map (SOM), which is a kind of neural network capable of clustering, was used. The SOM input data consists of, three dimensional parameters (X,Y,Z), geotechnical parameters (lugeon, RQD) and finally indicators of importance of various dam structures and lithology. Then, 7 input parameters were normalized between 0 to 1 and entered the network for training.The output data were allocated to four zones (clusters). For RQD spatial distribution realization, variography and anisotropy parameters for all four zones were calculated for both cases, Based on the main principal of clustering method which is maximum difference between clusters and maximum similarity between members of each cluster, performance and validation of two cases of clustering, RQD data were defined. Clustering quality index defined as sum of mean differences between two clusters divided by sum of standard deviation of clusters. Maximizing of this index is optimal solution. This study showed that clustering by SOM gives more accurate results than clustering by faults.

کلیدواژه‌ها [English]

  • Zoning
  • clustering validity index
  • RQD
  • Self-organizing map (SOM)
  • Anisotropy
  • semilan dam
  • Iran
حسین مرشدی، ا.، معماریان، ح.، 1387- پیشنهاد روشی برای تعیین محل حفاری‌های جدید، بر اساس کریجینگ شاخص. نشریه انجمن زمین‎شناسی مهندسی ایران، جلد اول، شماره سوم و چهارم، ص. 58-45.
حسین مرشدی، ا.، معماریان، ح.، 1389- طراحی مرحله‌ای شبکه نمونه‌برداری، بر اساس متغیر‌های ژئوتکنیکی و خصوصیات کیفی ساختگاه سد سمیلان، با استفاده از کریجینگ و شبکه عصبی. نشریه انجمن مهندسی معدن ایران، دوره پنجم، شماره دهم، ص. 20-1.
مهندسین مشاور مهاب قدس، 1387- زمین‌شناسی ساختگاه سد سمیلان.
 
References
Calinski, T. & Harabasz, J., 1974- A dendrite method for cluster analysis. Communications in Statistics 3, 1-27.
Clayton, C. R., Matthews M. C. & Simons N. E., 1995- Site investigation: a handbook for engineers. Blackwell, Oxford.
Davies, D. L. & Bouldin D. W., 1979- A cluster separation measure, IEEE Trans. Pattern Anal. Machine Intell. 1 (4). 224-227.
Demuth, H., Beale, M. & Hagan, M., 2008- Neural Network Toolbox (MATLAB), version 6, The MathWorks, Inc.
Dunn J. C., 1974- Well separated clusters and optimal fuzzy partitions, J. Cybern. 4. 95-104.
Hartigan, J. A., 1975- Clustering Algorithms. Wiley Series in Probability and Mathematical Statistics, John Wiley & Sons, Inc. New York.
Hubert, L. & Schultz, J., 1976- Quadratic assignment as a general data-analysis strategy. British Journal of Mathematical and Statistical Psychologie 29. 190-241.
Krzanowski, W., Lai, Y., 1985- A criterion for determining the number of groups in a dataset using sum of squares clustering. Biometrics 44, 23–34.
Myers, D. E. & Journel, A. G., 1990- Variograms and Zonal Aniostropies and Noninvertable Kriging Systems. Mathematical Geology 22(7), 779-785.
Rousseeuw, P. J., 1987- Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20, 53-65.
Schatzmann, J., 2003- Using Self-Organizing Maps to Visualize Clusters and Trends in Multidimensional Datasets. Department of Computing Data Mining Group, Imperial College, London.
Topchy, A. & Punch, J. W., 2003- Combining multiple weak clusterings Proc. Third IEEE International Conference on Data Mining (ICDM'03), 331-338.
Vann, J. & Geoval, D. G., 2003- Beyond Ordinary Kriging "An Overview of Non-linear Estimation". Geostatistical Association of Australasia (GAA), 6-25.
Vesanto, J. & Alhoniemi, E., 2000- Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks 11(3), 586-600.
Vesanto, J., Himberg, J., Alhoniemi, E. & Parhankangas, J., 2000- SOM Toolbox for Matlab 5. Helsinki University of Technology.
Wang, K., Wang, B. & Peng, L., 2009- CVAP: Validation for cluster analyses. Data Science Journal 8, 88-93.
Webster, R. & Margaret, A., 2007- Geostatistics for Environmental Scientists, Wiley.
Wingle, W. L., 1997- Evaluating Subsurface Uncertainty Using Modified Geostatistical Techniques. Degree of Doctor of Philosophy (Geological Engineer), Colorado School of Mines.
Wingle, W. L. & Poeter, E. P., 1996- Evaluating Subsurface Uncertainty Using Zonal Kriging Uncertainty. '96 (ASCE), University of Wisconsin.