محسن جهانخواه؛ محمودرضا دلاور؛ بهزاد مشیری؛ مهدی زارع
چکیده
ارزیابی آسیبپذیری لرزهای، یک مسئله تصمیمگیری چندمعیاره بر اساس اطلاعات مکانی است که وزن و اهمیت هر کدام از این معیارها توسط افراد خبره تعیین میشود. اطلاعات مکانی با عدم قطعیتهایی همراه است. یکی از روشهای تلفیق این اطلاعات، تئوری استدلال شهودی است. این تئوری بر اساس فرض استقلال منابع اطلاعاتی است که در بسیاری از موارد از ...
بیشتر
ارزیابی آسیبپذیری لرزهای، یک مسئله تصمیمگیری چندمعیاره بر اساس اطلاعات مکانی است که وزن و اهمیت هر کدام از این معیارها توسط افراد خبره تعیین میشود. اطلاعات مکانی با عدم قطعیتهایی همراه است. یکی از روشهای تلفیق این اطلاعات، تئوری استدلال شهودی است. این تئوری بر اساس فرض استقلال منابع اطلاعاتی است که در بسیاری از موارد از جمله دادههای مکانی، فرض صحیحی نیست. در این نوشتار یک روش تصمیمگیری چندمعیاره هوشمند بر اساس قانون ترکیب یکپارچه هوشیار (Cautious Conjunctive Rule) برایارزیابیآسیبپذیری لرزهای شهر تهران با فرض فعال شدن گسل شمال تهران ارائه شده است. همچنین فرض شده است که فعال شدن این گسل تأثیری در فعال شدن دیگر گسلهای شهر تهران ندارد. این قانون ترکیب نیاز به فرض استقلال منابع اطلاعاتی ندارد و میتواند برای استفاده از دادههایی که همپوشانی اطلاعاتی دارد و همراه با عدم قطعیت هستند بهکار گرفته شود.
بهزاد تخم چی؛ حسین معماریان؛ حسین احمدی نوبری؛ بهزاد مشیری
چکیده
درزهنگاری در پروژههای اکتشاف نفت و معدن، مطالعات ساختگاهی و زمینشناسی، اهمیت فوقالعادهای دارد. به طور معمول، بسته به هدف از مطالعه درزهها، ویژگیهای مختلفی از آنها به صورت برجا برداشت میشود. برای مثال در مطالعات مخزن، علاوه بر ویژگیهای ساختاری، بررسی میزان بازشدگی و پرشدگی درزهها و شبکه ارتباطی آنها، برای مدلسازی ...
بیشتر
درزهنگاری در پروژههای اکتشاف نفت و معدن، مطالعات ساختگاهی و زمینشناسی، اهمیت فوقالعادهای دارد. به طور معمول، بسته به هدف از مطالعه درزهها، ویژگیهای مختلفی از آنها به صورت برجا برداشت میشود. برای مثال در مطالعات مخزن، علاوه بر ویژگیهای ساختاری، بررسی میزان بازشدگی و پرشدگی درزهها و شبکه ارتباطی آنها، برای مدلسازی جریان سیال، اهمیت ویژهای دارد. اما از آنجا که درزهها ماهیت پیچیدهای دارند، اغلب شناخت آنها بدون ردهبندی ممکن نیست. لذا توجه به این نکته ضروری است که در ردهبندی درزهها، از کلیه ویژگیهای تأثیر گذار در تفسیر نتایج ردهبندی استفاده شود. این در حالیست که به صورت متداول، حداکثر دو ویژگی شیب و جهت شیب، برای ردهبندی درزهها مورد استفاده قرار میگیرند و دیگر ویژگیها، نادیده گرفته میشوند. در این مقاله، روشی جدید برای ردهبندی درزهها ارائه شده است.
برای بررسی کارایی و مزیت روش جدید، یک مجموعه مصنوعی از درزهها، شامل 8 دسته درزه ساخته شده است و برای هر درزه، 4 ویژگی شیب، جهت شیب، میزان پُرشدگی و نوع پُرکننده در نظر گرفته شده است، به گونهای که جدایش دسته درزهها بر اساس ویژگیهای شیب و جهت شیب ناممکن باشد. سپس برنامههایی برای استفاده از روش ردهبندی بیزین (Bayesian)، نوشته شده و در فضای 4 بُعدی نسبت به ردهبندی دادههای مصنوعی اقدام شده است. به این ترتیب اثبات شده که با دقت بسیار مطلوبتری، کلیه 8 دسته درزه را میتوان از هم تفکیک کرد.