عنوان پایان‌نامه
بررسی آسیب پذیری لرزه ای شهر تهران با استفاده از تلفیق تئوری محا سبات دانه ای وشبکه عصبی مصنو عی
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3481;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78743;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3481;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78743
- تاریخ دفاع
- ۱۳ شهریور ۱۳۹۵
- دانشجو
- حسین شیخیان
- استاد راهنما
- محمودرضا دلاور
- چکیده
- زلزله یکی از مخرب ترین بلایای طبیعی است که غیرقابل پیش بینی بودن آن در مکان، زمان و شدت، آن را به تهدید بسیار بزرگی تبدیل می کند. بنا شدن گستره شهر تهران بر روی سه گسل اصلی و گسل های متعدد دیگر، وجود درصد قابل توجهی از ساختمان های قدیمی و یا غیرمهندسی ساخت در کنار جمعیت انبوه، این کلان شهر را مستعد وقوع زمین لرزه های قدرتمند و آسیب‌پذیر نموده است. کاهش خسارات ناشی از زمین لرزه، مستلزم شناخت آسیب پذیری در مقابل زمین لرزه است. تعیین آسیب پذیری در برابر زمین لرزه به معیارهای متعددی وابسته است و از این رو، مدل های تصمیم گیری چندمعیاره برای حل آن به کار می روند. ارزیابی آسیب پذیری در این تحقیق در سطح حوزه های آماری انجام می شود. داده¬های مورد استفاده برای هر حوزه آماری شامل شدت زمین لرزه، شیب متوسط زمین، درصد ساختمان های ضعیف دارای چهار طبقه و کمتر، درصد ساختمان های ضعیف بالای چهارطبقه، درصد ساختمان های ساخته شده قبل از سال 1345، درصد ساختمان های ساخته شده بین سال های 1345 و 1368 هستند. هدف از تحقیق حاضر، تهیه نقشه آسیب‌پذیری لرزه‌ای فیزیکی شهر تهران با تلفیق روش محاسبات دانه‌ای و شبکه عصبی مصنوعی به منظور ایجاد یک شبکه کلاسه بندی کننده می باشد. قوانین کلاسه بندی توسط محاسبات دانه ای از داده های نمونه که آسیب پذیری آن ها توسط کارشناسان تعیین شده است، استخراج شد و از این قوانین برای تشکیل ساختار شبکه شبه عصبی پیشنهادی استفاده شد. در نهایت از شبکه تشکیل شده برای تعیین کلاس آسیب پذیری حوزه های آماری شهر تهران استفاده شد. این شبکه برخی از معایب مهم محاسبات دانه ای که در گذشته برای ارزیابی آسیب پذیری لرزه ای شهر تهران استفاده شده بود را پوشش می دهد. ازجمله این معایب می توان به کلاسه بندی نشدن تمام داده ها و استفاده از تنها یک قانون برای کلاسه بندی داده ها اشاره کرد. در شبکه پیشنهادی بجای استفاده از یک قانون، از تمام اطلاعات ممکن برای تصمیم گیری در مورد کلاس خروجی یک داده ورودی استفاده می شود. از مزایای دیگر این شبکه شفاف بودن و دارای معنا بودن اجزای آن می باشد، به طوری که در آن تمام گره ها و ارتباطات بین آن ها دارای معنای فیزیکی هستند و به راحتی قابل درک می باشند. در این پایان‌نامه، نقشه آسیب‌پذیری لرزه‌ای فیزیکی شهر تهران با استفاده از تلفیق روش محاسبات دانه-ای و شبکه عصبی مصنوعی با در نظر گرفتن چهار سناریو شامل فعال شدن گسل شمال تهران، فعال شدن گسل ری، فعال شدن گسل مشا و سناریوی اثر تجمیعی سه گسل فوق، تولید شده است. به منظور کاهش عدم قطعیت، نظرات کارشناسان در مورد آسیب پذیری لرزه ای فیزیکی نمونه های تمرینی انتخاب شده از مجموعه داده ها با استفاده از روش دمسفر-شافر ترکیب شد. هم چنین، از روش میانگین وزن دار ترتیبی هدایت¬یافته برای تجمیع نظر کارشناسان در مورد اهمیت معیارها استفاده شد. دقت کلی نقشه آسیب‌پذیری بدست آمده نسبت به نظر کارشناس برای کل شهر تهران 88 % بوده است که در مقایسه با تحقیقات پیشین، حاکی از مناسبت روش پیشنهادی در حل مسئله تصمیم‌گیری چند معیاره ارزیابی آسیب پذیری لرزه ای است. علاوه براین، نقشه های آسیب پذیری لرزه ای فیزیکی به دست آمده برای تهران، آسیب پذیری بالای تهران، به خصوص نواحی جنوبی آن، در برابر زمین لرزه های احتمالی را تایید کردند. فعال شده هم زمان سه گسل یاد شده، بیشترین آسیب پذیری را به تهران تحمیل خواهد کرد.
- Abstract
- Tehran, the capital of Iran, is surrounded by the North Tehran fault, the Mosha fault and the Rey fault. This exposes the city to possibly huge earthquakes followed by dramatic human loss and physical damage, in particular as it contains a large number of non-standard constructions and aged buildings. Estimation of the likely consequences of an earthquake facilitates mitigation of these losses. Mitigation of the earthquake fatalities may be achieved by promoting awareness of earthquake vulnerability and implementation of seismic vulnerability reduction measures. This study proposes multi-criteria group decision making to address seismic physical vulnerability assessment. Granular computing rule extraction is combined with a feed forward artificial neural network to form a classifier capable of training a neural network on the basis of the rules provided by granular computing. It provides a transparent structure despite the traditional multi-layer neural networks. It also allows the classifier to be applied on a set of rules for each incoming pattern. Drawbacks of original granular computing (GrC) are covered, where some input patterns remained unclassified. The study was applied to classify seismic vulnerability of the statistical units of the city of Tehran, Iran. Slope, seismic intensity, height and age of the buildings were effective parameters. Experts ranked 150 randomly selected sample statistical units with respect to their degree of seismic physical vulnerability. Inconsistency of the experts’ judgments was investigated using the induced ordered weighted averaging (IOWA) operator. 55 classification rules were extracted on which a neural network was based. An overall accuracy of 88%, ? = 0.85 and R2 = 0.89 were achieved. A comparison with previously implemented methodologies proved the proposed method as the most accurate solution to the seismic physical vulnerability of Tehra
