عنوان پایان‌نامه
مدلسازی فرونشست دشت جنوب تهران
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1895;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47658
- تاریخ دفاع
- ۲۶ دی ۱۳۸۹
- استاد راهنما
- عبدالوحید آغاسی, حسین معماریان
- دانشجو
- سعید انگورانی
- چکیده
- فرونشست یک پدیده زیست محیطی، به‌معنی نشست تدریجی و یا فرورفتگی ناگهانی سطح زمین به‌دلیل تراکم مواد زیر سطحی می باشد. برداشت بیش از حد از آب های زیرزمینی که ناشی از نیاز روزافزون به منابع آب است یکی از دلایل اصلی وقوع این پدیده به شمار می آید. پدیده فرونشست در مناطق مسکونی، صنعتی و کشاورزی می تواند آثار تخریبی فاجعه باری بدنبال داشته باشد. نمونه بارز این پدیده در دشت تهران به چشم می خورد. اگرچه همبستگی بالای موجود بین فرونشست زمین از یکسو و کاهش تراز سطح آب زیرزمینی و تغییر در خواص مکانیکی لایه های زیرسطحی از سوی دیگر تا حد زیادی شناخته شده و تلاش های چندی برای شناخت کامل این پدیده صورت گرفته است ولی تاکنون مدل جامع و دقیقی پیش بینی فرونشست ارائه نشده است. مدلسازی پدیده فرونشست که یکی از پیچیده ترین مسائل در حوزه علوم زمین می باشد می تواند به درک بهتر این پدیده و جلوگیری احتمالی از خسارات ناشی از آن بینجامد. روش های عددی متداولی که برای مدلسازی این پدیده بکار می روند عموما بر مبنای فرضیات ساده کننده ای بنا شده اند که باعث می شوند نتایج حاصل از این مدل ها از دقت کمی برخوردار باشند. در این پژوهش رهیافت جدیدی برای پیش بینی میزان فرونشست زمین با استفاده از روش های هوشمند مانند شبکه های عصبی مصنوعی پیشنهاد گردیده و کارایی رهیافت پیشنهادی در یک منطقه مورد مطالعه (دشت جنوب تهران) مورد بررسی قرار می گیرد. در جریان این تحقیق، ضمن بررسی اطلاعات بدست آمده از دو ایستگاه نظارتی در منطقه مورد مطالعه، تغییرات سطح آب های زیرزمینی و تغییرات سطح زمین در اثر فرونشست بطور همزمان اندازه گیری شد و با مطالعه میزان همبستگی بین این دو متغییر نشان داده شد که تغییرات سطح زمین با تغییرات سطح آب زیرزمینی در یک بازه زمانی همسو نیست. همچنین نشان داده شد که فرونشست با یک تاخیر زمانی نسبت به افت تراز آب زیرزمینی ایجاد می گردد. این تاخیر بین برداشت آب زیرزمینی و فرونشست، با مقایسه معادلات حاکم بر هیدورگراف ها و داده های GPS موجود در ایستگاه های نظارتی و به کمک الگوریتم های ژنتیک محاسبه گردید که مقدار این تاخیر 27 ماه بدست آمد. همچنین با استفاده از آنالیز مولفه های اصلی، فرکانس طبیعی زمین و ضخامت رسوبات به عنوان پارامترهای نماینده تغییرات لایه های زیرسطحی انتخاب شدند. به این ترتیب پارامترهای ورودی مدل شامل تغییرات سطح آب زیرزمینی، فرکانس طبیعی خاک، ضخامت رسوبات، مختصات نقاط و زمان بوده و کمیت خروجی مدل، تغییرات فرونشست محاسبه شده با استفاده از روش تداخل سنجی امواج راداری خواهد بود. مدل مزبور در 15 بازه زمانی ساخته شد و در ساخت آن از مجموعه داده های آزمون که با داده¬های استفاده شده در ساخت مدل، فاصله ای 4 ماهه داشتند استفاده شد. مقایسه مقدار پیش بینی شده توسط مدل و مقدار واقعی فرونشست، نشانگر تطابق خوب دو دسته نتایج بود. برای بهبود نتایج، با استفاده از سرعت موج برشی و سرعت موج فشاری، تعداد زون های بهینه در محدوده مورد مطالعه تعیین و با استفاده از شبکه های عصبی خودسامانده، کل منطقه به 3 ناحیه تقسیم شد. در هر ناحیه به طور جداگانه یک مدل ساخته شده و نتایج با مقدار واقعی مقایسه گشت. مقدار فرونشست پیش-بینی شده توسط مدل با مقدار واقعی آن تطابق بالایی (با رگرسیون 98%) داشت که حاکی از دقت خوب مدل ایجاد شده بوده و تاییدی بر اعتبار رهیافت پیشنهادی به شمار می آید.
- Abstract
- Land subsidence is an environmental phenomenon that involves gradual or sudden land surface settlement because of underground material movement. Ground water withdrawal is the most important reason for this phenomenon. Water is an essential factor for development of communities and hence ground water resources are used to a greater extent. As a result, subsidence caused by excessive use of ground water resources has occurred in many countries in the world. Metropolitan of Tehran in Iran is one example. Land subsidence caused by excessive use of ground water resources and lessening of average annual rainfall has caused serious and costly damages to the Tehran plain and many other plains in Iran. Groundwater level decline is often associated with destruction of the aquifers, a common problem in the groundwater basins of central and northeast Iran. Groundwater withdrawals change the alluvia’s physical properties and result in aquifer compaction. This eventually leads to subsidence. Land subsidence modeling is a complicated problem in geological engineering. The usual methods for subsidence modeling are numerical and are therefore associated with some error. Another way is to use artificial intelligent methods such as Artificial Neural Networks (ANN). Because of their data compilation and modeling ability, the ANNs are promising for land subsidence modeling. In this research, we use hydrological, geotechnical, remote sensing and ambient vibrations for site effect investigation. First the collected data was studied statistically. Then the delay between groundwater withdrawal and the subsidence was computed using genetic algorithms. Finally, the subsidence dynamic model was made; using neural networks and the model was tested for verification. The test result had 98% correlation with the remote sensing investigation.
