مدت زمان مطالعه: ۷ دقیقه

نوشته شده توسط: زمین پی جویان نگار

تاریخ انتشار: ۱۴۰۲/۰۸/۱۸

تاریخ بروزرسانی: ۱۴۰۲/۰۸/۱۸

مقدمه: هوش مصنوعی راه حلی دقیق برای مقابله با فرونشست زمین

فرونشست زمین که از نشست تدریجی یا فرورفتن ناگهانی سطح زمین به دلیل حذف یا جابجایی مواد زیرسطحی زمین اتفاق می افتد، در واقع زمانی رخ می‌دهد که زمین در اثر عوامل مختلفی مانند استخراج آب‌های زیرزمینی، فعالیت‌های معدنی یا فرآیندهای طبیعی زمین‌شناسی فرو می‌رود یا ته نشین می‌شود. این پدیده سال هاست دانشمندان و محققان را مجذوب خود کرده است. تجزیه و تحلیل مقالات فرونشست زمین با رویکردهای هوش مصنوعی و شبکه عصبی مصنوعی به ما این اجازه را می دهد تا علل، اثرات و راه حل های بالقوه برای این موضوع را بر اساس تکنولوژی‌های هوشمند روز دنیا درک نماییم.

مجلات علمی، مقالات تحقیقاتی و مقالات دانشگاهی یک نمای کلی از این موضوع را ارائه می دهند. این مقالات مناطق مختلف در سراسر جهان را که تحت تأثیر فرونشست زمین قرار دارند، از جمله مناطق ساحلی مستعد فرورفتگی که به دلیل پمپاژ بیش از حد آب های زیرزمینی را مورد بررسی قرار داده‌اند. بیشتر این تحلیل ها رابطه پیچیده بین فرونشست زمین و سایر چالش های زیست محیطی مانند افزایش سطح آب دریا و فرسایش سواحل را آشکار می‌نمایند.

یکی از مهمترین جنبه‌های تحلیل مقالات فرونشست زمین، کشف رویکردها و فناوری‌های نوآورانه‌ای است که برای رسیدگی به این مشکل در حال توسعه می باشند. از تصاویر ماهواره‌ای و تکنیک‌های سنجش از دور گرفته تا سیستم‌های مدل‌سازی و پایش های پیشرفته، محققان به طور مداوم بر اساس روش‌های نوین تلاش در کاهش فرونشست زمین دارند. در این مقالات، مطالعات موفقی که در آن فناوری‌های نوینی همچون هوش مصنوعی پیاده‌سازی شده‌اند را به طور کامل شرح داده‌اند. شرکت زمین پی‌جویان نگار خدمات خود را بر اساس روش‌های نوین و هوشمند ارائه می‌نماید و همواره تیم تحقیق و توسعه این شرکت در حال استخراج اطلاعات و منابع علمی روز دنیا می باشند تا بر اساس روش‌های نوین، خدمات هوشمند (AI-Based _ هوش مصنوعی محور) خود را ارائه نماید. در این مقاله تخصصی به تجزیه و تحلیل دو مقاله مرتبط با رویکردهای هوش مصنوعی و شبکه عصبی مصنوعی در زمینه فرونشست زمین پرداخته شده است تا با بررسی این مطالعات بتوانیم راه حل‌های هوشمندی را برای کاهش پیامدهای فرونشست در کشور ایران ارائه نماییم.

عوامل ایجاد فرونشست چیست؟

اولین موضوعی که به آن میپردازیم شناخت عوامل ایجاد فرونشست می باشد. فرونشست می تواند ناشی از فرآیندهای طبیعی و یا انسانی باشد که اغلب به دلیل حذف آب، نفت، گاز طبیعی یا منابع معدنی از زمین که توسط پمپاژ، شکستن یا فعالیت های معدنی رخ می‌دهد. در شکل زیر عوامل ایجاد فرونشست آورده شده است و در ادامه چند مورد از عوامل فرونشست مورد بررسی قرار گرفته شده است:

برداشت بی رویه آب زیرزمینی و فرونشست زمین

یکی از عوامل اصلی فرونشست زمین، برداشت بی رویه آب های زیرزمینی است. هنگامی که ما آب زیرزمینی را با سرعتی سریعتر از جایگزینی طبیعی آن استخراج می کنیم، سطح آب کاهش می یابد و باعث فشرده شدن خاک زیرین و فرو رفتن زمین می شود. فشردگی خاک در برخی از سیستم های آبخوان می تواند همراه با پمپاژ بیش از حد آب زیرزمینی باشد و تا حد زیادی بزرگترین عامل فرونشست است. تاکنون پمپاژ بیش از حد سیستم های آبخوان منجر به فرونشست زمین به طور دائمی و خرابی های زمین شده است.

مدل ها و تکنیک های هوشمند استخراج جهت جلوگیری از فرونشست زمین

استخراج معادن زیرزمینی نیز می تواند منجر به فرونشست زمین شود. فرونشست زمین میتواند نتیجه تعدادی از تکنیک‌های استخراج غیر اصولی زیرسطحی باشد، به‌ویژه زمانیکه طراحی معدن به درستی صورت نگرفته و یا پارامتر‌های گوناگون ضریب ایمنی رعایت نشده باشند. در عصر کنونی روش‌های هوشمندی جهت مدل‌سازی معادن وجود دارند که خطرات فرونشست معادن را کنترل می نمایند. استفاده از هوش مصنوعی و دیگر روش های هوشمند سبب جلوگیری و یا کاهش حرکات فرونشست زمین می شوند و در نتیجه آسیب‌های مربوط به سازه‌های سطحی کاهش یافته و همچنین شکستگی لایه‌های فوقانی تونل‌های معدن به وسیله مدل‌های معدنی هوشمند پیش بینی شده و از بروز خسارت مالی و جانی جلوگیری می نماید و یا کنترل تنش‌های زیرسطحی مانند انفجار و یا حفاری‌های زیرسطحی نیاز به مدل‌های هوشمند (دوقلوی دیجیتال – Digital Twin) برای کمک به عملیات معدنکاری و در عین حال به حداکثر رساندن استخراج می باشد. به این تکنیک ها، تکنیک های هوشمند تثبیت سطح یا تثبیت زیرسطحی نیز گفته می شود.

عوامل طبیعی و انسانی تاثیر گذار بر فرونشست

حجم و سطح خاک در نتیجه خشک شدن فصلی کاهش می یابد. خشک شدن فصلی خاک می تواند به طور قابل توجهی تحت تأثیر درختان و سایر پوشش های گیاهی باشد. پوشش گیاهی مانند درخت که به عنوان افزایش یا انبساط خاک شناخته می شود در زمانیکه از بین برود، ممکن است منجر به فرونشست زمین شود. همچنین با گذشت زمان، وزن لایه های رسوبی می تواند باعث متراکم شدن لایه های رسوبی شده و منجر به فرونشست زمین شود. این عوامل می توانند به طور طبیعی رخ دهد یا با فعالیت های انسانی مانند ساخت زیرساخت های سنگین یا رسوب مواد پرکننده تشدید شود.

اثرات فرونشست زمین:

پیامدهای از قبیل تغییرات آب و هوایی، فرونشست زمین و افزایش شهرنشینی منجر به فرورفتن زمین می شود. از مهمترین عوامل اثرات فرونشست زمین میتوان به موارد زیر اشاره کرد:

• آسیب به زیرساخت: به دلیل سیستم های زهکشی نامناسب، فرونشست زمین می تواند منجر به نشست خاک رس در سطوح بالا، آسیب به زیرساخت های شهرها شود. فرونشست زمین می تواند آسیب قابل توجهی به زیرساخت ها از جمله ساختمان ها، جاده ها، پل ها و خطوط لوله وارد نماید.
• افزایش خطر سیل: هنگامی که زمین فروکش می کند، باعث تغییرات در الگوهای زهکشی طبیعی می شود و منجر به افزایش سیل در مناطق کم ارتفاع می گردد. این امر می‌تواند اثرات مضری بر اکوسیستم ها، کشاورزی و سکونتگاه های انسانی داشته باشد.
• از بین رفتن زمین و اکوسیستم: فرونشست زمین می تواند منجر به از بین رفتن دائمی زمین و اکوسیستم شود. مناطق ساحلی، به ویژه، به دلیل عواملی مانند استخراج آب های زیرزمینی و فشرده شدن رسوبات، در معرض فرونشست می باشند.

روش های هوشمند تشخیص و پایش فرونشست زمین

شناسایی و پایش فرونشست زمین برای درک میزان آن و توسعه راهبردهای کاهش موثر حیاتی است. روش های هوشمند مختلفی که مبتنی بر هوش مصنوعی است می تواند برای اندازه گیری و ردیابی فرونشست زمین به کار گرفته شود.

• یکی از تکنیک های رایج، استفاده از سنجش از راه دور مبتنی بر ماهواره، مانند رادار تداخل سنجی (InSAR) می‌باشد. از سیگنال های راداری برای اندازه گیری تغییرات سطح زمین در طول زمان استفاده می‌شود و به کارشناسان و زمین شناسان این امکان را می دهد که الگوهای فرونشست را در مقیاس منطقه ای شناسایی و نظارت کنند.
• یکی از راه های اندازه گیری این تغییرات از طریق سیستم موقعیت یابی جهانی (GPS) می باشد. بررسی ژئودتیک ملی NOAA’s National Geodetic Survey یک شبکه ملی از گیرنده‌های GPS با دقت بالا به نام ایستگاه مرجع دائمی (CORS) می باشد که می‌تواند برای ردیابی تغییرات ارتفاع در ایستگاه استفاده شود. گیرنده‌های موقت GPS، بررسی‌های مکرر سطح زمین و یا نصب حسگرهای (Sensors) هوشمند گوناگون، میزان فرونشست زمین را اندازه‌گیری میکنند. در تصویر زیر بررسی چاه ها، GPS و مکان های بررسی سطحی و تداخل سنجی از تاریخ 1 ژوئن 1998 تا 5 ژوئن 2000، در منطقه سن دیگو، کالیفرنیا نشان می‌دهد که حدود 35 میلی‌متر فرونشست رخ داده است. تمام این داده ها می تواند به صورت مجزا و در پلتفرم های گوناگون تحلیل شوند و یا می توانند با چند خط کدنویسی صحیح و به طور هوشمند مورد بررسی قرار بگیرند.

معرفی روش های هوشمند مبتنی بر هوش مصنوعی جهت شناسایی و پایش فرونشست زمین

یکی از جدید ترین روش های شناسایی و پایش فرونشست زمین، شبکه های عصبی مصنوعی (ANN) است که به عنوان یک ابزار قدرتمند در زمینه تجزیه و تحلیل فرونشست ظاهر شده است. با ترکیب داده‌های مکانی با الگوریتم‌های پیشرفته یادگیری ماشین (Machine Learning)، محققان اکنون قادر به ساخت مدل‌های پیش‌بینی می باشند که می‌توانند مناطق در معرض خطر فرونشست را به دقت شناسایی کنند. در این بخش به بررسی مقالات اصول ANN مبتنی بر GIS در فرونشست می پردازیم.

• مقاله مدل سازی فرونشست زمین با استفاده از شبکه عصبی مصنوعی مبتنی بر GIS در شهرستان یونلین، تایوان توسط (Cheng‑Yu Ku1 & Chih‑Yu Liu,2023) ارائه شده است.

فرونشست زمین به دلیل بهره برداری بی رویه از منابع آب در کشورهای متعددی گزارش شده است. علاوه بر این، افزایش دمای غیرعادی اخیر جهانی (Global Warming) بر شرایط محیطی تأثیر گذاشته و منجر به پیامدهای منفی از جمله از بین رفتن تعادل منابع آب و خشکسالی و سیل بیشتر شده است. روش های مختلف عددی، آماری و هوش مصنوعی برای تعیین خطر فرونشست زمین پیشنهاد شده است. روش‌های آماری، مانند تحلیل سری‌های زمانی و تحلیل رگرسیون، به راحتی قابل پیاده‌سازی می باشند. با این حال، این روش ها ممکن است دقت عددی نسبتاً پایینی داشته باشند. در حال حاضر، رویکردهای هوش مصنوعی، مانند ماشین بردار پشتیبانی Support Vector Machine (SVM) و شبکه عصبی مصنوعی Artificial Neural Network (ANN)، اغلب برای ارزیابی خطر فرونشست زمین استفاده می‌شوند.

اگرچه SVM می تواند به طور موثر در عمل پیاده سازی شود و به منابع محاسباتی کمی نیاز دارد اما ممکن است برای مسائل مهندسی در مقیاس بزرگ قابل استفاده نباشد. به موازات درک بیشتری که این روش های یادگیری ماشین (ML) دارند ممکن است تکنیک های مفیدی برای ارزیابی ریسک باشند، مدل های دقیق علمی به طور فزاینده ای در حال توسعه می باشند.

شبکه های عصبی مصنوعی برای خطر فرونشست زمین بر اساس سنجش از دور، سیستم اطلاعات جغرافیایی (GIS) و داده های رادار دیافراگم مصنوعی تداخل سنجی (InSAR) توسعه داده شده اند. فرآیند محاسباتی یک الگوریتم ANN به طور قابل ملاحظه ای پیچیده تر از روش های دیگر است. علاوه بر این، یک الگوریتم ANN نیاز به تنظیم پارامترهای ورودی متعددی دارد، اگرچه زمان محاسباتی طولانی دارد، اما کاربرد عملی برتر آن این هزینه را جبران می کند.

در این مطالعه، فرونشست زمین در شهرستان یونلین، تایوان، با استفاده از یک شبکه عصبی مصنوعی (ANN) مدل‌سازی شد. در این مطالعه دو دسته از متغیرهای مؤثر بر فرونشست زمین که شامل متغیرهای طبیعی مربوط به زمین شناسی منطقه و متغیرهای انسانی مربوط به فعالیت های انسانی در نظر گرفته شده است. نقشه‌های درصد خاک ریزدانه، میانگین حداکثر طول مسیر زهکشی، درصد کاربری اراضی کشاورزی، مصرف برق چاه‌ها و عمق نشست زمین انباشته از طریق تحلیل فضایی (Spatial Analysis) سیستم اطلاعات جغرافیایی (GIS) برای 5607 سلول در منطقه مورد مطالعه تهیه شده است. یک مدل ANN بر اساس یک شبکه عصبی پس انتشار (Backpropagation NN) برای پیش‌بینی عمق فرونشست زمین انباشته شده توسعه داده شده است. مقایسه پیش‌بینی‌های مدل با داده‌های بررسی حقیقی نشان داد که مدل توسعه‌ یافته از دقت بالایی برخوردار است. علاوه بر این، مدل توسعه‌ یافته برای بررسی رابطه کاهش مصرف برق با کاهش در مساحت کل زمین با فرونشست شدید (> 4 سانتی‌متر در سال) استفاده شده است که یک رابطه تقریباً خطی می باشد. به طور خاص، نتایج بهینه هنگام کاهش مصرف برق از 80 به 70 درصد ارزش فعلی، با کاهش سطح فرونشست شدید زمین به میزان 13.66 درصد به دست آمده است. تصویر زیر نقشه بررسی فرونشست انباشته شده از 2015 تا 2020 در 0-60 متر در شهرستان Yunlin می باشد و این نقشه با استفاده از نرم افزار ArcGIS 10.6.1 ایجاد شده است.

فلوچارت (نمودار جریانی) از ساختار شبکه عصبی مصنوعی پیشنهادی برای مدل‌سازی فرونشست زمین در شهرستان یونلین در زیر نشان داده شده است. متغیرهای انسانی برداشت آب زیرزمینی و کاربری اراضی کشاورزی و متغیرهای ذاتی درصد خاک ریزدانه و میانگین حداکثر طول مسیر زهکشی می باشند. برای ارزیابی خطر فرونشست زمین از شبکه عصبی پس انتشار (BPNN) استفاده شده و عملکرد مدل پیش‌بینی ANN مبتنی بر GIS بر اساس ضریب همبستگی ارزیابی شده است.

ساختار مدل پیشنهادی که شامل یک الگوریتم BPNN با چهار متغیر ورودی که شامل درصد استفاده از زمین کشاورزی، مصرف برق چاه ها، درصد خاک ریزدانه و میانگین حداکثر طول مسیر زهکشی می باشد در شکل زیر ارائه شده است.

• مقاله ای با عنوان مدل‌سازی فرونشست زمین ناشی از برداشت آب‌های زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی در ایران مرکزی) که توسط (Abolghasemi Riseh et al.,2023) ارائه شده است.

در این تحقیق فرونشست زمین دشت علی آباد ایران با استفاده از روش شبکه عصبی مصنوعی (ANN) مدلسازی شده که در این راستا، از یک پرسپترون (Perceptron) چند لایه برای مدل‌سازی فرونشست زمین از نتایج آنالیز تصاویر ماهواره ای Sentinel-1 در بازه سال 2015 تا 2016 استفاده شده است. در این تحقیق اطلاعات افت آب‌های زیرزمینی، ضخامت رسوبات آبرفتی، قابلیت انتقال رسوبات آبخوان و مدول کشسانی به عنوان چهار متغیر ورودی مدل ANN در نظر گرفته شده است و فرونشست زمین به عنوان یک خروجی واحد در مدل ANN که توانایی پیش بینی فرونشست زمین علی آباد را با دقت خوبی دارد، استفاده شده است (74/0R2=، 94/0=R، 02/0 RMSE= متر، 0006/0= MSE).

سپس یک تحلیل حساسیت (Sensitivity analysis) به منظور تعیین تاثیر پارامترهای ورودی صورت گرفته که نتایج آن حاکی از نوسانات آب زیرزمینی به عنوان شاخصه موثر فرونشست زمین بوده است. اعتبار مدل با مقایسه نتایج ANN با تغییر شکل زمین محاسبه شده که توسط تکنیک DInSAR به دست آمده است. این مدل یک پیش‌بینی مناسب از تغییر شکل زمین را با مجموعه ای از داده های جدید تولید می‌کند.

هدف از این مطالعه ایجاد مدلی برای تجزیه و تحلیل فرونشست زمین است. روش اجرا شده را می توان به سه مرحله تفکیک کرد:

(الف) مرحله اول شامل تعریف متغیرهای وابسته و مستقل (زمین شناسی، هیدروژئولوژیکی و ژئوتکنیکی منطقه مورد مطالعه) و بررسی تمایل مکانی و زمانی تغییرات آب های زیرزمینی است.

(ب) عادی سازی و پردازش داده ها.

(ج) ساخت مدل های ANN و اعتبارسنجی مدل.

در شکل زیر (a)، فلوچارت (نمودار جریانی) متدولوژی اعمال شده را نشان می دهد. همچنین (b)، منطقه مورد مطالعه، توزیع پیزومترها و خطوط کانتور سطح آب زیرزمینی را نشان می دهد و در نهایت عوامل ورودی در شکل (c)، نشان داده شده است.

نتیجه گیری:

شبکه عصبی مصنوعی ANN مبتنی بر GIS به عنوان یکی از ابزارهای قدرتمند جهت پیش‌بینی فرونشست مورد استفاده قرار می گیرد. با ترکیب قابلیت‌های تحلیل فضایی GIS با توانایی‌های تشخیص الگو در شبکه‌های عصبی مصنوعی، می‌توان مدل‌های دقیق و کارآمدی را برای تحلیل فرونشست ایجاد کرد. ANN مبتنی بر GIS با توانایی پردازش حجم وسیعی از داده ها و شناسایی الگوهای پیچیده، ابزاری قدرتمند برای پیش بینی فرونشست را فراهم می نماید. با استفاده از شبکه عصبی مصنوعی مبتنی بر GIS، محققان می توانند به طور موثر منابع را شناسایی و تأثیر فرونشست بر جوامع و محیط زیست را به حداقل برسانند. علیرغم محدودیت ها و چالش ها، ANN مبتنی بر GIS پتانسیل زیادی برای تحلیل فرونشست زمین در مطالعات فرونشست زمین را دارد. در این مقاله تخصصی که حاصل بررسی و آنالیز دو تحقیق علمی و کاربردی در مورد فرونشست زمین می باشد، قدرت هوش مصنوعی برای جلوگیری از فرونشست زمین که به عنوان یک پدیده مهم در کشور ایران می باشد، نشان داده شده است. شرکت زمین پی‌جویان نگار علاوه بر هوشمند سازی فعالیت های اکتشافی و معدنی با ورود تکنولوژی ها و متدهای نوین روز در خدمات خود این امکان را دارد که با بررسی داده های بدست آمده از سنسورهای گوناگون اطلاعات را بر اساس هوش مصنوعی مورد آنالیز قرار داده تا عوامل فرونشست زمین را پایش نموده و راهکارهای جلوگیری از فرونشست زمین را ارائه نماید. جهت دریافت اطلاعات بیشتر با شماره ۰۲۱۲۸۴۲۲۲۳۶ و یا ایمیل geomatics@zpnegar.com با ما در تماس باشید.

منابع مقالات مورد بررسی:

• Ku, C. Y., & Liu, C. Y. (2023). Modeling of land subsidence using GIS-based artificial neural network in Yunlin County, Taiwan. Scientific Reports, 13(1), 4090‏
• Abolghasemi Riseh, Y., Rajabi, A. M., & Edalat, A. (2023). Modeling of land subsidence induced by groundwater withdrawal using Artificial Neural Network (A case study in central Iran). Geopersia, 13(1), 67-81.‏