هوش مصنوعی و زلزله تهران
بهتازگی برای ارزیابی خسارت محتمل بعد از زلزلهای شدید در شهر تهران از هوش مصنوعی به صورت اولیه بهره گرفتهایم.
بهتازگی برای ارزیابی خسارت محتمل بعد از زلزلهای شدید در شهر تهران از هوش مصنوعی به صورت اولیه بهره گرفتهایم. ابتدا برای ارزیابی و شناسایی فرسودگی بافت شهری، سه معیار باید در نظر گرفته شود: (1) ناپایداری: حداقل 50 درصد ساختمانهای داخل یک بلوک شهری تعریفشده ناپایدار و فاقد سیستمهای سازهای مناسب هستند، (2) سکونت خرد: حداقل 50 درصد ساختمانهای داخل یک بلوک شهری تعریفشده دارای مساحتی کمتر از 200 متر مربع هستند و (3) غیرقابل تشخیص: حداقل 50 درصد از مسیرهای عبوری در یک بلوک شهری تعریفشده باریک و کمتر از شش متر عرض دارند. حال اگر بافت شهری در یک منطقه فاقد معیارهای فوق باشد، بهعنوان «عادی» مشخص میشود؛ اما درصورتیکه یکی از معیارهای فوق یا هر سه معیار فوق را داشته باشد، به ترتیب «ناپایدار» و «فرسوده» شناخته میشود. ارزیابی آسیبپذیری کلی در تهران، باید تمام لایههای طبقهبندیشده با هم همپوشانی و در یک چارچوب فضایی تجمیع شوند. برای انجام این کار، ما یک راهبرد ساده اتخاذ کردیم که در آن ابتدا نقشههای شطرنجی هفت زیرلایه آسیبپذیری ارائه میشود. تمام نقشههای شطرنجی از پیکسلها (سلولها) با اندازه یکسان (10 × 10 متر) تشکیل شدهاند. مختصات در مرکز پیکسلها در نظر گرفته میشود و وزن (W) زیرلایههای آسیبپذیری را در مرکز آن پیکسل نشان میدهند. سپس مقدار آسیبپذیری کل (Z) در هر پیکسل براساس مجموع وزنهای زیرلایههای آسیبپذیری (W) در مرکز آن پیکسل محاسبه میشود.
بهعنوان مثال پیکسلی که از یک برج بتونی جدید تجاری تشکیل شده است که در منطقه متراکم شهر با بافت معمولی و دسترسی متوسط به زیرساختهای حیاتی قرار دارد، امتیازهای زیرلایههای 1، 2، 1، 3، 3، 1 را دریافت میکند که به ترتیب برای سن، اشغال، نوع سازه، ارتفاع، کاربری زمین، بافت شهری و مجاورت زیرساختها که مجموع مقادیر آسیبپذیری آن برابر با 13 است. نتیجه تجمیع زیرلایههای آسیبپذیری برای همه پیکسلها منجر شده است. آسیبپذیری کل در تهران نشان میدهد که 10 منطقه از 22 منطقه کلانشهر تهران شامل مناطق شماره 7، 8، 10، 11، 12، 14، 15، 16، 17، و 20 آسیبپذیری بالاتری در مقایسه با دیگر مناطق دارند. گسترش آسیبپذیری تقریبا با تحول توسعه شهری در تهران مطابقت دارد؛ زیرا تهران قدیم عمدتا بخشهای مرکزی و جنوبی تهران کنونی را شامل میشد؛ بنابراین نیمه جنوبی شهر فعلی از سازههای قدیمیتر و عوامل آسیبپذیرتر در مقایسه با نیمه شمالی که محیطی جدیدتر است، تشکیل شده است. یک مدل پیشبینی خسارت با رویکرد یادگیری ژرف به کار گرفته شد. مناسببودن مدل یادگیری ژرف با استفاده از دادههای آسیب از زمینلرزههای مخرب قبلی مانند زمینلرزههای 6 فوریه 2023 ترکیه، زلزله چی-چی 1999، زلزله نیگاتا در سال 2004 و زلزله ونچوان در سال 2008 و زلزله بم 2003 و زلزله سرپل ذهاب 2017 بر پایه دادههایی مانند شتاب اوج زمین (PGA)، فاصله تا چشمه بهعنوان ورودیها برای آموزش شبکه عصبی استفاده میشود و برای پیشبینی وضعیت آسیب. این مدل میتواند بهعنوان یک جعبه ابزار آماده برای بررسی آسیبپذیری در سناریوهای پس از زلزله استفاده شود. تنها تعداد انگشتشماری شبیهسازی دقیق از یک زلزله انجام شده و سخت است که بدانیم آیا آنها محدوده مدنظر شبیهسازی کامل را نشان میدادند یا خیر.
نتایج نشان میدهد که اگر کانون زمینلرزه نسبتا نزدیک به زیر شهر باشد، شدت لرزش میتواند بیشتر باشد. یک زمینلرزه با بزرگای 7.0 در نزدیکی تهران شبیهسازی شد و بیش از صد مورد خروجی از جنبش حاصله به صورت تصویر تولید شد. به طور کلی، نتایج تأیید میکنند که مناطق مرکزی و جنوبی و برخی زیرساختهای ارتباطی بیشترین ضربه را خواهند دید. این تحقیق بهعنوان بخشی از پژوهش درباره ریسک زلزله در محدوده تهران انجام میشود تا مشخص شود که یک زلزله با بزرگای 7 ممکن است در نزدیکی تهران یا داخل شهر تهران چگونه باشد و مردم چگونه میتوانند آماده شوند. مهندسان میتوانند از نتایج شبیهسازی برای ارزیابی میزان خرابی در تهران استفاده کنند.
رویکردی مبتنی بر الگوریتمهای یادگیری عمیق و شبکههای عصبی با تعداد زیادی لایه پنهان برای استخراج بسیاری از ویژگیها از دادههای خام شامل تصویر، پیکسل، سیگنال و... است. هرچه تعداد لایهها بیشتر است (ژرفتر)، ویژگیهای غیرخطی بیشتری به دست میآید؛ به همین دلیل است که در آینده یادگیری ژرف کمک زیادی به درک بهتر واقعیت خواهد کرد و مجموعه دادههای بزرگ ما را قادر به تولید تصاویر دقیق بعدی خواهد کرد.