محمد رضائی

پیش‌بینی لرزش زمین ناشی از انفجار در فضاهای زیرزمینی سد سیاه بیشه با استفاده از مدل‌های تجربی، شبکه عصبی مصنوعی (ANN)، برنامه‌ریزی بیان ژن (GEP) و رگرسیون خطی چند متغیره (MLR) در این تحقیق مورد بررسی قرار گرفته است. ابتدا داده‌های جمع‌آوری شده با استفاده از نرم‌افزار SPSS 26 پردازش شده و توزیع فراوانی و نمودار پراکندگی داده‌ها ترسیم و مشخص گردید که توزیع داده‌ها نرمال بوده و داده پرت و خارج از ردیف وجود ندارد. سپس با استفاده از روش آنالیز مؤلفه‌های اصلی در نرم‌افزار Origin 2023، همبستگی بین داده‌های ورودی بررسی، متغیرهای همبسته حذف و پنج پارامتر فاصله لرزه‌نگار تا محل انفجار، میزان خرج بر تأخیر، قطر و طول چال و گل‌گذاری به‌عنوان متغیرهای ورودی برای پیش‌بینی ماکزیمم سرعت ذره (PPV) در نظر گرفته شده است. در مرحله بعد، مدل‌سازی PPV با استفاده از روش‌های تجربی، ANN، GEP و MLR به‌ترتیب در محیط نرم‌افزارهای Exel، MATLAB R2020b، GeneXpoTools 4.0 و SPSS26 انجام شده است. در مدل‌سازی تجربی، ضرایب ثابت روابط تجربی مورد استفاده تعیین و فرمول نهایی آنها برای تخمین PPV در عملیات انفجار سد سیاه بیشه ارائه شده است. همچنین در مدل‌سازی ANN، شبکه با دو لایه پنهان، الگوریتم پس انتشار خطا، ساختار 1-8-10-5، تابع آموزش لونبرگ-مارک کواردت، تابع انتقال لگاریتم سیگموئید، تعداد سیکل 200 و نرخ یادگیری ۰/۲ به‌عنوان شبکه بهینه برای تخمین PPV انتخاب شده است. بعلاوه در مدل‌سازی GEP، مدل با تابع پیوند جمع(+)، تعداد 30 کروموزوم و 3 ژن در هر کروموزوم، تابع برازش RRSE، نرخ جهش ۰/۰۴۴ و نرخ‌های وارون‌سازی، ترانهش و ترکیب ژن ۰/۱ به‌عنوان مدل GEP بهینه برای تخمین PPV تعیین شده است. ارزیابی عملکرد مدل‌ها نشان داد که مدل‌های GEP و ANN دارای عملکرد بهتری نبست به بقیه مدل‌ها بوده و تطابق خوبی هم با داده‌های واقعی دارند. همچنین، مقایسه با روش‌های قبلی نشان داد که مدل‌های ANN و GEP پیشنهادی دارای تطابق خوبی با مدل‌های هوشمند قبلی بوده و دقت نسبتاً بالاتری نسبت به اکثر مدل‌های مشابه قبلی دارند. در نهایت، آنالیز حساسیت نتایج مدل بهینه GEP با استفاده از روش میدان کسینوسی نشان داد که متغیرهای فاصله لرزه‌نگار تا محل انفجار و طول چال به‌ترتیب دارای بیش‌ترین و کم‌ترین تأثیر بر PPV هستند.