مدل‌سازی پویای فرونشست دشت تهران

فرونشست یک پدیده زیست محیطی، بهمعنی نشست تدریجی و یا پایین رفتن ناگهانی سطح زمین بهدلیل تراکم مواد زیر سطحی است. برداشت بیش از حد از آب های زیرزمینی، که ناشی از نیاز روزافزون به منابع آب است، یکی از دلایل اصلی رخداد این پدیده به شمار می‌آید. پدیده فرونشست در مناطق مسکونی، صنعتی و کشاورزی می تواند آثار تخریبی فاجعه باری به دنبال داشته باشد. نمونه آشکار این پدیده در دشت تهران به چشم می خورد. اگر چه همبستگی بالای موجود میان فرونشست زمین از یک سو و کاهش تراز سطح آب زیرزمینی و تغییر در ویژگی‎های 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 از پیش‌بینی فرونشست ارایه نشده است. مدل‌سازی پدیده فرونشست که یکی از پیچیده ترین مسایل در حوزه علوم زمین است می تواند به درک بهتر این پدیده و جلوگیری احتمالی از خسارات ناشی از آن بیانجامد. روش های عددی متداولی که برای مدل‌سازی این پدیده به‌کار می‌روند، بیشتر بر پایه فرضیات ساده کننده ای بنا شده‌اند که سبب می شوند نتایج حاصل از این مدل ها دقت کمی داشته باشند. در این پژوهش رهیافت جدیدی برای پیش بینی میزان فرونشست زمین با استفاده از روش های هوشمند، مانند شبکه های عصبی مصنوعی، پیشنهاد شده و کارایی رهیافت پیشنهادی در یک منطقه مورد مطالعه (دشت جنوب تهران) مورد بررسی قرار گرفته است. در جریان این پژوهش، تاخیر زمانی میان برداشت آب زیرزمینی و فرونشست، با مقایسه معادلات حاکم بر هیدورگراف ها و داده‌های سامانه‌های موقعیت‎یاب جهانی موجود در ایستگاه های نظارتی و به کمک الگوریتم های ژنتیک معادل 27 ماه به دست آمد. متغیرهای ورودی مدل شامل تغییرات سطح آب زیرزمینی، بسامد طبیعی خاک، ستبرای رسوبات، مختصات نقاط و زمان و کمیت خروجی مدل، تغییرات فرونشست برآورد شده با استفاده از روش تداخل‌سنجی امواج راداری بوده است. مدل یاد شده در 15 بازه زمانی ساخته و در ساخت آن از مجموعه داده های آزمون که با داده های استفاده شده در ساخت مدل، فاصله‎ای 4 ماهه داشته‌اند، استفاده شد. مقایسه مقدار پیش بینی شده توسط مدل و مقدار واقعی فرونشست، نشانگر تطابق خوب دو دسته نتایج و قابلیت اعتماد مدل پیشنهادی است.