پهنه‌ بندي خطر ناپايداري‌ هاي دامنه‌اي در جاده‌هاي كوهستاني با استفاده از شبكه عصبي مصنوعي (mlp) مطالعه موردي:( تنگه دره ديز)

The zoning of slop instabilities on the mountain roads by Artificial Neural Network (MLP)(case study: dare diz strait

تنگه دره ديز يكي از مخاطره آميزترين تنگه هاي استان آذربايجان شرقي، از لحاظ وقوع ناپايداري هاي دامنه اي است. با توجه به انطباق اين تنگه با تنها جاده ارتباطي شهرستان مرند – جلفا، يكي از بهترين راه هاي نگهداري وحفظ امنيت اين مسير، شناسايي مناطق و نقاط بحراني و به عبارتي پهنه بندي خطر وقوع ناپايداري دامنه اي اين تنگه است. در اين راستا در ابتدا داده هاي مورد نياز جمع آوري و سپس پردازش گرديدند و سپس لايه هاي اطلاعاتي لازم در محيط gis، تهيه گرديده و سپس نقشه پهنه بندي خطر ناپايداري در نرم افزار idrisiو در محيط شبكه عصبي مصنوعي پرسپترون چند لايه (mlp) با ساختار 11015 تهيّه گرديد و مناطق مستعد وقوع خطر ناپايداري هاي دامنه اي درمحدوده مورد مطالعه در پنج كلاس خطربسيار بالا، بالا، متوسط، پايين و بسيارپايين مشخص شد. بر طبق نتايج حاصل عواملي مانند شيب و فاصله از گسل مهمترين عوامل تاثير گذار در وقوع ناپايداري هاي دامنه اي در تنگه دره ديز و در نهايت سبب ناامني هر چه بيشتر جاده مي باشند.

Dre Diz straitis one of the most risky straits of east Azarbayjian province from occurrence of slop instabilities. Given، the coincidence of thisstrait on the only connection pass between MARAND_JOLFA towns، the best way to care and keeping the security of the road، is identification of risky areas or zoning the risk of slop instability in this strait. For this ، the main data was collected then the needful layers were provided on the GIS software environment ،later the zoning map of slop instability for zoning slop instability risk obtained in IDRISI software and on the ANN method (MLP) with 1-10-15 instruction provided ،and the apt areas for occurrence of slop instability have been introduced in five different risk class :highest، high، medium، low ،very low.And according to the result slop and distance of faulthave the greater role on the happining of slop instabilities on the strait and therefor on the Insecurityof the road.