پهنه‌بندي شاخص كيفي سنگ در ساختگاه سد سميلان، براساس گسل‌ها و شبكه عصبي ‏خودسازمانده

Zoning of RQD Parameter, Based on Faults and Self-Organizing Map in ‎Semilan Dam Site

پهنه‌بندي، يكي از مباحث مهم، در علوم‌زمين به شمار مي آيد. در پهنه‌بندي، يك محدوده به چند بخش يا پهنه مجزا تقسيم و در نهايت از تركيب نتايج پهنه هاي مختلف، يك مدل واحد ‏حاصل مي شود. در اين مطالعه، از روش‌هاي خوشه‌بندي براي پهنه‌بندي سد سميلان استفاده شده است. تعداد بهينه خوشه ها براساس متغير ژيوتكنيكي (لوژون و شاخص كيفي سنگ) و ‏مقادير شاخص‌گذاري شده سنگ‌شناسي و درجه اهميت ساختگاه سد سميلان تعيين شده است. براساس رتبه‌بندي 7 شاخص اعتبار‌سنجي خوشه‌بندي، تعداد بهينه خوشه‌‌ها برابر با 4 ‏به‎دست آمد. در اين مقاله، از روش خوشه‌بندي براساس شبكه عصبي خودسازمانده، به‌همراه نحوه قرارگيري گسل‌ها، براي پهنه‌بندي استفاده شده است. در حالت اول، براساس گسل‌ها، ‏پهنه به 4 بخش تقسيم شد كه نوعي پهنه‌بندي دوبعدي است كه اين پهنه‌بندي در ژرفا‌هاي مختلف، يكسان و مستقل از بعد سوم (ژرفا) بوده و هر گمانه به‌يك پهنه اختصاص داده ‌شد. در ‏حالت دوم، از روش نقشه خودسازمانده (‏SOM‏) كه نوعي شبكه عصبي با قابليت خوشه‏‎بندي است، استفاده شد. داده‌هاي ورودي اين شبكه، شامل 3 متغير جهتي ‏‎(X,Y,Z)‎، متغير ‏ژيوتكنيكي (لوژون و شاخص كيفي سنگ)، مقادير شاخص‌گذاري سنگ‌شناسي و درجه اهميت ساختگاه سد سميلان است. در مرحله بعد، 7 متغير ورودي به‌صورت بهنجارشده (در ‏دامنه 0 تا 1) براي آموزش وارد شبكه شده و خروجي شبكه براساس شاخص‌هاي اعتبارسنجي خوشه‌ها، داده‌ها به‌چهار پهنه (خوشه) مجزا اختصاص داده شد. سپس براي تعيين توزيع ‏فضايي شاخص كيفي سنگ، اطلاعات مرتبط به ‌واريوگرافي و ناهمسانگردي در هر چهار پهنه براي دو حالت محاسبه شد. مبناي خوشه‌بندي صحيح، بيشترين تفاوت بين‏‎خوشه‌اي و ‏بيشترين تشابه درون‌خوشه اي است. براي بررسي و اعتبارسنجي دو حالت خوشه‎بندي، از شاخص كيفيت خوشه‌بندي استفاده شد. شاخص كيفيت خوشه‌بندي به‌‌صورت مجموع اختلاف ‏ميانگين بين هر دو خوشه تقسيم بر مجموع انحراف معيار خوشه‌ها تعريف شد كه مقادير بيشينه اين شاخص، معرف كيفيت بهتر خوشه‎بندي است. در اين بررسي مشخص شد كه ‏خوشه‌بندي با استفاده از شبكه عصبي خودسازمانده، كيفيت بالاتري نسبت به‌خوشه‌بندي بر اساس گسل‌ها دارد.‏

Zoning is an important practice in earth sciences. In zonation, the study area is divided into separate parts and by compiling the results of ‎these parts, a unique model is obtained. In this study, clustering methods are applied for zoning of Semilan dam site. Optimal number of ‎clusters are measured based on geotechnical parameters (lugeon, RQD), the importance of various dam structures and lithology indicators. ‎By ranking of 7 clustering validity indexes, the optimum number of clusters found to be 4. In this paper, clustering was performed by faults ‎locations and self-organizing neural network. In the former case, the study area was divided into four zones based on faults. This two ‎dimensional zoning is independed of the third dimension (depth) and each sample belonged to a cluster. In the later case, a self-organizing ‎map (SOM), which is a kind of neural network capable of clustering, was used. The SOM input data consists of, three dimensional ‎parameters (X,Y,Z), geotechnical parameters (lugeon, RQD) and finally indicators of importance of various dam structures and lithology. ‎Then, 7 input parameters were normalized between 0 to 1 and entered the network for training‏.‏The‏ ‏output data were allocated to four zones ‎‎(clusters). For RQD spatial distribution realization, variography and anisotropy parameters for all four zones were calculated for both cases, ‎Based on the main principal of clustering method which is maximum difference between clusters and maximum similarity‏ ‏between members ‎of each cluster, performance and validation of two cases of clustering, RQD data were defined. Clustering quality index defined as sum of ‎mean differences between two clusters divided by sum of standard deviation of clusters. Maximizing of this index is optimal solution. This ‎study showed that clustering by SOM gives more accurate results than clustering by faults.‎