سیستم بصری مبتنی بر وب GIS لرزش زمین پیش بینی شده ناشی از انفجار در سایت های معدن شهری

 

انفجار به طور معمول در سایت های مختلف استخراج منابع، حتی در مناطق شهری انجام می شود. در نتیجه این امر، ساکنان اطراف سایت‌های معدن شهری تحت تأثیر ارتعاشات زمین ناشی از انفجار به طور منظم قرار می‌گیرند. در این مطالعه، یک سیستم پیش بینی و تجسم برای ارتعاشات زمین با هدف کاهش اثرات نامطلوب روانی انفجار ایجاد شده است. این سیستم شامل پیش‌بینی ارتعاش زمین با استفاده از شبکه عصبی مصنوعی (ANN) و تجسم آن بر روی نقشه آنلاین با استفاده از Web-GIS است. یک مدل پیش‌بینی با استفاده از ANN که وزن بهینه را با گرفتن 50 مجموعه داده یاد گرفت، مقدار رگرسیون 0.859 و میانگین مربع خطا (MSE) 0.0228 را نشان داد. در مقایسه با تحقیقات قبلی، این مقادیر نتایج بدی نیستند. حداکثر سرعت ذرات (PPV) به عنوان یک معیار برای اندازه گیری شدت ارتعاش زمین استفاده شد. یک کانتور رنگ با استفاده از ابزار GIS بر اساس مقدار PPV هر نقطه پیش‌بینی ایجاد می‌شود. این سیستم با همپوشانی کانتور بر روی یک نقشه اصلی در یک وب سایت تکمیل می شود. نقشه اصلی منطقه اطراف را با استفاده از داده های Google Maps نشان می دهد. این سیستم برای هر کسی که به اینترنت و مرورگر دسترسی داشته باشد می تواند استفاده کند و نیازی به نرم افزار یا سخت افزار خاصی ندارد. علاوه بر این، عملیات استخراج می تواند از داده ها برای اصلاح طراحی و برنامه ریزی انفجار برای به حداقل رساندن ارتعاش زمین استفاده کند. در نتیجه، این سیستم پتانسیل این را دارد که نگرانی ساکنان اطراف ناشی از ارتعاشات زمین ناشی از انفجار را کاهش دهد، زیرا آنها می توانند شخصاً ارتعاش پیش بینی شده در اطراف محل خود را بررسی کنند. علاوه بر این، از آنجایی که این داده ها به صورت عمومی در اینترنت در دسترس خواهند بود،

کلید واژه ها

ANN ، مدل پیش‌بینی ، PPV ، Web-GIS ، تجسم ارتعاش زمین

1. مقدمه

انفجار یکی از تکنیک های حفاری و عملیات شکستن سنگ ها با استفاده از مواد منفجره است. انفجار به طور معمول در سایت های استخراج منابع مختلف انجام می شود. در نتیجه، هنگامی که یک انفجار آنی با استفاده از مقادیر زیادی مواد منفجره ایجاد می شود، ارتعاشات زمین از محل به مناطق مجاور منتشر می شود. علاوه بر این، انفجار باعث ایجاد مشکلاتی مانند سنگ پرواز، گرد و غبار و بخار می شود. شرکتی که سایت را اداره می‌کند باید احتیاط کند و راه‌حل‌هایی را اعمال کند تا این مشکلات بر محیط اطراف تأثیر منفی نگذارد. به طور خاص، در این منطقه مورد مطالعه، مناطق مسکونی در اطراف محل معدن وجود دارد، بنابراین باید به طور استثنایی به این مشکلات توجه بیشتری داشته باشند. حتی اگر خانه های مسکونی و سایر سازه ها به طور قابل توجهی تحت تأثیر قرار نگیرند، لرزش زمین ناشی از انفجار می تواند باعث ایجاد اضطراب و/یا ناراحتی ساکنین شود. یکی از دلایل اصلی این تأثیر این است که اطلاعات کمی وجود دارد که ساکنان اطراف در مورد عملیات انفجار در حال انجام در حال حاضر می دانند. در تحقیقات قبلی در مورد پاسخ ساکنان به لرزش زمین ناشی از انفجار، مشاهده شده است که استرس روانی مانند اضطراب ساکنان اطراف را می توان با ارائه اطلاعات انفجار قبل از فعالیت انفجار کاهش داد.1 ] . در تحقیقات قبلی در مورد ارتعاش زمین ناشی از انفجار، اینها با هدف توسعه یک مدل پیش بینی ارتعاش زمین با استفاده از عبارات غیرخطی و هوش مصنوعی [ 2 ] [ 3 ] [ 4 ] [ 5 ] انجام شده است. با این حال، تحقیقات کمی به منظور توسعه سیستمی انجام شده است که می تواند تأثیرات را بر روی خانه های همسایه با استفاده از پیش بینی ارتعاش زمین که توسط انفجار ایجاد می شود کاهش دهد [ 6 ] [ 7 ].

در این تحقیق، ما سیستمی ساختیم که ارتعاش زمین را بر روی نقشه با استفاده از سایت معدن Mikurahana واقع در شهر Hachirogata در استان آکیتا، ژاپن به عنوان محل آزمایش، ایجاد کردیم. ابتدا به عنوان رویه ساخت این سیستم، مدل پیش بینی ارتعاش زمین با استفاده از شبکه عصبی مصنوعی (ANN) ^{1 تولید می شود.}که یکی از هوش مصنوعی است. سپس با استفاده از مدل پیش‌بینی تولید شده، امکان پیش‌بینی در نقاط مختلف اطراف سایت معدن وجود خواهد داشت. کانتوری که شدت ارتعاش زمین را نشان می دهد با استفاده از سیستم اطلاعات جغرافیایی (GIS) که اطلاعات مکانی را یکپارچه می کند، ترسیم می شود. در نهایت، کانتور بر روی نقشه در منطقه وب با استفاده از Web-GIS تجسم می شود. با این کار هر شخصی که به مرورگر وب دسترسی داشته باشد می تواند نقشه را ببیند. GIS و Web-GIS در حال حاضر برای نقشه‌های کاربری زمین، زمین‌شناسی و نقشه‌های خطر استفاده می‌شوند و برای شبیه‌سازی بلایا و تحقیق در سیستم مدیریت پویا سایت‌های استخراج منابع [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] . طراحی سیستم پیشنهادی در نشان داده شده استشکل 1 . با تجسم شدت ارتعاش پیش‌بینی‌شده ارتعاش زمین که قرار است با انفجار بر روی نقشه موجود در یک وب‌سایت آنلاین ایجاد شود، هر کسی می‌تواند با مرورگر به اطلاعات دسترسی پیدا کند، و شدت ارتعاش پیش‌بینی‌شده ارتعاش زمین در هر نقطه در مجاورت. از انفجار آینده می توان دانست. با استفاده از این سیستم امکان کاهش استرس روحی ساکنین اطراف وجود دارد.

همچنین از آنجایی که پیاده سازی و استفاده از سیستم نسبتاً آسان است، می توان از آن در زمینه های مختلفی مانند مدیریت عملیات و تحقیقات بیشتر استفاده کرد.

2. نمای کلی سیستم

روش اجرای سیستم در شکل 2 نشان داده شده است . ممکن است که رویه ساخت به دلیل شکل 2 به طور شهودی قابل درک باشد . مدیریت دقیق داده ها در شکل 3 نشان داده شده است . مدیریت داده ها شامل بخش “پیش بینی PPV توسط ANN” و بخش “Visualization” است. علاوه بر این، “پیش بینی PPV توسط ANN” به “آزمایش در محل برای انباشت داده ها”، “مرحله یادگیری” و “محاسبه PPV برای هر مورد” تقسیم می شود. در انباشت داده‌ها، داده‌های ارتعاش زمین ابتدا توسط شتاب‌سنج‌های موجود در محل جمع‌آوری می‌شوند. داده های ارتعاش زمین در مقدار ولتاژ (V یا mV) به دست آمد و در نهایت به سرعت تبدیل شد. حداکثر سرعت ذرات (PPV) ² از داده های سرعت استخراج می شود [ 13] . داده‌های جمع‌آوری‌شده به شبکه ANN که یکی از روش‌های یادگیری ماشینی است، داده می‌شود و یک مدل پیش‌بینی ارتعاش زمین ناشی از انفجار در مرحله یادگیری تولید می‌شود. پیش‌بینی PPV در شرایط خاص (طول/طول جغرافیایی، طراحی انفجار، شرایط جغرافیایی و غیره) با استفاده از مدل پیش‌بینی در محاسبه PPV برآورد می‌شود. همچنین بخش «Visualization» به «GIS» و «Web-GIS» تقسیم می‌شود. در بخش GIS، با استفاده از GIS و توانایی آن در مدیریت اطلاعات مکانی و همپوشانی آن به همراه سایر اطلاعات مختلف روی نقشه، می‌توان PPV پیش‌بینی‌شده مرتبط با طول و عرض جغرافیایی را روی نقشه دیجیتال تجسم کرد. به طور خاص، ارتعاش زمین به صورت خطوط رنگ بر اساس مقدار PPV هر PPV پیش‌بینی‌شده بیان می‌شود. برای استفاده از نقشه ایجاد شده توسط GIS، یک برنامه اختصاصی مورد نیاز است. بنابراین فقط در محدوده محدودی در بخش Web-GIS قابل استفاده است. بنابراین، به منظور گسترش محدوده، نقشه با استفاده از Web-GIS به صورت آنلاین تولید و میزبانی می شود. در فصل های بعدی، اندازه گیری

ارتعاش زمین، تولید مدل پیش‌بینی با استفاده از ANN و سیستم تجسم توسط Web-GIS به تفصیل توضیح داده خواهد شد.

3. اندازه گیری ارتعاش زمین و تولید مدل پیش بینی با استفاده از ANN

در مجاورت سایت معدن معدن Mikurahana، اقامتگاه هایی در 10 تا 20 متری سایت معدن وجود دارد. تحت این شرایط، مطالعه در سایت معدن Mikurahana به عنوان یک سایت آزمایشی امکان پذیر انجام شده است. نمودار شماتیک دستگاه برای اندازه گیری ارتعاش زمین در شکل 4 نشان داده شده است . دو نوع سنسور، یک آشکارساز ارتعاش میکرو سه محوری و یک شتاب سنج تک محوری برای جمع آوری داده های ارتعاش زمین استفاده شد. نقاطی که در آن اندازه گیری ها در اطراف سایت معدن انجام شده است با نشانگرهای زرد رنگ در شکل 5 نشان داده شده است. اندازه گیری ارتعاش زمین به عنوان یک مقدار ولتاژ (V یا mV) به دست می آید و در یک ضریب کالیبراسیون ذاتی آشکارساز لرزش میکرو سه محوری ضرب می شود تا این مقدار ولتاژ به شتاب (mm/s ^{2 ) تبدیل شود.}). شتاب سنج های تک محوری با ضریب کالیبراسیون متفاوت با استفاده از تقویت کننده به همان ضریب آشکارساز سه محوری تنظیم می شوند. داده های ارتعاش زمین در نهایت با گرفتن یکپارچه سازی به سرعت و PPV تبدیل می شود و سپس به عنوان یک شاخص کلی برای ارزیابی شدت ارتعاش زمین استفاده می شود. از آنجایی که سرعت بر خلاف شتاب و جابجایی تحت تأثیر تغییرات شرایط زمین‌شناسی قرار نمی‌گیرد، سازگاری و پیش‌بینی‌پذیری را می‌توان حفظ کرد حتی اگر شرایطی مانند نوع سنگ و تغییر فاصله [ 14 ]. شکل 6نمونه ای از داده های ارتعاش زمین را نشان می دهد که در سایت معدن Mikurahana از نظر مقادیر ولتاژ اندازه گیری شده است. محور عمودی نمودار نشان دهنده مقدار ولتاژ و محور افقی به ترتیب نشان دهنده زمان اندازه گیری است. مدت زمان یک اندازه گیری روی 1.6 ثانیه تنظیم شد. فرکانس نمونه برداری 10 کیلوهرتز بود. یک نمودار سرعت-زمان با استفاده از یک نرم افزار صفحه گسترده تهیه شد و PPV از نمودار سرعت-زمان درون یابی شد. استفاده از حداکثر شارژ لحظه ای (MIC) ³ ، مقادیر فاصله، جهت، اختلاف ارتفاع به عنوان داده ورودی و

PPV اندازه گیری شده به عنوان داده خروجی (هدف)، یک مدل پیش بینی ارتعاش زمین ناشی از انفجار با استفاده از ANN با استفاده از MATLAB تولید شد. ایده MIC مقدار ماده منفجره ای است که به طور همزمان در عرض 8 میلی ثانیه منفجر شود. ANN یک برنامه کاربردی از هوش مصنوعی است که فرآیندهای منطقی مغز انسان را به صورت ریاضی شبیه سازی می کند. به طور خاص، مفهوم ANN متعلق به یادگیری ماشین است و با انباشت و یادگیری از داده ها به عنوان “دانش”، سیستمی است که می تواند شبیه سازی های خاصی مانند طبقه بندی و رگرسیون را انجام دهد. از آنجایی که یک مدل پیش‌بینی با استفاده از ANN عملکرد نسبتاً بالاتری را در مقایسه با برآورد تجربی استاندارد نشان می‌دهد، ANN برای تولید مدل پیش‌بینی در این تحقیق استفاده شد [ 2 ] [ 3 ] [ 4 ] [ 5 ]] . به عنوان مثال، ضریب تعیین (R2 ⁾ در هنگام استفاده از عبارات غیرخطی 0.7987 و هنگام استفاده از ANN در مقایسه عملکرد پیش‌بینی‌شده در تحقیق قبلی 0.9493 بود. بنابراین، مزیت مدل پیش‌بینی با استفاده از ANN نشان داده شد. مدل پیش‌بینی با استفاده از ANN عملکرد پیش‌بینی بالایی دارد زیرا می‌تواند یک مدل پیش‌بینی تخصصی برای سایت ایجاد کند. 50 مجموعه داده شامل داده های ورودی و خروجی به عنوان مجموعه داده تهیه شد. این مجموعه داده به داده های یادگیری، داده های آزمون و داده های تأیید در نسبت 30:10:10 تفکیک شد. شکل 7یک نمودار مفهومی از یک مدل پیش‌بینی ارتعاش زمین با استفاده از ANN را نشان می‌دهد. در این تحقیق یک شبکه عصبی سه لایه با یک لایه پنهان طراحی شد. روش یادگیری شبکه عصبی در زیر نشان داده شده است. در لایه ورودی، هر مقدار از داده های مربوطه ورودی در نظر گرفته می شود. وزن هنگام رفتن به لایه پنهان اعمال می شود و مقدار مجموع آنها به لایه پنهان خروجی می شود. سپس PPV پیش بینی شده بر اساس مقدار کل لایه پنهان به لایه خروجی ارسال می شود. سپس مقایسه بین PPV پیش بینی شده با مقدار اندازه گیری شده (PPV اندازه گیری شده) صورت می گیرد. این نتیجه سپس به شبکه عصبی بازگردانده می شود، جایی که سیستم با تغییر وزن، دقت پیش بینی را بهبود می بخشد به طوری که خطای مقایسه به تدریج کوچکتر می شود. وزن پارامتری است که اهمیت داده ها را تعیین می کند. وزن در ابتدا به عنوان یک مقدار مناسب تنظیم می شود. چرخه ورودی داده، پیش‌بینی، مقایسه و بازخورد وزن را طوری تغییر می‌دهد که خطا را کاهش دهد. به عبارت دیگر، می توان گفت که شبکه عصبی در حال «یادگیری» برای بهینه سازی وزن است.

معادله (1) مدل محاسباتی پایه شبکه عصبی را نشان می دهد. مقادیر لایه های قبلی در ضرایب ضرب شده و با هم جمع می شوند.

ل( k + 1 )=σ( k + 1 )(دبلیو( k + 1 )ل( ک )+ب( k + 1 ))l(k+1)=σ(k+1)(W(k+1)l(k)+b(k+1))(1)

مقدار متصل به هر نماد به عنوان یک نشانگر تعداد لایه ها را نشان می دهد. این یک فرمول تکرارشونده برای به دست آوردن مقدار است ل( k + 1 )l(k+1)لایه (k + 1) از مقدار ل( ک )l(k)از لایه k جایی که W وزن و b یک بایاس است که بر گره های لایه قبلی تأثیر نمی گذارد. σσیک تابع فعال سازی است و عملکرد تنظیم مقدار را دارد ( Wل + ب )(Wl+b)، قبل از اینکه به لایه بعدی ارسال شود. وزن W معادله (1) به صورت تکراری با استفاده از داده های یادگیری برای تبدیل آن به مقدار بهینه، یاد می شود.

پس از آموزش شبکه عصبی با استفاده از داده های یادگیری، ارزیابی عملکرد و تعمیم شبکه عصبی با استفاده از داده های آزمایشی و داده های تأیید انجام می شود. هم از داده های تست و هم داده های تأیید برای بهبود بیشتر شبکه عصبی استفاده می شود. نتیجه ارزیابی به عنوان مقدار عددی رگرسیون و میانگین مربع خطا (MSE) نمایش داده می شود. مقدار نزدیکتر به 1 برای مقدار رگرسیون و مقدار نزدیکتر به 0 برای MSE مطلوب است. تعداد نورون های مصنوعی در لایه پنهان (4، 6، ∙∙∙، 12) تقسیم شده و آنها را برای تعیین تعداد بهینه نورون های مصنوعی مقایسه می کند. میز 1نتایج مقایسه هر مدل پیش بینی را نشان می دهد. بر اساس نسبت رگرسیون و MSE می توان دریافت که مدل پیش بینی با 10 نورون مصنوعی لایه پنهان بهترین عملکرد را از خود نشان داد. شکل 8یک نمودار تحلیل رگرسیون از یک مدل پیش بینی را نشان می دهد که در آن تعداد نورون های مصنوعی در لایه پنهان 10 است. محور عمودی PPV پیش بینی شده (mm/s) را بر اساس ورودی نشان می دهد و محور افقی PPV اندازه گیری شده (mm) را نشان می دهد. /s) مربوط به ورودی. در این نمودار یک نمودار از هر داده و یک خط تقریبی رسم شده است و همبستگی بین PPV پیش بینی شده و PPV اندازه گیری شده را نشان می دهد. با همپوشانی خط تقریبی و نمودار، نرخ رگرسیون بالاتر است. نسبت رگرسیون هر داده برای داده های یادگیری 0.972، برای داده های تأیید 0.860، 0.859 برای داده های آزمون و 0.873 برای همه مجموعه های داده است. این نرخ های رگرسیون نزدیک به 0.9 است که به خودی خود مطلوب است، اما نسبت رگرسیون در مقایسه با تحقیقات قبلی چندان بالا نیست.5 ] [ 13 ] [ 15 ] [ 16 ] [ 17 ] . دلیل مشکوک این اختلاف کمبود داده است. با وجود این، تصمیم گرفته شد که داده ها برای تولید یک مدل پیش بینی با 10 نورون مصنوعی لایه پنهان به عنوان اثبات مفهوم کافی باشد.

4. سیستم تجسم ارتعاش پیش بینی شده با استفاده از فناوری Web-GIS

نمای کلی سیستم از تولید یک سیستم تجسم ارتعاش پیش بینی شده با استفاده از Web-GIS در شکل 9 نشان داده شده است.. در مرحله اول، PPV در چندین نقطه در اطراف سایت معدن Mikurahana با استفاده از مدل پیش‌بینی ارتعاش زمین برآورد می‌شود. در این آزمایش، مقدار PPV در حدود 10000 نقطه با مرکز پایین ترین لایه سایت معدن معدن Mikurahana برآورد شد. انحراف استاندارد MIC داده های یادگیری و مقادیر ارتفاع کم بود، بنابراین از یک ثابت مطابق با شرایط پیش بینی استفاده می شود. از طرفی فاصله و جهت برای هر نقطه از مقادیر استفاده شد. نتیجه پیش بینی به عنوان یک فایل CSV همراه با اطلاعات طول و عرض جغرافیایی هر نقطه ذخیره شد. مقادیر منفی نیز در نتایج پیش‌بینی وجود دارد که دلیل آن دقت پیش‌بینی کمتر در جهت جنوب شرقی از نقطه مرکزی است. یک دلیل احتمالی برای این مقدار منفی ممکن است این باشد که نقطه ای است که لرزش زمین در اثر انفجار به آن نمی رسد. دلیل احتمالی دیگر کمبود داده در مناطق کوهستانی اطراف محل آزمایش است. لازم است مجموعه داده ها از این پس افزایش یابد. اما در این تحقیق نیازی به مراقبت از منطقه کوهستانی نیست زیرا در این منطقه مردمی زندگی نمی کنند.

ثانیاً، مقادیر PPV پیش‌بینی‌شده در چندین نقطه در اطراف سایت معدن Mikurahana بر روی نقشه با استفاده از ابزار GIS تجسم می‌شوند. اطلاعات اولیه نقشه اطراف سایت معدن Mikurahana مورد استفاده در GIS از وب سایت موسسه بررسی جغرافیایی ژاپن دانلود شد. با استفاده از نمایشگر اطلاعات اولیه نقشه، اطلاعات اولیه نقشه به شکل فایل تبدیل و به GIS وارد شد. فایل‌های CSV حاوی نتایج پیش‌بینی مقادیر PPV نیز وارد شدند. شکل 10 نتیجه پیش‌بینی مقادیر PPV را نشان می‌دهد که به‌عنوان نشانگر روی نقشه اصلی نمایش داده می‌شوند. رنگ های مختلف نشانگر هر یک از 5 فایل CSV وارد شده را نشان می دهند. خطوط بر اساس مقادیر PPV در هر نقطه با استفاده از تابعی ایجاد شد که اطلاعات نشانگر را که داده های برداری است به داده های شطرنجی تبدیل می کند. شکل 11کانتور PPV ایجاد شده را نشان می دهد. هرچه کانتور به آبی نزدیکتر باشد، ارتعاش کوچکتر و هر چه به قرمز نزدیکتر باشد، ارتعاش بیشتر است. از آنجایی که PPV متناسب با شدت ارتعاش زمین است، می توان گفت که کانتور نیز نشان دهنده شدت ارتعاش زمین است. همانطور که در بالا توضیح داده شد، از آنجایی که عملکرد پیش‌بینی مدل پیش‌بینی بالا نیست، بی‌نظمی در توزیع رنگ کانتور وجود دارد.

برای حل این مشکل، مطالعه افزایش حجم داده ها را ضروری می داند. از آنجایی که مقادیر منفی بزرگی مقدار عددی را بدون توجه به علامت منعکس می‌کنند، به عنوان 0 در نظر گرفته می‌شود و پردازش تصحیح انجام می‌شود تا محدوده بیرونی حداقل ارتعاش (آبی) یک رنگ باشد. اگرچه ارتعاش پیش‌بینی‌شده را می‌توان تجسم کرد، اما در این حالت، شخصی که به ابزار GIS دسترسی ندارد نمی‌تواند نتیجه تجسم‌شده ارتعاش پیش‌بینی‌شده را ببیند. بنابراین، لازم است سیستمی ساخته شود که هرکسی بتواند از آن با همپوشانی خطوط بصری روی نقشه مبتنی بر وب استفاده کند. ارتعاش پیش‌بینی ارتعاش زمین بر روی نقشه مبتنی بر وب با استفاده از Web-GIS تجسم می‌شود. نقشه اصلی مورد استفاده در وب سایت از Google Maps به دست آمده است. خطوط تولید شده با GIS باید به زبان نشانه گذاری کلید سوراخ (KML) تبدیل شوند.⁴ فرمت فایل برای سهولت استفاده در زبان نشانه گذاری Hyper Text (HTML).

برای دستیابی به این مشکل، داده های شطرنجی کانتور به فرمت فایل تصویر برچسب گذاری شده (TIFF) تبدیل می شود و یک بار در Google Earth نمایش داده می شود. سپس، خطوط نمایش داده شده در Google Earth به فرمت فایل KMZ ^{5 تبدیل می شوند.} در اینجا، فایل KMZ از یک فایل KML اصلی و احتمالاً برخی از فایل های پشتیبانی تشکیل شده است که به عنوان یک فایل Zip بسته بندی می شوند. پوشه ای به نام KMZ در همان سلسله مراتب فایل index.html به منظور ویرایش ناحیه وب ایجاد شد و فایل KMZ سپس در آن پوشه ذخیره می شود. در نهایت، برنامه ای که نقشه اصلی را از نقشه گوگل فراخوانی می کند به زبان HTML در فایل index.html و همچنین برنامه ای برای خواندن فایل KMZ از پوشه KMZ نوشته شد. در نتیجه، خطوط را می توان بر روی نقشه اصلی قرار داد، و بنابراین تجسم پیش بینی ارتعاش زمین اکنون می تواند در وب سایت دیده شود، همانطور که در نشان داده شده است.شکل 12 . این شکل یک مثال سیستمی است که یک ارتعاش پیش‌بینی‌شده در یک شرایط خاص تجسم شده است. همچنین، URL

از وب سایت پیوست شده به عنوان شکل شکل کانتور با همپوشانی خطوط ایجاد شده با GIS در وب سایت تغییر یافته است. دلیل این امر این است که سیستم مرجع مکانی GIS و Google Maps متفاوت است و مختصات جابجا شده است. در اینجا، نشان داده شده است که تفاوت در سطح ارتعاش ناشی از تغییر شرایط انفجار، یک خانه مسکونی در اطراف سایت معدن معدن Mikurahana را به عنوان مثال می‌گیرد. شرایط کانتور بلاست شکل 11MIC 24.8 کیلوگرم، فاصله 16.6 متر – 830.1 متر، اختلاف ارتفاع 23 متر، جهت 0˚ – 180 درجه است. فاصله نشان دهنده فاصله نقطه انفجار تا نقطه پیش بینی شده است. جهت نشان دهنده انحراف جهت نقطه پیش بینی شده است زمانی که عمود صفحه نرمال از نقطه انفجار 0 درجه در نظر گرفته شود. فقط مقدار MIC برای مقایسه سطح ارتعاش منتقل شده به خانه مسکونی تغییر کرد. امکان تغییر MIC با تغییر تعداد سوراخ های انفجار و فاصله انفجار سوراخ های انفجار وجود دارد. شرایط MIC 22 کیلوگرم و 20 کیلوگرم در نظر گرفته شد. اسکرین شات از ایجاد کانتور تحت هر شرایط انفجار و بزرگنمایی یک خانه مسکونی خاص به عنوان یک شی مقایسه در شکل 13 نشان داده شده است .

علاوه بر این، افسانه کانتور رنگ پیوست شد. لرزش زمین بیش از 1.4 میلی متر بر ثانیه زمانی که MIC 24.8 کیلوگرم است به خانه مسکونی هدف منتقل می شود (نمای بزرگ شده در سمت چپ). بنابراین با کاهش مقدار ماده منفجره به طور مستقیم یا با افزایش فاصله انفجار در هر سوراخ، MIC روی 22 کیلوگرم یا 20 کیلوگرم تنظیم می شود. این نشان می دهد که سطح ارتعاش به سبز و آبی کاهش می یابد. تنظیم طرح انفجار و بهینه سازی سطح ارتعاش با استفاده از این روش امکان پذیر است. همچنین می توان میزان ارتعاش ارتعاش زمین ناشی از انفجار را از قبل به ساکنین اطراف اعلام کرد.

5. نتیجه گیری

در سایت های استخراج منابع، به ویژه معادن شهری، انفجار به طور منظم انجام می شود. ساکنان اطراف سایت های معدن شهری به طور معمول تحت تأثیر ارتعاش زمین ناشی از انفجار قرار می گیرند. در این مطالعه، یک سیستم پیش‌بینی و تجسم برای ارتعاش زمین ناشی از انفجار با هدف کاهش این اثر نامطلوب انفجار ایجاد شده است. همانطور که قبلا ذکر شد، هر کسی که به یک مرورگر و اتصال به اینترنت دسترسی دارد، می‌تواند تجسم ارتعاش زمین پیش‌بینی‌شده را مشاهده کند. سایت معدن Mikurahana و نواحی مجاور آن از طریق پس زمینه کانتور قابل مشاهده است تا ساکنان اطراف سایت معدن بتوانند با یک نگاه متوجه شوند که ارتعاش زمین در محل آنها چقدر قوی است. با توجه به اجرای آن با استفاده از نقشه های گوگل، هرچند با محدودیت هایی، امکان بزرگنمایی روی نقشه و تأیید مکان ها وجود دارد. این بخش از اطلاعات ممکن است برای کاهش نگرانی ساکنان اطراف از ارتعاشات زمین ناشی از انفجار سایت معدن شهری استفاده شود. همانطور که در فصل 4 ذکر شد، کارکنان می توانند سطح ارتعاش پیش بینی شده را بررسی کرده و طرح انفجار را تصحیح کنند. با این کار، آنها می توانند بازده را به حداکثر برسانند و در عین حال لرزش زمین را در مناطق مسکونی به حداقل برسانند. ضمناً این امکان وجود دارد که این سامانه اطلاعات انفجاری را از قبل به ساکنین اطراف اعلام کند. بنابراین، احتمال کاهش استرس روانی که ساکنان اطراف دریافت می کنند افزایش می یابد.

منابع

[ 1 ]	Klaboea, R., Amundsen, AH, Madshus, C., Norén-Cosgriff, KM and Turunen-Rindel, I. (2016) واکنش انسان به ارتعاشات ناشی از فعالیت انفجار-روابط نوردهی-اثر نروژی. آکوستیک کاربردی، 111، 49-57. https://doi.org/10.1016/j.apacoust.2016.03.021 https://www.sciencedirect.com/science/article/pii/S0003682X16300548
[ 2 ]	Kumar, R., Choudhury, D. and Bhargava, K. (2016) تعیین معادلات ارتعاش زمین ناشی از انفجار برای سنگها با استفاده از خواص مکانیکی و زمین شناسی. مجله مکانیک سنگ و مهندسی ژئوتکنیک، 8، 341-349. https://www.sciencedirect.com/science/article/pii/S167477551600024X
[ 3 ]	Mesec, J., Kovac, I. and Soldo, B. (2010) تخمین سرعت ذرات بر اساس اندازه‌گیری‌های رویداد انفجار در واحدهای سنگی مختلف. دینامیک خاک و مهندسی زلزله، 30، 1004-1009. https://doi.org/10.1016/j.soildyn.2010.04.011 https://www.sciencedirect.com/science/article/pii/S0267726110000904
[ 4 ]	فولادگر، ن. و حسنی پناه، م. (1396) کاربرد الگوریتم جستجوی فاخته برای تخمین پیک سرعت ذرات در انفجار معدن. مهندسی با کامپیوتر، 33، 181-189. https://link.springer.com/article/10.1007/s00366-016-0463-0
[ 5 ]	منجزی، م.، غفوریکلاجهی، م. و بهارمی، ع. (1390) پیش بینی ارتعاش زمین ناشی از انفجار با استفاده از شبکه های عصبی مصنوعی. تونل زنی و فناوری فضای زیرزمینی، 26، 46-50. https://doi.org/10.1016/j.tust.2010.05.002 https://www.sciencedirect.com/science/article/pii/S0886779810000799
[ 6 ]	Moriyama, Y. and Kawamura, Y. (2017) پیشنهاد ارتعاش زمین ناشی از فناوری نقشه برداری انفجار در سایت معدن شهری با استفاده از Web-GIS. MMIJ & EARTH 2017، PY2-86.
[ 7 ]	Moriyama, Y. and Kawamura, Y. (2018) سیستم تجسم ارتعاش زمین ناشی از انفجار در یک معدن شهری با استفاده از ANN و Web-GIS. MMIJ 2018, 3601-05-04.
[ 8 ]	Wang, YQ (2014) MeteoInfo: نرم افزار GIS برای تجسم و تجزیه و تحلیل داده های هواشناسی. برنامه های هواشناسی، 21، 360-368. https://doi.org/10.1002/met.1345 https://rmets.onlinelibrary.wiley.com/doi/full/10.1002/met.1345
[ 9 ]	هاشمی، م. و آلشیخ، ع.آ. (1392) GIS: مدلسازی و ارزیابی مبتنی بر عامل یک منطقه زلزله زده با مطالعه موردی در تهران، ایران. مخاطرات طبیعی، 69، 1895-1917. https://link.springer.com/article/10.1007/s11069-013-0784-x
[ 10 ]	Leh, M., Bajwa, S. and Chaubey, I. (2013) تأثیر تغییر کاربری زمین بر خطر فرسایش: سنجش از دور یکپارچه، سیستم اطلاعات جغرافیایی و مدلسازی. تخریب و توسعه زمین، 24، 409-421. https://doi.org/10.1002/ldr.1137 https://onlinelibrary.wiley.com/doi/full/10.1002/ldr.1137
[ 11 ]	Gu، QH، Lu، CW، Guo، JP و Jing، SG (2010) سیستم مدیریت پویا ترکیب سنگ معدن در یک معدن روباز بر اساس GIS/GPS/GPRS. علم و صنعت معدن، 20، 132-137. https://www.sciencedirect.com/science/article/pii/S1674526409601745
[ 12 ]	Choi, Y. and Nieto, A. (2011) مسیریابی بهینه حمل و نقل کامیون های کمپرسی خارج از جاده در سایت های ساخت و ساز و معدن با استفاده از Google Earth و یک الگوریتم مسیر کم هزینه اصلاح شده. اتوماسیون در ساخت و ساز، 20، 982-997. https://doi.org/10.1016/j.autcon.2011.03.015 https://www.sciencedirect.com/science/article/pii/S0926580511000422
[ 13 ]	Khandelwal, M. and Singh, TN (2009) پیش بینی ارتعاش زمین ناشی از انفجار با استفاده از شبکه عصبی مصنوعی. مجله بین المللی مکانیک سنگ و علوم معدنی، 46، 1214-1222. https://doi.org/10.1016/j.ijrmms.2009.03.004 https://www.sciencedirect.com/science/article/pii/S1365160909000574
[ 14 ]	ناطقی، ر. (1390) پیش بینی سطح ارتعاش زمین ناشی از انفجار در واحدهای سنگی مختلف. مجله بین المللی مکانیک سنگ و علوم معدنی، 48، 899-908. https://www.sciencedirect.com/science/article/pii/S1365160911000670
[ 15 ]	Khandelwal, M. and Singh, TN (2006) پیش بینی ارتعاشات و فرکانس زمین ناشی از انفجار در معدن روباز: رویکرد شبکه عصبی. مجله صدا و ارتعاش، 289، 711-725. https://doi.org/10.1016/j.jsv.2005.02.044 https://www.sciencedirect.com/science/article/pii/S0022460X05001823
[ 16 ]	سعادت، م.، کهندلوال، م. و منجزی، م. (2014) رویکرد مبتنی بر شبکه عصبی مصنوعی برای پیش بینی ارتعاش زمین ناشی از انفجار معدن سنگ آهن گل گهر، ایران. مجله مکانیک سنگ و مهندسی ژئوتکنیک، 6، 67-76. https://doi.org/10.1016/j.jrmge.2013.11.001 https://www.sciencedirect.com/science/article/pii/S1674775513001157
[ 17 ]	Mohamed, MT (2011) عملکرد منطق فازی و شبکه عصبی مصنوعی در پیش بینی ارتعاشات زمین و هوا. مجله بین المللی مکانیک سنگ و علوم معدنی، 48، 845-851. https://www.sciencedirect.com/science/article/pii/S1365160911000694