نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشیار گروه جغرافیا و برنامهریزی شهری دانشگاه شهید باهنر کرمان، کرمان، ایران
2 دانشجوی کارشناسی ارشد مخاطرات طبیعی دانشگاه شهید باهنر کرمان، کرمان، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Abstract
Predicting the magnitude and location of earthquakes can significantly mitigate the impact of this natural phenomenon. Anticipating potential earthquake locations can enhance infrastructure resilience and reduce vulnerability. This study aimed to forecast and analyze the magnitude and location of potential earthquakes along the railway lines in Hormozgan Province using intelligent Artificial Neural Network (ANN) algorithms. The model utilized earthquake location, magnitude, and depth data from the International Institute of Seismology and Earthquake Engineering, as well as fault lengths in the region as the input variables. The findings revealed 32 potential earthquake points in the study area with projected magnitudes ranging from 4.3 to 5.2 on the Richter scale. The earthquake prediction-based zoning of Hormozgan Province indicated that the southern and central parts (north of the Strait of Hormuz) were at a high risk. Consequently, the rail lines in this area were more susceptible. Specifically, Tunnel No. 23 was situated in a high-risk zone and Tunnels 21, 22, and 23 were in close proximity to earthquakes with magnitudes exceeding 5 on the Richter scale.
Keywords: Forecast, Railway Lines, Earthquake, Artificial Neural Network (ANN), Hormozgan Province.
Introduction
Earthquakes represent one of the most intricate and nonlinear natural phenomena. Their complex nature and system variability make predicting their magnitudes and locations seemingly impossible. However, forecasting these aspects of earthquakes can significantly mitigate the damage caused by such events. Anticipating the locations of potential earthquakes can bolster infrastructure and facilities in these areas, reducing their vulnerability. Consequently, the quest for reliable methods to predict the timing, location, and magnitude of earthquakes has been a focal point of recent research. Artificial Neural Networks (ANNs) have emerged as powerful tools for earthquake prediction, offering several key advantages. Firstly, they excel at learning complex, nonlinear environments. Secondly, they make no assumptions about data distribution and thirdly, they exhibit flexibility in handling incomplete or missing data (Vellido et al., 1999, p. 53). Overall, ANNs have demonstrated success in various domains, including system identification, approximation and estimation, optimization, and behavior prediction (Cigizoglu & Kisi, 2006, p. 236). Hormozgan Province situated in the folded Zagros belt harbors numerous faults and has experienced destructive earthquakes in the past, indicating its high seismic potential. Therefore, this study sought to address the following questions: What is the likelihood of high-magnitude earthquakes occurring in Hormozgan Province? And where are the potential locations of these earthquakes?
Materials & Methods
This applied study aimed to forecast the magnitudes and locations of potential earthquakes in Hormozgan Province using the ANN algorithm. The simulation utilized earthquake location, depth, and magnitude data for events exceeding 4 on the Richter scale in the study area, along with fault length, as the model inputs. The prediction of earthquake magnitudes was carried out using the Perceptron neural network, while the Cohen's neural network was employed to forecast potential earthquake locations. Specifically, the Perceptron neural network was utilized for magnitude prediction and the Self-Organizing Feature Map (SOFM) neural network was employed for location prediction.
Research Findings
In general, the seismic potential of faults to generate earthquakes is influenced by seismic history, tectonic movement, and fault dimensions. Through the application of ANNs, a total of 32 potential earthquake locations were predicted with projected magnitudes ranging from 4.3 to 5.2.
Discussion of Results & Conclusion
The study's findings indicated the prediction of 32 potential earthquake locations in the study area with projected magnitudes ranging from 4.3 to 5.2 on the Richter scale. Consequently, zoning of Hormozgan Province based on these predictions revealed that the southern and central parts of the province (north of the Strait of Hormuz) were situated in high-risk zones. This heightened risk could make the rail lines in this area more susceptible to potential seismic events. Notably, Tunnel No. 23 was located in a high-risk area and Tunnels 21, 22, and 23 were in close proximity to earthquakes with magnitudes exceeding 5 on the Richter scale.
کلیدواژهها [English]
مقدمه
نگرش سیستمی بر روندهای حاکم بر طبیعت دستاوردهای چشمگیری را داشته است. درک مشخصههای عمومی کارکردها و ساختار پیچیده براساس الگوی انتزاعی از روابط (منجر به تبیین و پیشبینی پویایی سیستمها در وضعیت آشفتگی شده بود) باعث تدوین استراتژیهای کلگرا برای حفاظت و مدیریت یکپارچه در محیط میشود. بهطور کلی، روابط موجود در درون سیستم در قالب مدلهای متعدّدی جمعبندی میشود که این مدلها ابزار مهم برای تبیین پدیدههایی است که در سیستمها دیده میشود؛ بنابراین در مطالعات ژئومورفولوژی سیستمهای متعدّدی قابلیت تمیز و مطالعه را دارند. ازجملۀ این سیستمها، سیستمهای گسلی و ساختار تکتونیکی حاکم بر محیط طبیعی است که باتوجه به نحوۀ عملکرد و وقوع این پدیده، پیشبینی قطعی آن تاکنون امکانپذیر نبوده است؛ به همین دلیل، دستیابی به روشهای مطمئن برای پیشبینی مکانی، زمانی و بزرگای زمینلرزهها هدف اصلی پژوهشهای اخیر بوده است.
شبکههای عصبی مصنوعی از ابزارهای رایج در مدلسازی است. نتایج حاصل از این قبیل مدلها براساس بهترین تابع برازشدهنده بین متغیرهاست که این خصوصیت عامل ایجاد محدودیت در توزیع زمانی–مکانی متغیرها و مستلزم تبعیت دادهها از تابع یا معادلهای خاص است (ولی و همکاران، 1390، ص. 20). Frank rosen blat در سال 1962 شبکۀ عصبی مصنوعی را بهطور ابتدایی و سپس Romel hart and Mc kland در سال 1986 به شکل جدّی و تأثیرگذار بههمراه ابداع و ارائۀ مدل پرسپترون (perceptron) بهبودیافته به جهان معرفی کرد. این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرونهای موجود در مغز انسان سعی میکند تا با توابع تعریفشدۀ ریاضی رفتار درون سلولی نرونهای مغز را شبیهسازی کند و سپس با وزنهای محاسباتی موجود در خطوط ارتباطی نرونهای مصنوعی، عملکرد سیناپسی را در نرونهای طبیعی به مدل درآورد (ولی و همکاران، 1388، ص. 26).
شبکههای عصبی سه مزیت عمده دارند: اول اینکه، شبکههای عصبی توانایی یادگیری هرگونه محیط پیچیده و غیرخطی را دارند؛ دوم اینکه، شبکه هیچگونه پیشفرضی را دربارۀ توزیع دادهها ندارد و سوم اینکه، شبکههای عصبی دربرابر دادههای ناقص و از دست رفته بسیار انعطافپذیر هستند (Vellido et al., 1999, p. 53). ماهیت و ذات تجربی و منعطف این روش باعث میشود تا در مسائلی مانند مقولۀ پیشبینی که یک چنین نگرشی در ساختار آنها مشاهده میشود و رفتار غیرخطی دارد، بهخوبی درخور استفاده باشد. درواقع یک مدل، طرحی کرداری یا روشی است که بهطور مشخص در سیستمهای استقرایی برای پیشبینی نتایج یک رشته از فعالیتها به کار گرفته میشود (پورخسروانی و همکاران، 1394، ص. 18). بهطور کلی، شبکههای عصبی مصنوعی در برخورد با مسائلی ازقبیل شناسایی سیستم، تقریب و تخمین، بهینهسازی، شبیهسازی و پیشبینی رفتار و نظایر آن نتایج موفقیتآمیزی داشته است (Cigizoglu & Kisi, 2006, p. 236). در همین راستا و باتوجه به اهمیت مدلسازی با استفاده از شبکههای عصبی مصنوعی در پیشبینی و تخمین بزرگا و محل وقوع زلزله تاکنون محققان مختلف پژوهشهایی را در این زمینه انجام دادهاند؛ ازجمله، ارجمند و همکاران (1395) در پژوهشی با عنوان «پیشبینی بزرگای زلزله با استفاده از شبکۀ عصبی پرسپترون چندلایه» بیان میکنند این مدل توانایی زیادی در پیشبینی بزرگای زلزله دارد. حیاتی و همکاران (1395) در پژوهشی با عنوان «پیشبینی محل وقوع زلزلۀ احتمالی در استان خراسان رضوی با استفاده از روش شبکۀ عصبی مصنوعی» نتیجه گرفتند بیشترین احتمال وقوع لزله در منطقۀ مرکزی متمایل به غرب استان و جنوب شرق استان شده است. شمشیری و آخوندزاده هنزائی (1394) در پژوهشی با عنوان «تشخیص آنومالیهای TEC قبل از وقوع زلزلههای بزرگ که با استفاده از تلفیق شبکۀ عصبی مصنوعی و الگوریتم بهینهسازی توده ذرات (PSO)» نتیجه گرفتند که برخی از این ناهنجاریها ناشی از وقوع زلزله است؛ بهطوری که بهکارگیری الگوریتمهای هوشمند توانسته است کارآیی مناسبی را در راستای پیشبینی سریهای زمانی غیرخطی داشته باشد. گرامی و همکاران (1391) در پژوهشی با عنوان «پیشبینی آماری پهنهبندی خطر زلزلۀ احتمالی با استفاده از شبکههای عصبی مصنوعی» اشاره کردند که بیشترین احتمال وقوع زلزله در استان قم در منطقۀ مرکزی این استان با احتمال 6/31 درصد و در محدودۀ شمالی استان سمنان با احتمال 9/28 درصد پیشبینی شده است.
بیلال و همکاران در پژوهشی با عنوان «یک سیستم هشدار اولیه برای پیشبینی زلزله از دادههای لرزهای با استفاده از شبکۀ عصبی کانولوشنال گراف نرمالشدۀ دستهای با مکانیسم توجه» ضمن استفاده از مدل شبکۀ عصبی مصنوعی در پیشبینی زلزله بیان میکنند که این مدل قابلیت زیادی در پیشبینی بزرگا و عمق زلزلهها در منطقههای مختلف دارد (Bilal et al., 2022). مانگالا و ناویون در پژوهشی با عنوان «پیشبینی بزرگی زلزله با استفاده از مدل شبکۀ عصبی مصنوعی» بیان میکنند که مدل شبکۀ عصبی مصنوعی دقت پیشبینی بیشتری را برای زلزلههای بزرگتر از 5/3 تا 4/5 ریشتر فراهم میکند (Mangala Gowri & Naveen, 2021). کومار و راجا در پژوهشی با عنوان «یک مدل شبکۀ عصبی مصنوعی BP برای پیشبینی بزرگی زمینلرزه در هیمالیا، هند» ضمن ارزیابی عملکرد تکنیکهای شبکۀ عصبی در پیشبینی زمینلرزههای موجود در منطقۀ کمربند هیمالیا نتیجه گرفتند که این تکنیک قدرت بیشتری را در پیشبینی زلزلههای بین 4 تا 6 ریشتر دارد (Kumar & Raja, 2016). اعظم و همکاران در پژوهشی با عنوان «تکنیکهای مبتنی بر هوش مصنوعی برای پیشبینی زلزله» ضمن پیشبینی زلزله با استفاده از شبکۀ عصبی مصنوعی در اسلامآباد پاکستان بیان میکنند که شبکۀ عصبی مصنوعی با مدلسازی ساختارهای پیچیده و غیرخطی از بهترین روشها برای پیشبینی زلزله است (Azam et al., 2014). عبدالرحمان و همکاران در پژوهشی با عنوان «پیشبینی زلزله با استفاده از شبکۀ عصبی مصنوعی در منطقۀ شمالی دریای سرخ با استفاده از اطلاعات زلزلههای رخداده» نتیجه گرفتند که شبکههای عصبی حداقل 32 درصد بهتر از سایر روشها توانستهاند پیشبینی محلهای محتمل را انجام دهند (Abdulrahman et al., 2012).
استان هرمزگان بهدلیل قرارگیری در کمربند چینخوردۀ راندۀ زاگرس خطوارهها و گسلهای پیسنگی فراوان و نیز بهدلیل رخداد زلزلههای بزرگ در بیشینۀ لرزهخیزی خود استعداد لرزهخیزی زیادی را دارد؛ بنابراین در برخی منطقهها انتظار وقوع زلزلههایی با بزرگای بسیار زیاد میرود. به همین علت، حراست و حفاظت از شبکههای ارتباطی و بهویژه شبکۀ ریلی (سازهها، پلها، تونلها و ابنیۀ مسیر) بهعنوان زیرساختهای مهم و شریان حیاتی جوامع در این استان دربرابر مخاطرههای لرزهای اهمیت بسیار زیادی دارد. زلزله ازجمله فرآیندهای پیچیده و غیرخطی حاکم بر طبیعت است که بهعلت ساختار پیچیده، نحوۀ وقوع و تغییرپذیربودن سیستم، امکان پیشبینی بزرگا و محل وقوع این فرآیند را ندارد. پیشبینی رخداد زلزله تأثیر بسیار زیادی بر کاهش خسارتهای احتمالی خواهد داشت. امروزه پژوهشگران با ابداع علومی همانند روشهای هوشمند که ابزاری توانمند و انعطافپذیر است، بهدنبال راههایی فراتر از روشهای معمول برای شناخت و پیشبینی زلزله هستند. شبکههای عصبی مصنوعی که زیرمجموعۀ سیستمهای هوشمند هستند، قادرند با تکنیکهای قوی آموزشی خصوصیات سیستم را از دادههای وسیع موجود به دست آورند. بر همین اساس، محققان در پژوهش حاضر کوشیدهاند تا بزرگا و محل وقوع زلزلههای احتمالی را در محدودۀ خطوط ریلی استان هرمزگان با استفاده از شبکۀ عصبی مصنوعی پیشبینی کنند.
موقعیت منطقۀ مطالعهشده
منطقۀ مطالعهشده در محدودۀˈ76 °54 تا ˈ87 °56 طول شرقی وˈ03 °27 تا ˈ71 °28 عرض شمالی در استان هرمزگان واقع شده است. این منطقه در کمربند چینخوردۀ راندۀ زاگرس در قسمت میانی کمربند کوهزایی آلپی قرار گرفته و ازجمله جوانترین کوهزادهای سنوزوئیک است. کمربند چینخوردۀ زاگرس با طول 1800 کیلومتر از شمال غرب به جنوب شرق کشیده شده است. این کمربند در جنوب غرب به فروافتادگی خلیجفارس و سپر عربستان محدود و در شمال شرق با گسل اصلی زاگرس از پهنۀ سنندج-سیرجان جدا میشود (شکل 1).
شکل 1: موقعیت منطقۀ مطالعهشده (منبع: نویسندگان، 1399)
Figure 1: Location of the studied area
روششناسی پژوهش
پژوهش حاضر از نوع کاربردی است که در آن با استفاده از الگوریتم شبکۀ عصبی مصنوعی، بزرگا و محل وقوع زلزلههای احتمالی محدودۀ خطوط ریلی استان هرمزگان پیشبینی میشود. شبکههای عصبی مصنوعی (ANN) (Artificial Neural Network) ابزار ریاضی هستند که با الگوبرداری از سیستم عصبی بیولوژیک ساخته شدهاند و توانایی آنها در استخراج الگوها از دادههای مشاهدهشده بدون نیاز به داشتن مفروضاتی دربارۀ روابط بین متغیرهاست (Fulop et al., 1998, p. 754). این شبکهها قدرت انعطاف و تصحیحپذیری فراوانی را در انطباق خود با دادههای موجود دارند (Ranjithan et al., 1995, p. 256). بهگونهای که قادر هستند با سازماندهی مجهزشده، نظم و هماهنگی موجود در داخل این دادهها را پیدا (منهاج، 1384، ص. 21) و براساس بردارهای ورودی، رخداد و بزرگی یک پدیده را پیشبینی کنند (Conrads & Roehle, 1999, p. 3).
روش اول: شبکۀ عصبی پرسپترون چندلایه
این شبکه برمبنای الگوریتم پس انتشار خطا آموزش میبیند. بدین ترتیب که خروجیهای واقعی با خروجیهای دلخواه مقایسه و سپس وزنها با الگوریتم پس انتشار بهصورت زیر نظارت تنظیم میشود تا الگوی مناسب به وجود آید. شبکههای عصبی پرسپترون از چندین لایه از گرهها شامل یک لایۀ ورودی، یک لایۀ خروجی و یک (چند) لایۀ پنهان تشکیل شده است که هرکدام از این لایهها بهترتیب شامل گرههای ورودی، گرههای خروجی و گره پنهان است (Mangala Gowri & Naveen, 2021, p. 2514).
متغیرهای ورودی به شبکۀ عصبی
اطلاعات لرزهای استفادهشده در این شبیهسازی همۀ زلزلههای ثبتشده دستگاهی در محدودۀ ایران خواهد بود که در پایگاه اطلاعاتی پژوهشگاه بینالمللی زلزلهشناسی و مهندسی زلزله موجود است. باتوجه به بحث مهندسی سازه زلزلههای بزرگتر از 4 ریشتر در مطالعات لرزهخیزی اهمیت دارد. به این دلیل در پژوهش حاضر فقط برروی زلزلههای با بزرگی 4 ریشتر و بیشتر تمرکز شده است. در پژوهش حاضر مؤلفههای موقعیت مکانی زلزله، عمق زلزله، بزرگا و طول گسل بهعنوان ورودی مدل برای شبیهسازی درنظر گرفته شده است (شکل 2).
شکل 2: توزیع فضایی زلزلههای بیش از 4 ریشتر بهعنوان ورودی مدل (منبع: نویسندگان، 1399)
Figure 2: Spatial distribution of earthquakes above 4 Richter as model input
همچنین، برای ارزیابی دقت مدل شبکۀ عصبی استفادهشده در پژوهش از روشهای آماری جذر میانگین مربع خطا، میانگین خطای بایاس و میانگین خطای مطلق استفاده شده است. روش جذر میانگین مربع خطا اندازۀ واقعی خطای تولیدشده را نشان میدهد که با رابطۀ (1) به دست میآید.
رابطۀ (1)
این روش میزان خطای بین دو مجموعه داده را اندازه گیری میکند. در این مدل بیشتر، مقدارهای پیشبینیشده و اندازهگیریشده با یکدیگر مقایسه میشود. در این شاخص ابتدا اختلاف تکتک مقدارهای مشاهدهشده با مقدارهای پیشبینیشده با مدل محاسبه میشود و سپس به توان دو میرسد. از این اختلافات میانگین گرفته و درنهایت، جذر عدد میانگین ارائه میشود که همان RMSE است. این شاخص معیاری برای دقت نتایج است و بهطور معمول، هرچه مدل بهتر بر دادهها منطبق باشد، مقدار آن کمتر میشود (خزاعی و همکاران، ۱۳۹۱، ص. ۳۷). میانگین خطای بایاس، درجۀ تطابق بین میانگین پیشبینی و میانگین مشاهدهشده را نشان میدهد. این معیار که بیانگر میانگین انحراف است، علاوهبر دارابودن علامت مثبت (بیشبرآوردی مدل) و یا منفی (کم برآوردی مدل) مقدار انحراف از مقدارهای مشاهدهشده را نشان میدهد. این معیار اگر برابر صفر باشد، نشان میدهد که برآورد مدل خوب بوده است و در آن هیچگونه انحرافی نبوده است که میتوان آن را از رابطۀ (2) اندازهگیری کرد.
رابطۀ (2)
میانگین خطای مطلق که با رابطۀ (3) محاسبه میشود، صحت مدل را تعیین میکند. مقدار صفر این معیار نشاندهندۀ صحت ۱۰۰٪ است که هر قدر مقدار آن از صفر فاصله داشته باشد، حاکی از کمشدن صحت مدل است (کاظمی پشت مساوی و همکاران، ۱۳۹۱، ص. ۲۰۷).
رابطۀ (3)
همانگونه که ذکر شد، هدف از انجامدادن این پژوهش پیشبینی بزرگای زلزلههایی است که احتمال وقوع آنها در منطقۀ مطالعهشده وجود دارد. در همین رابطه متغیر خروجی این مدل بزرگای زلزله های احتمالی است. . گفتنی است که این پارامتر بهصورت یک متغیر کیفی درنظر گرفته و سپس چهار دستهبندی برای هر زلزله اختصاص داده شده است. این کار برای افزایش توانایی پیشبینی شبکۀ عصبی انجام شده است؛ زیرا این شبکهها با خروجیهای کیفی و طبقهبندیشده بسیار سازگارتر هستند. طبقهبندی قدرت هر زلزله در جدول (1) نشان داده شده است.
جدول 1: کلاسبندی بزرگای زلزله
Table 1: Classification of earthquake magnitudes
|
کلاس |
محدوده |
|
1 |
|
|
2 |
|
|
3 |
|
|
4 |
|
منبع: نویسندگان، 1399
در پیادهسازی مدل مدنظر تعداد 10 اجرای، متفاوت و سپس میانگین این 10 اجرا بهعنوان دقت نهایی الگوریتم درنظر گرفته شده است. در جدول 2 تعداد نرونهای لایۀ مخفی 10 عدد منظور شده است.
جدول 2: تعداد نرونهای لایۀ مخفی
Table 2: Number of hidden layer neurons
|
دقت |
اجرا |
|
3846/55 |
1 |
|
7698/50 |
2 |
|
0769/43 |
3 |
|
0769/53 |
4 |
|
3076/52 |
5 |
|
3846/55 |
6 |
|
6923/57 |
7 |
|
50 |
8 |
|
3076/52 |
9 |
|
9230/56 |
10 |
|
6923/52 |
دقت نهایی |
منبع: نویسندگان، 1399
شکل 3: نمایش دقت در 10 اجرای مربوط به دادههای جدول 2 (منبع: نویسندگان، 1399)
Figure 3: Showing the accuracy in 10 executions related to the data in Table 2
شکل 3 نمایش دقت در 10 اجرا متفاوت مربوط به دادههای جدول 2 را نشان میدهد. در این شکل دقت شبکۀ عصبی نسبت به اجراهای مختلف و دقت متوسط نمایش داده شده است. در این شبیهسازی از 80 درصد دادههای موجود برای آموزش و از 20 درصد باقیمانده برای دادههای آزمایش استفاده شده است. سپس برای توانایی پیشبینی روش، دادههای پیشبینیشده با مقدارهای واقعی بزرگی زلزله مقایسه شده است.
روش دوم: شبکۀ عصبی خودسازماندهنده (SOM)
این روش یک روش تجسمداده است که پروفسور Teuvo Kohonen اختراع کرده است. در این روش ابعاد، دادهها را با کاربرد شبکۀ عصبی خودسازماندهنده کاهش میدهد. مسئلهای که تجسمداده سعی در حل آن دارد، این است که مغز انسان بهسادگی نمیتواند دادههای با ابعاد زیاد را تجسم کند. روشهایی برای کمک به درک این دادهها وجود دارد. هدف اصلی این تکنیک کاهش ابعاد دادهها به یک یا دو بُعد است. به این روش، شبکههای عصبی خودسازماندهنده نیز میگویند؛ زیرا درواقع، زیرمجموعۀ روش شبکۀ عصبی مصنوعی است. در یک شبکۀ خودسازماندهنده، واحدهای پردازشگر در گرههای یک شبکۀ تکبُعدی، دو بُعدی یا بیشتر قرار داده میشود. واحدها در یک فرآیند یادگیری رقابتی نسبت به الگوهای ورودی منظم میشوند. محل واحدهای تنظیمشده در شبکه بهگونهای نظم مییابد که برای ویژگیهای ورودی، یک دستگاه مختصات معنادار روی شبکه ایجاد میشود؛ بنابراین یک نقشۀ خودسازمانده، یک نقشۀ توپوگرافیک از الگوهای ورودی را تشکیل میدهد که در آن، محل قرارگرفتن واحدها، متناظر ویژگیهای ذاتی الگوهای ورودی است. یادگیری رقابتی که در این قبیل شبکهها به کار گرفته میشود، بدین صورت است که در هر قدم یادگیری، واحدها برای فعّالشدن با یکدیگر رقابت میکنند. در پایان یک مرحلۀ رقابت تنها یک واحد برنده میشود که وزنهای آن نسبت به وزنهای سایر واحدها به شکل متفاوتی تغییر داده میشود. روش یادگیری خودسازماندهنده این نوع یادگیری را یادگیری بدون نظارت (Unsupervised) مینامد (منهاج، 1384، ص. 379).
دلیل انتخاب شبکۀ عصبی کوهنن این است که این شبکهها قادر هستند که حجم زیادی از اطلاعات را بهطور همزمان و بهصورت موازی دستهبندی کنند و الگوهای لرزهای را بهخوبی تشخیص دهند. استفاده از این مدل بهدلیل وجود مدلهای آماری در الگوریتم درونی سبب شده است برخلاف اغلب روشهای آماری نیازی به وجود فرضیههای زیاد نباشد. درنهایت، باتوجه به بررسی آماری انجامشده درصد احتمال وقوع زلزله در منطقۀ مدنظر ارزیابی شد.
یافتههای پژوهش و تجزیهوتحلیل
ساختار تکتونیکی استان هرمزگان
قرارگیری استان هرمزگان در فصل مشترک سه پهنۀ ساختاری رسوبی زاگرس، مکران و ایران مرکزی سبب شده است تا این استان جایگاه زمینشناسی و ساختاری ویژهای داشته باشد. به عبارت دیگر، گسترههای واقع در شمال بندرعباس تا غرب بندر لنگه در پهنۀ زاگرس، شمال نواحی واقع در شرق میناب تا شرق جاسک در پهنۀ مکران و پایانۀ شمالی استان در پهنۀ ایران مرکزی واقع شده است (شعبانی، 1394، ص. 38). بهطور کلی، جایگاه ساختاری استان هرمزگان حاکی از پراکنش گسلهای متعدّدی درسطح این استان است که ساختار تکتونیکی فعّالی را برای آن به وجود آورده است. جدول (3) مهمترین گسلهای این استان را نشان میدهد.
جدول 3: ویژگیهای گسلهای استان هرمزگان
Table 3: Characteristics of faults in Hormozgan province
|
جهت گسل |
طول گسل (کیلومتر) |
ﻧﺎم ﮔﺴﻞ |
شماره |
|
ﺷﺮﻗﻰ-ﻏﺮﺑﻰ |
120 |
چارک |
1 |
|
ﺷﻤﺎل ﺷﺮﻗﻰ-ﺟﻨﻮب ﻏﺮﺑﻰ |
95 |
موران |
2 |
|
ﺷﻤﺎل ﺷﺮﻗﻰ-ﺟﻨﻮب ﻏﺮﺑﻰ |
50 |
خمیر |
3 |
|
ﻏﺮب و ﺷﻤﺎل ﻏﺮﺑﻰ-ﺷﺮق و ﺷﻤﺎل ﺷﺮﻗﻰ |
325 |
زاگرس جبهۀ کوهستان |
4 |
|
ﺷﺮﻗﻰ-ﻏﺮﺑﻰ |
60 |
خورگو |
5 |
|
ﺷﻤﺎل غربی-ﺟﻨﻮب ﺷﺮﻗﻰ |
240 |
میناب (زندان) |
6 |
|
ﺷﻤﺎلﻏﺮﺑﻰ-ﺟﻨﻮب ﺷﺮﻗﻰ |
250 |
زاگرس معکوس اصلی |
7 |
|
ﺷﻤﺎلﻏﺮﺑﻰ-ﺟﻨﻮب ﺷﺮﻗﻰ |
300 |
زاگرس مرتفع معکوس |
8 |
|
ﺷﺮﻗﻰ-ﻏﺮﺑﻰ |
205 |
مکران |
9 |
منبع: نقشههای زمینشناسی 1:100000 استان هرمزگان
عملکرد این گسلها موجب شده است که این استان زلزلههای متعدّدی داشته باشد. مهمترین زلزلههای رخداده در استان هرمزگان عبارت است از:
اﻟﻒ) زﻣﻴﻦﻟﺮزۀ ﻣﻜﺮان ﺑﺎﺧﺘﺮی
در ٢١ رﻣﻀﺎن ﺳﺎل 887 ﻫﺠﺮى ﻗﻤﺮى ﻣﺼﺎدف ﺑﺎ ٣ ﻧﻮاﻣﺒﺮ ﺳﺎل 1482زﻣﻴﻦﻟﺮزهﻫﺎﻳﻰ در ﻗﺴﻤﺖﻫﺎى ﻏﺮﺑﻰ ﻣﻜﺮان آﻏﺎز شد. ﺑﻌﻀﻰ از اﻳﻦ زﻣﻴﻦﻟﺮزهﻫﺎ ﻓﻘﻂ با ﻋﺪۀ ﻛﻤّﻰ از ﻣﺮدم در اﻳﻦ ﺣﻮاﻟﻰ اﺣﺴﺎس و برخی دیگر ﺑﺎﻋﺚ ﺗﺮس و وﺣﺸﺖ ﻣﺮدم شد. اﻳﻦ وﺿﻊ ﭼﻨﺪ روز اداﻣﻪ داﺷﺖ ﺗﺎ اﻳﻨﻜﻪ در ١٠ ﻣﺤﺮم ﺳﺎل ٨٨٨ ﻫﺠﺮى ﻗﻤﺮى ﻣﺼﺎدف ﺑﺎ ١٨ ﻓﻮرﻳۀ ﺳﺎل 1483 زﻣﻴﻦﻟﺮزۀ وﻳﺮاﻧﮕﺮى در ﺗﻨﮕۀ ﻫﺮﻣﺰ رخ داد. اﻳﻦ زﻣﻴﻦﻟﺮزه در ﺗﻤﺎم ﻣﻨطقههای اﻃﺮاف اﺣﺴﺎس ﺷﺪ. ﺑﻪ ﺣﺪّى ﻛﻪ در ﺟﺮون (ﺷﻬﺮ ﺑﻨﺪرﻋﺒﺎس از روزﮔﺎران ﻛﻬﻦ ﻧﺎمﻫﺎﻳﻰ ﭼﻮن ﮔﺎﻣﻼو، ﻛﺎﻣﺎراو، ﮔﺎﻣﺒﺮى، ﮔﻤﺒﺮون، ﮔﺎﻣﺮون، ﮔﻤﺮو و ﺟﺮون داشته اﺳﺖ) ﺑﺮﺧﻰ از ﺳﺎﺧﺘﻤﺎنﻫﺎى ﺑﻠﻨﺪ، ﻣﻨﺎرهﻫﺎى ﻣﺴﺠﺪ و ﺑﺎدﮔﻴﺮﻫﺎى ﺧﺎﻧﻪﻫﺎ ﻓﺮورﻳﺨﺖ و ﺑﻪ ﺑﺮﺧﻰ نیز آﺳﻴﺐ ﺟﺪّى رﺳﺎﻧﻴﺪ. ﺑهﻄﻮر ﻫﻤﺰﻣﺎن، زﻣﻴﻦﻟﺮزهایی در ﻗﺴﻤﺖﻫﺎى ﺷﻤﺎل ﺷﺮﻗﻰ ﻋﻤﺎن رخ داد. اﻳﻦ زﻣﻴﻦﻟﺮزه آﺳﻴﺐﻫﺎى ﺟﺪّی به ﻣﻨطقههای ﻣﺴﻜﻮﻧﻰ رﺳﺎﻧﺪ ﺗﺎ ﺟﺎﻳﻰ ﻛﻪ ﺣﺪود ﭼﻨﺪ ﺻﺪ ﻧﻔﺮ زﻳﺮ آوار ﻛﺸﺘﻪ ﺷﺪﻧﺪ. شعبانی (1394) ﺑﺎ ﺑﺮرﺳﻰ ﺟزئیات و ﻣﺸﺎﻫﺪۀ اﺛﺮهای زﻣﻴﻦﻟﺮزهﻫﺎى اﻳﻦ ﻣﻨطقهها ﻣﻄﺮح کردند ﻛﻪ بهاحتمال، زﻣﻴﻦﻟﺮزهاى ﺑﺎ ﺑﺰرﮔﻰ زﻳﺎد در اﻳﻦ ﻣﻨﻄﻘﻪ رخ داده اﺳﺖ. ﻣﻨﻄﻘۀ روﻣﺮﻛﺰى زﻣﻴﻦﻟﺮزه ﻓﺎﺻﻠۀ زﻳﺎدى از ﺟﺰﻳﺮۀ ﺷﻤﺎل ﺷﺮﻗﻰ ﻋﻤﺎن داﺷﺖ؛ اﻣﺎ ﺑﻪدﻟﻴﻞ ﻧﺒﻮد دادهﻫﺎى ﻛﺎﻓﻰ از زﻣﻴﻦﻟﺮزۀ ﻋﻤﺎن اﻣﻜﺎن ﺗﻌﻴﻴﻦ دﻗﻴﻖ ﻣﻨﻄﻘﻪاى ﻛﻪ زﻣﻴﻦﻟﺮزه در آﻧﺠﺎ رخ داده، ﺑﺴﻴﺎر ﻛﻢ است (شعبانی، 1394، ص. 44).
ب) زﻣﻴﻦﻟﺮزۀ ﺳﻴﺮاف
در ١٧ ژوﺋﻦ 978 ﻣﻴﻼدى ﻣﺼﺎدف ﺑﺎ ﻫﻔﺖ ذیقعدۀ ٣٦٧ ﻫﺠﺮى ﻗﻤﺮى زﻣﻴﻦﻟﺮزهاى ﺑﺎ وﻳﺮاﻧﮕﺮى ﻣﺤﻠﻰ در ﺑﻨﺪر ﺳﻴﺮاف در خلیج ﻓﺎرس رخ داد. ﺑﻴﺸﺘﺮ ﺧﺎﻧﻪﻫﺎى ﺷﻬﺮ آﺳﻴﺐ دﻳﺪ ﻳﺎ وﻳﺮان ﺷﺪ و ﺑﻴﺶ از ٢٠٠٠ ﺗﻦ ﻛﺸﺘﻪ ﺷﺪﻧﺪ. ﭘﺲﻟﺮزهﻫﺎ ﺑﻪﻣﺪت ﻳﻚ ﻫﻔﺘﻪ اداﻣﻪ داﺷﺖ و ﺳﺎﻛﻨﺎن ﺷﻬﺮ در درﻳﺎ ﭘﻨﺎه ﮔﺮﻓﺘﻨﺪ.
پ) زﻣﻴﻦﻟﺮزۀ ﺳﻴﺮاف
در ﺳﺎل 1008 ﻣﻴﻼدى در ﺑﻬﺎر ٣٩٥ ﻫﺠﺮى ﻗﻤﺮى زمینلرزهای در ﺳﻴﺮاف و ﻛﻨﺎرۀ ﺧﻠﻴﺞ ﻓﺎرس روى داد. ﻋﺪّۀ ﺑﺴﻴﺎرى ﻛﺸﺘﻪ ﺷﺪﻧﺪ و ﺷﻤﺎرى ﻛﺸﺘﻰ ﻏﺮق ﺷﺪ ﻛﻪ بهاحتمال، ﻋﺎﻣﻞ آن ﻳﻚ ﻣﻮج ﻟﺮزهاى درﻳﺎ (ﺗﺴﻮﻧﺎﻣﻰ) ﺑﻮده ﺑﺎﺷﺪ.
ت) زﻣﻴﻦﻟﺮزۀ ﻗﺸﻢ
در ﺳﺎل 1361 ﻣﻴﻼدى زﻣﻴﻦﻟﺮزۀ ﻣﺬﻛﻮر آﺳﻴﺐ ﻓﺮاوان ﺑﻪ ﺟﺰﻳﺮۀ ﻗﺸﻢ رﺳﺎند.
ث) زﻣﻴﻦﻟﺮزۀ ﻫﺮﻣﺰ
در ﺳﺎل 1497 ﻣﻴﻼدى ﺳﺮاﺳﺮ ﻳﻚ ﺷﻬﺮ در ﻫﻤﺴﺎﻳﮕﻰ ﻫﺮﻣﺰ ﺑﻪ اﺣﺘﻤﺎل زﻳﺎد ﮔﺎﻣﺒﺮون (ﺑﻨﺪرﻋﺒﺎس ﻛﻨﻮﻧﻰ) ﺑﻪﻛﻠﻰ وﻳﺮان ﺷﺪ و ﺳﺎﻛﻨﺎن ﺷﻬﺮ زﻳﺮ آوار ﺟﺎن ﺑﺎﺧﺘﻨﺪ.
ج) زﻣﻴﻦﻟﺮزۀ ﺑﻨﺪرﻋﺒﺎس
در 14 اﻛﺘﺒﺮ ﺳﺎل 1622 ﻣﻴﻼدى زﻣﻴﻦﻟﺮزۀ ﺑﺴﻴﺎر ﺑﺰرﮔﻰ در ﺑﻨﺪرﻋﺒﺎس و ﻫﺮﻣﺰ اﺗﻔﺎق اﻓﺘﺎد. اﻳﻦ زﻣﻴﻦﻟﺮزه ﺧﺎﻧﻪﻫﺎى زﻳﺎدى را ﺧﺮاب ﻛﺮد. در اﺛﺮ اﻳﻦ زﻣﻴﻦﻟﺮزه ﻋﺪّۀ ﺑﺴﻴﺎر زﻳﺎدى ﺟﺎن ﺧﻮد را از دﺳﺖ دادﻧﺪ. اﻳﻦ زﻣﻴﻦﻟﺮزه ﻳﻚ ﺑﺮج دژ را در ﺣﻮاﻟﻰ ﺑﻨﺪرﻋﺒﺎس ﺑهﻄﻮر ﻛﻠﻰ ﺧﺮاب ﻛﺮد. ﭘﺲ از زﻣﻴﻦﻟﺮزه ﺑﻪﻣﺪت دو روز ﭘﺲﻟﺮزهﻫﺎى ﻓﺮاواﻧﻰ در ﺷﻬﺮ اﺗﻔﺎق اﻓﺘﺎد و ﺑﺮ ﺧﺮاﺑﻰﻫﺎ اﻓﺰود. ﭘﺲﻟﺮزهﻫﺎى اﺗﻔﺎق رخداده در اﻳﻦ ﻣﻨﻄﻘﻪ اﻏﻠﺐ ﺑﺰرگ ﺑﻮد.
چ) زﻣﻴﻦﻟﺮزۀ ﻗﻴﺲ-ﻫﻨﮕﺎم
در ﺳﺎل 1703 ﻣﻴﻼدى ﻟﺮزۀ وﻳﺮاﻧﮕﺮى ﺑﻪ ﺟﺰﻳﺮهﻫﺎى ﻗﻴﺲ و ﻫﻨﮕﺎم آﺳﻴﺐ ﻓﺮاوان رﺳﺎﻧﻴﺪ.
ح) زﻣﻴﻦﻟﺮزۀ ﻣﻜﺮان
ﺣﺪود ﺳﺎل 1765 ﻣﻴﻼدى زﻣﻴﻦﻟﺮزۀ به نسبت ﺑﺰرﮔﻰ در رأس ﻛﻮﭼﺮى ﺑﺮ ﻛﺮاﻧۀ ﻣﻜﺮان اﺗﻔﺎق اﻓﺘﺎد. ﺑﻪ ﻧﻘﻞ ﻗﻮل ﺑﻴﺎنﺷﺪه در اﺛﺮ اﻳﻦ زﻣﻴﻦﻟﺮزه روﺳﺘﺎﻫﺎى زﻳﺎدى ﺧﺮاب ﺷﺪ. ﺗﻌﺮﻳﻒ ﺷﺪه اﺳﺖ ﻛﻪ ﻋﺪّهاى ﺷﺘﺮﺳﻮار درﺣﺎل ﮔﺬر از روى ﺗﭙﻪاى در آن ﺣﻮاﻟﻰ ﺑﻮدﻧﺪ ﻛﻪ در اﺛﺮ زﻣﻴﻦﻟﺮزه اﻳﻦ اﻓﺮاد ﺑﻪ ﻫﻤﺮاه ﺷﺘﺮاﻧﺸﺎن ﺑﻪ دره اﻓﺘﺎدﻧﺪ (شعبانی، 1394، ص. 45).
خ) زﻣﻴﻦﻟﺮزۀ ﺟﺰﻳﺮۀ ﻗﺸﻢ
ﺑﺎﺗﻮﺟﻪ ﺑﻪ ﻓﺮﻫﻨﮓ ﺟﻐﺮاﻓﻴﺎﻳﻰ ﻓﺎرﺳﻰ ﺧﻠﻴﺞ ﻓﺎرس در ﺳﺎل 1902 ﻗﺸﻢ و ﺑﻨﺪرﻋﺒﺎس ﺗﺤﺖﺗأﺛﻴﺮ اﺧﺘﻼﻻت ﻟﺮزهاى ﻛﻪ در 9 ژوﺋﻦ آﻏﺎز ﺷﺪ و ﺑﺮاى ﭼﻨﺪ روز طول کشید، ﻗﺮار ﮔﺮﻓﺘﻨﺪ. ﺑﻪﻃﻮر ﻣﻌﻤﻮل، آﺳﻴﺐ در ﺷﻬﺮ ﻗﺸﻢ ﺑﻴﺸﺘﺮ از ﺟﺎﻫﺎى دﻳﮕﺮ ﺑﻮد. بربریان اﻳﻦ زﻟﺰﻟﻪ را در 9 ژوﺋﻦ ﺳﺎل 1902 ﺑﺎ ده ﻧﻔﺮ ﻛﺸﺘﻪ و ﺑﺎ ﺷﺪت II در ﻗﺸﻢ ﮔﺰارش ﻛﺮد. ﺗﺎﻳﻤﺰ ﻟﻨﺪن در 26 ژوﺋﻴۀ 1902 ﮔﺰارش داد ﻛﻪ ﺷﻮکﻫﺎى ﻧﺎﺷﻰ از زﻣﻴﻦﻟﺮزهﻫﺎى ﺑﻨﺪرﻋﺒﺎس ﺑهﺼﻮرت ﻟﺮزشﻫﺎﻳﻰ روزاﻧﻪ اﺣﺴﺎس ﻣﻰﺷﺪ. دادهﻫﺎى اﺑﺰارى ﻧﺸﺎن ﻣﻰدﻫﺪ ﻛﻪ ﺷﻮک در 9 ﺟﻮﻻى در ﺳﺎﻋﺖ ٣ و ٣٨ دﻗﻴﻘﻪ و روﻣﺮﻛﺰ در ٢٧ درﺟۀ ﺷﻤﺎﻟﻰ و ٥٦ درﺟۀ ﺷﺮﻗﻰ واﻗﻊ ﺷﺪ که در این میان، ﺑﺰرﮔﺎ ﻳﺎ ﻋﻤﻖ ﻛﺎﻧﻮﻧﻰ ﺛﺒﺖ ﻧﺸﺪه اﺳﺖ.
د) زﻣﻴﻦﻟﺮزۀ ﺑﻨﺪرﻋﺒﺎس
ﺑﺎﺗﻮﺟﻪ ﺑﻪ ﻓﺮﻫﻨﮓ ﺟﻐﺮاﻓﻴﺎﻳﻰ ﻓﺎرﺳﻰ ﺧﻠﻴﺞ ﻓﺎرس در ﺳﺎل 1905 ﻟﺮزشﻫﺎﻳﻰ در ﺟﺰﻳﺮۀ ﻫﻨﮕﺎم در 25 آورﻳﻞ و 27 آورﻳﻞ در ﺟﺰﻳﺮۀ ﻗﺸﻢ احساس ﺷﺪ ﻛﻪ در ﺣﻮاﻟﻰ ﺑﻨﺪرﻋﺒﺎس در روﺳﺘﺎى اﻳﺴﻴﻦ ﻣﻮﺟﺐ ﺧﺴﺎرتدﻳﺪن ﺧﺎﻧﻪﻫﺎ ﺷﺪ. ﻫﻴﭻ دادۀ اﺑﺰارى ﺑﺮاى اﻳﻦ زﻣﻴﻦﻟﺮزه ﺛﺒﺖ ﻧﺸﺪه اﺳﺖ (شعبانی، 1394، ص. 46).
ذ) زﻣﻴﻦﻟﺮزۀ ﺑﻨﺪرﻋﺒﺎس 4 ژوﺋﻴۀ 1907
ﻛﻨﺴﻮﻟﮕﺮى روﺳﻴﻪ در ﺑﻨﺪرﻋﺒﺎس زﻣﻴﻦﻟﺮزهایی را در ﺳﺎﻋﺖ ﻧﻪ و ﭘﻨﺞ دﻗﻴﻘﻪ ﺑﻪ وﻗﺖ ﻣﺤﻠﻰ ﺑﺎ ﻣﺪت زﻣﺎن ﻧﻴﻢدﻗﻴﻘﻪ ﮔﺰارش ﻛﺮد. ﻟﺮزشﻫﺎ ﺑﺎ ﺳﺮوﺻﺪاى ﺧﻔﻴﻒ ﻫﻤﺮاه ﺑﻮد. ﺗﻨﻬﺎ دادۀ اﺑﺰارى ﺛﺒﺖﺷﺪه در اﻳﻦ روز در ﺳﺎﻋﺖ ٩ و٢١ دﻗﻴﻘﻪ ﺑﻪوﻗﺖ ﮔﺮﻳﻨﻮﻳﭻ و ﻣﺮﻛﺰ واﻗﻊ در ٢٧ درﺟۀ ﺷﻤﺎﻟﻰ و ٥٥ درﺟۀ ﺷﺮﻗﻰ است.
ر) زﻟﺰﻟۀ ﻧﺨﻞ ﻧﺎﺧﺪا، 24 آورﻳﻞ 1949
زﻣﻴﻦﻟﺮزهایی در ﺳﺎﻋﺖ ﻧﻪ دﻗﻴﻘﻪ و ٤٨ ﺛﺎﻧﻴﻪ ﺑﻪ وﻗﺖ ﮔﺮﻳﻨﻮﻳﭻ و روﻣﺮﻛﺰ ٢٨ درﺟﻪ و ﻧﻪ دﻗﻴﻘۀ ﺷﻤﺎﻟﻰ و ٥٥ درﺟﻪ و ٥٧ دﻗﻴﻘۀ ﺷﺮﻗﻰ ﺑﺎ ﺑﺰرﮔﺎى ٥/٥ و ﻋﻤﻖ ﻛﺎﻧﻮﻧﻰ ٤٠ ﻛﻴﻠﻮﻣﺘﺮ احساس ﺷﺪ. در ﻃﻰ زﻟﺰﻟﻪ ﻳﻜﻰ از دﻫﻜﺪهﻫﺎ ﺑﻪﻃﻮر ﻛﺎﻣﻞ، ﻧﺎﺑﻮد ﺷﺪ. ﺑﻨﺪرﻋﺒﺎس و ١٢ روﺳﺘﺎ آﺳﻴﺐ دﻳﺪ. همچنین، ﭘﺲﻟﺮزه ﺑﻪ ﻣﺪت ٣ روز اﺣﺴﺎس ﺷﺪ.
ز) زﻣﻴﻦﻟﺮزۀ ﮔﻬﻜﻢ 29 ژوﺋﻴۀ 1963
زﻟﺰﻟﻪ در ﺳﺎﻋﺖ ٦ و ١٠ دﻗﻴﻘﻪ و ٢٦ ﺛﺎﻧﻴﻪ ﺑﻪ وﻗﺖ ﮔﺮﻳﻨﻮﻳﭻ و ٩ و ٣٠ دﻗﻴﻘﻪ ﺑﻪ زﻣﺎن ﻣﺤﻠﻰ ﺑﺎ ﺑﺰرﮔﺎى ٢/٥ و ﻋﻤﻖ ﻛﺎﻧﻮﻧﻰ ٤٦ ﻛﻴﻠﻮﻣﺘﺮ رخ داده ﺑﻮد. ﻣﺮﻛﺰ اﻳﻦ زﻣﻴﻦﻟﺮزه در ٢٨ درﺟﻪ و ١٦ دﻗﻴﻘۀ ﺷﻤﺎﻟﻰ و ٥٥ درﺟﻪ و ٧٢ دﻗﻴﻘۀ ﺷﺮﻗﻰ واﻗﻊ ﺷﺪه ﺑﻮد. ﺣﺪود ﻫﻔﺖ ﺗﺎ ﻫﺸﺖ ﺧﺎﻧﻪ در ﮔﻬﻜﻢ وﻳﺮان و ﺑﻘﻴۀ ﺧﺎﻧﻪﻫﺎ ﺗﺮک ﺑﺮداﺷﺘﻨﺪ. ﭘﻨﺞ ﻧﻔﺮ ﻛﺸﺘﻪ و ﻫﺸﺖ نفر زﺧﻤﻰ ﺷﺪﻧﺪ و ﺗﺎ ﻣﺪت ٤٨ ﺳﺎﻋﺖ ﭘﺲ از ﺷﻮک اﺻلی ﻟﺮزهﻫﺎ اﺣﺴﺎس ﻣﻰﺷﺪ. آب در ﭼﺎه ﮔﻬﻜﻢ اﻓﺰاﻳﺶ ﻳﺎﻓﺖ و ﺷﻮک در ﺣﺎﺟﻰآﺑﺎد، ﺑﻨﺪرﻋﺒﺎس و ﻻر نیز اﺣﺴﺎس ﺷﺪ.
بهطور کلی ازنظر لرزۀ زمینساخت، روند لرزهخیزی در منطقه منطبق بر ساختارهای اصلی لرزهخیز است که راستای گسلهای میناب، راندگی اصلی زاگرس و شاخۀ شرقی گسل دهشیر-بافت را در شمال استان تحتتأثیر قرار داده است. مرکز سطحی بیشتر زمینلرزههای رویداده در پهنۀ استان هرمزگان در محل برخورد گسل میناب و راندگی اصلی زاگرس بوده و مراکز دیگر زمینلرزهها نیز منطبق بر گسل قشم و گسل بندر لنگه است. شکل 4 توزیع فضایی خطوط گسلی و لرزههای استان هرمزگان را نشان میدهد.
شکل 4: نقشۀ توزیع فضایی خطوط گسلی و زمینلرزههای استان هرمزگان (منبع: نویسندگان، 1399)
Figure 4: Spatial distribution map of fault lines and earthquakes in Hormozgan province
پیشبینی مکان وقوع زلزلۀ احتمالی
برای پیشبینی مکان وقوع احتمالی زلزله ابتدا وزنها و شبکۀ اولیه بهصورت شکل (5) در دو بُعد طول و عرض جغرافیایی انتخاب شد. باتوجه به شکل 5 نرونها شروع به حرکت بهسمت گروههای آموزشی مختلف میکنند و سبب همگراشدن شبکۀ عصبی میشوند. سپس تعلق تعداد نمونهها به هرکدام از نرونهای ۸*۸ محاسبه و درنهایت، نیز فاصلۀ همسایگی میان این نرونها مشخص میشود. باوجود حجم فزآیندۀ اطلاعات، عمل بازیابی و خلاصهکردن دادههای ورودی، معیار خوبی از تابع چگالی احتمال دادهها را فراهم آورده است.
شکل 5: وزن و شبکۀ اولیۀ طراحیشده در نرمافزار Matlab (منبع: نویسندگان، 1399).
Figure 5: Weight and initial network designed in Matlab software
توان چشمههای لرزهزا برای ایجاد زلزله براساس سابقۀ لرزهخیزی، میزان جنبش تکتونیکی و ابعاد گسلهای موجود در این چشمهها تعیین میشود. با داشتن سرچشمههای لرزهزا با استفاده از خاصیت تجرید در شبکۀ عصبی کوهنن میتوان گفت که احتمال رخداد زمینلرزه در چشمههای خوشهشده به مراتب بیشتر است. در مدلهای شبکۀ عصبی یکی از الگوهای ارائهشده، مکان خوشههاست که در آن راهحلی برای یافتن مکانهای لرزهزا و پرخطر ارائه میشود؛ بنابراین بهطور کامل، بدیهی است که پس از شناسایی منطقههای پرخط لرزهای، منطقۀ عدم قطعیت کاهش پیدا کرده است و مکان پیشبینیشده کوچکتر شده است؛ بنابراین اگر مکان اعلام خطر تعیینشده با الگوریتم شبکۀ عصبی کوهنن تنها به چشمههای بالقوۀ زمینلرزه در آن منطقه محدود شود، عدم قطعیت مکانی الگوریتم کاهش و سپس مکان پیشبینیشده کوچکتر میشود.
برای پیشبینی مکان زلزلۀ احتمالی با استفاده از روش شبکۀ عصبی کوهونن مشخصات زلزلههای اتفاقافتاده در نقاطی که در شکل 2 مشخص شده است، براساس هدف به وزنهایی داده شده است تا بتوان محاسبههای مربوط را در نرمافزار Matlab انجام داد. در شکل (6) مکانهایی که احتمال وقوع زلزله در آنها بیشتر است و در جدول (4) مشخصات مربوط به پیشبینی زلزله ذکر شده است.
جدول 4: موقعیت مکانی نقاط با احتمال وقوع زیاد زلزله
Table 4: location of places where the probability of earthquake occurrence is high
|
ردیف |
عرض جغرافیایی |
طول جغرافیایی |
عمق (Km) |
بزرگای لرزه |
|
1 |
2199/28 |
26017/56 |
7/28 |
7/4 |
|
2 |
020976/28 |
02482/56 |
5/28 |
6/4 |
|
3 |
71496/27 |
803683/55 |
44 |
5/4 |
|
4 |
577/27 |
29354/56 |
5/61 |
5/4 |
|
5 |
5993/27 |
94/54 |
60 |
5/4 |
|
6 |
4116/27 |
30533/55 |
3/69 |
¾ |
|
7 |
75793/27 |
15433/56 |
5/60 |
6/4 |
|
8 |
02314/28 |
78228/55 |
4/67 |
¾ |
|
9 |
0254/28 |
96458/55 |
4/26 |
6/4 |
|
10 |
66119/27 |
49558/55 |
3/27 |
4/4 |
|
11 |
005225/28 |
67325/55 |
2/72 |
4/4 |
|
12 |
4065/27 |
97516/54 |
5/37 |
4/4 |
|
13 |
47252/27 |
3996/55 |
8/40 |
4/4 |
|
14 |
6453/27 |
2444/56 |
9/35 |
6/4 |
|
15 |
57263/27 |
040/56 |
4/39 |
5/4 |
|
16 |
77513/27 |
37073/56 |
2/59 |
¾ |
|
17 |
10072/28 |
5567/55 |
4/16 |
7/4 |
|
18 |
73089/27 |
6555/55 |
2/22 |
6/4 |
|
19 |
01521/28 |
8826/55 |
7/37 |
5/4 |
|
20 |
21044/27 |
3276/56 |
5/35 |
6/4 |
|
21 |
5474/27 |
2126/55 |
8/17 |
4/4 |
|
22 |
6514/27 |
1927/56 |
1/14 |
1/5 |
|
23 |
49162/27 |
0455/56 |
7/12 |
6/4 |
|
24 |
874/27 |
1923/56 |
6/35 |
4/4 |
|
25 |
2836/27 |
971/54 |
10 |
02/5 |
|
26 |
31328/27 |
06357/56 |
7/14 |
8/4 |
|
27 |
67003/27 |
4096/56 |
8/11 |
2/5 |
|
28 |
5328/27 |
0231/55 |
5/10 |
5/4 |
|
29 |
511/27 |
54716/55 |
5/6 |
5/4 |
|
30 |
68019/27 |
05967/56 |
7/13 |
6/4 |
|
31 |
023/28 |
891916/55 |
3/15 |
5/4 |
|
32 |
8715/27 |
3647/56 |
4/20 |
¾ |
منبع: نویسندگان، 1399
شکل 6: مشخصات مکانی زلزلههای پیشبینیشده با شبکۀ عصبی در منطقۀ مطالعهشده (منبع: نویسندگان، 1399)
Figure 6: Spatial characteristics of earthquakes predicted by neural network in the study area
باتوجه به موقعیت مکانی و زلزلههای پیشبینیشده با شبکۀ عصبی مصنوعی، پهنهبندی لرزههای محتمل برای استان هرمزگان صورت گرفت. شکل 7 پهنهبندی لرزههای احتمالی را نشان میدهد.
شکل 7: پهنهبندی لرزههای احتمالی پیشبینیشده با استفاده از شبکۀ عصبی مصنوعی (منبع: نویسندگان، 1399)
Figure 7: Zoning of possible earthquakes predicted using artificial neural network
نتیجهگیری
شاخصهای بزرگا، زمان و محل وقوع سه شاخص اصلی یک زلزله است که محققان و پژوهشگران عدم قطعیت آنها را تأیید کردهاند. از آنجا که در پیشبینی زمان وقوع زلزله هنوز روشی مطمئن که دقت مطلوب را داشته باشد، تأیید نشده است، پس در سالهای اخیر زلزلهشناسان و مهندسان زلزله برای کاهش خسارتهای ناشی از زلزله پژوهشهای خود را درزمینۀ پیشبینی زلزله برروی شاخصهای بزرگی و محل وقوع زلزله انجام دادهاند (گرامی و همکاران، 1391، ص. 1430). برآورد احتمال وقوع، بزرگی و محل وقوع زلزلهها تأثیر بسزایی در طراحی و بهسازی لرزهای سازهها و کاهش خسارتهای ناشی از لرزههای احتمالی خواهد داشت. در همین راستا، استفاده از شبکههای عصبی مصنوعی هوشمند ازجمله تکنیکهایی است که پژوهشگران بهعلت دقت زیاد در پیشبینی بزرگا و محل وقوع لرزههای احتمالی در سالهای اخیر به آن توجه کردهاند؛ از این رو در پژوهش حاضر بزرگا و محل وقوع لرزههای احتمالی در محدودۀ خطوط ریلی استان هرمزگان با استفاده از شبکۀ عصبی مصنوعی پیشبینی شد. نتایج پژوهش نشان داد که در منطقۀ مطالعاتی 32 نقطه برای وقوع لرزههای احتمالی پیشبینی شده است که بیشتر بزرگای محتمل برای این نقاط 3/4 و 2/5 ریشتر خواهد بود. بر همین اساس، پهنهبندی استان هرمزگان براساس لرزههای پیشبینیشده حاکی از آن است که بخشهای جنوبی و مرکزی استان (شمال تنگۀ هرمز) در پهنۀ با خطر زیاد قرار دارد که موجب آسیبپذیری بیشتر خطوط ریلی در این بخش از استان خواهد بود. همچنین، تونل شمارۀ 23 در محدودۀ پرخطر (منطقۀ حداکثر بزرگای محتمل) قرار دارد و نیز تونل 21، 22، 23 به زلزلههای با بزرگای بیش از 5 ریشتر بسیار نزدیک هستند.
پژوهش حاضر از پایاننامۀ کارشناسی ارشد استخراج شده و با حمایت شرکت راهآهن جمهوری اسلامی ایران به انجام رسیده است. نویسندگان مراتب قدردانی خود را اعلام میکنند.
)