سامانه اطلاعات مکانی
سحر ابوللی؛ طلوع سیلاوی؛ جواد صابریان
چکیده
پیشینه و اهداف: صنعت نفت لااقل از زمان ملی شدن صنعت نفت در ایران، موتور محرک اقتصاد کشور ما بوده است. صنعت نفت بر تأسیسات نفتی متکی است و یکی از مهمترین تأسیسات نفتی که تقریباً در کل کشور وجود دارد، خطوط لوله است. شبکه گسترده خطوط لوله برای انتقال نفت از پایگاههای تولید به پالایشگاههای کشور و همچنین، فرآوردههای استخراج شده ...
بیشتر
پیشینه و اهداف: صنعت نفت لااقل از زمان ملی شدن صنعت نفت در ایران، موتور محرک اقتصاد کشور ما بوده است. صنعت نفت بر تأسیسات نفتی متکی است و یکی از مهمترین تأسیسات نفتی که تقریباً در کل کشور وجود دارد، خطوط لوله است. شبکه گسترده خطوط لوله برای انتقال نفت از پایگاههای تولید به پالایشگاههای کشور و همچنین، فرآوردههای استخراج شده از پالایشگاهها تا مراکز مصرف، از اصلیترین شریانهای حیاتی اقتصاد و صنعت هستند. محل عبور این خطوط لوله، یک مسأله مکانی است و از اینرو، توسط سامانه اطلاعات مکانی (GIS) به بهترین شکل میتوان به آن پرداخت. روند مسیریابی دقیق و بهینه خطوط لوله از اهمیت خاصی برخودار است و باید به نحوی عملیاتی شود که بیشترین سازگاری را با ایده آلهای فنی و اقتصادی و کمترین تأثیر منفی را بر جامعه و محیط زیست داشته باشد.روشها: در این تحقیق، سعی شده تا موضوع تعیین مسیریابی خط لوله چند جانبه با در نظر گرفتن تعداد زیادی از معیارها، دادهها و اطلاعات فضایی و توصیفی شامل شیب زمین، پوشش گیاهی، جریان آب، گسلها، مراکز مسکونی و جمعیتی، خطوط و خطوط لوله انتقال نیرو در منطقه، جادهها و غیره انجام شود. از آنجا که مجموعه گستردهای از شاخصهای مرتبط با مسیریابی خطوط انتقال انرژی در مراجع پژوهشی و گزارشهای اجرایی پروژهها وجود دارد که در این مقاله به عنوان اصلیترین هدف این مجموعه وسیع تا حد امکان مورد بررسی قرار گرفته و طبقهبندی تخصصی روی آنها صورت گرفته است. در مرحله بعد، از GIS به عنوان چارچوبی برای ادغام اقلام متنوع اطلاعات مختلف استفاده شده تا با توجه به اهمیت تأثیر متفاوتی که هر یک از این شاخصها بر موضوع دارند امکان بهکارگیری وزنهای تأثیر متفاوت در برهمنهی شاخصها وجود داشته باشد. برای این کار از روش مرسوم فازی AHP فازی استفاده شده است.یافتهها: منطقه مطالعاتی مورد نظر این پژوهش، در منطقه شمالی استان خوزستان، بین دره ریگ و سبزاب است که در این پژوهش در سه سناریوی بهینه بودن اقتصادی، بهینه بودن زیستمحیطی و در نظر گرفتن هردوی آنها مسیریابی خط انتقال نفت انجام شده است. نتایج حاصل شده، نشان داد که انتخاب بهترین مسیر در این کانال در مقایسه با خط انتقال موجود، منجر به کاهش 141 متری مسیر از طریق سناریوی اقتصادی، کاهش 635 متری مسیر از طریق سناریوی زیستمحیطی و کاهش 586 متری مسیر از طریق سناریوی جامع شده که از دستاوردهای عملی پژوهش میباشند.نتیجهگیری: نتایج این تحقیق، به خوبی نشان داد که روشهای سنتی طراحی خطوط لوله نمیتوانند همه معیارهای مؤثر در طراحی مسیر خطوط لوله را در نظر بگیرند. در هر حال، کیفیت مسیرهای طراحی شده به کمک GIS بسیار به کیفیت اطلاعات مورد استفاده وابسته است و هرگونه نقص در اطلاعات ورودی میتواند به صورتی منجر به نتایجی در طراحی انجام شده گردد که کار را زیر سؤال ببرد. بنابراین، ضمن اتکا به توانمندی GIS باید دقت لازم را نیز در جمعآوری دادهها به خرج داد. یکی دیگر از قابلیتهای بارز شده در این تحقیق، توانایی در نظر گرفتن سناریوهای مختلف است. بنا بر همین توانایی، متولیان امر میتوانند با مشاهده نتایج سناریوهای مختلف و در نظر داشتن ملاحظات گوناگون، بهترین تصمیم را در مورد خط لوله مورد نظر اتخاذ نمایند.
سامانه اطلاعات مکانی
طلوع سیلاوی؛ معصومه خیرخواه زاده
چکیده
پیشینه و اهداف: سامانه های اطلاعات مکانی، علم و ابزار لازم برای انواع فعل و انفعالات مرتبط با اطلاعات مکانی را فراهم می آورند. چنین قابلیتی، سبب شده است که این سامانه ها در حوزه های متعدد و بسیار متنوعی به کار گرفته شوند. یکی از این حوزه ها، معدنکاوی است که میتوان آن را یکی از حوزه های به شدت وابسته به زمین شناسی به ...
بیشتر
پیشینه و اهداف: سامانه های اطلاعات مکانی، علم و ابزار لازم برای انواع فعل و انفعالات مرتبط با اطلاعات مکانی را فراهم می آورند. چنین قابلیتی، سبب شده است که این سامانه ها در حوزه های متعدد و بسیار متنوعی به کار گرفته شوند. یکی از این حوزه ها، معدنکاوی است که میتوان آن را یکی از حوزه های به شدت وابسته به زمین شناسی به حساب آورد. از سوی دیگر، روش های سنتی معدنکاوی و زمین شناسی جوابگوی نیازهای روزافزون این حوزه ن نمیباشند و به همین دلیل، فنون و علوم جدید، نقشی بی بدیل در کاوشهای معدنی امروزی یافته اند. هوش مصنوعی، یکی از مهمترین علوم جدید است که در حال تحول بخشی به زندگی انسانها میباشد. شبکه های عصبی مصنوعی، به عنوان یکی از روشهای دیرپای هوش مصنوعی، جای پای خود را در زمین شناسی ومعدنکاوی نیز باز و در این مسیر، روش های سنتی را با چالش اساسی مواجه نموده اند. بر این اساس، هدف این تحقیق بر تهیهی نقشهی پتانسیل معدنی با کمک شبکهی عصبی مصنوعی بنا نهاده شده است.روشها: شبکهی عصبی مصنوعی، در واقع یک روش طبقه بندی به شمار میرود. این روش، به صورت یک جعبهی سیاه عمل میکند که ابتدا آموزش می بیند و پس از یادگیری، قادر به طبقه بندی دادههایی است که در مرحلهی آموزش با آنها مواجه نبوده است. در این پژوهش، با استفاده از اطلاعات مطالعات اکتشافی یک کانسار مس پرفیری واقع در استان یزد ایران و به کمک شبکهی عصبی مصنوعی در صدد تولید نقشهی پتانسیل معدنی مس در این منطقه هستیم. نقشهی پتانسیل معدنی برای استخراج معدن مورد استفاده قرار می گیرد. بدین منظور، به دو صورت از شبکهی عصبی مصنوعی استفاده می شود. روش اول به صورت معمول است یعنی شبکهی عصبی مصنوعی با استفاده از اطلاعات چاه های اکتشافی آموزش میبیند و سپس میزان پتانسیل مس را در جایجای منطقه پیشبینی می نماید. روش دوم، به این صورت است که پس از آموزش دیدن شبکهی عصبی مصنوعی، وزن های داخلی شبکه استخراج می شوند. این وزنها در واقع، نشان دهندهی میزان اهمیتی است که نرون های شبکه برای هر یک از معیارهای ورودی در نظر گرفته اند. این وزن ها، وارد رابطهی روش هم پوشانی شاخص می شوند و نقشه های معیار، با استفاده از روش همپوشانی شاخص، ترکیب و نقشهی پتانسیل معدنی حاصل میشود.یافتهها: در این تحقیق، غیر از آزمایش قدرت شبکهی عصبی مصنوعی در تهیهی نقشهی پتانسیل معدنی، میزان دقت وزن های مستخرج از شبکه برای استفاده در یک روش تلفیق دیگر، مد نظر بوده است. در مرحلهی آموزش شبکه، مقادیر نقشه های معیار که اساساً همان نقشه های حاصل از مطالعات اکتشافی هستند در نقاط چاههای اکتشافی، به عنوان ورودی وارد شبکه میشوند و باید عیار مس را به صورت کیفی در آن نقطه، پیشبینی نمایند در حالیکه خروجی صحیح حاصل از چاههای اکتشافی در دست است. پس از آموزش، شبکه مقادیر پتانسیل معدنی را در جایجای کانسار به دست میآورد. نتایج، نشان داد که دقت طبقه بندی شبکهی عصبی مصنوعی پس از کنار گذاشتن یکی از معیارها که غیر مؤثر تشخیص داده شد، میتواند تا 100 درصد برسد و این، در حالی است که دقت حاصل شده از روش هم پوشانی شاخص و با استفاده از وزن های مستخرج از شبکه، تا حدود 70 درصد است.نتیجهگیری: نتایج این تحقیق، یک بار دیگر قدرت شبکه های عصبی مصنوعی را در طبقه بندی و تلفیق اطلاعات مکانی، نشان داد. اما نتیجة منحصر به فرد این تحقیق آن بود که وزن های داخلی شبکهی عصبی مصنوعی بیشترین کارایی را در داخل خود شبکه دارند و استفاده از آنها، برای وزندهی و تلفیق اطلاعات در یک روش دیگر، چندان مفید نخواهد بود. با این وجود، این وزن ها در هر صورت، می توانند نمایشگر ترتیب صحیح اهمیت داده های ورودی باشند.
