تشكيل مدل محاسبات دانه‌اي بر اساس رابطه شباهت عمومي در ارزيابي آسيب‌پذيري لرزه‌اي

Construction of Granular Computing Model Based on General Similarity Relation in Seismic Vulnerability Assessment

زلزله جزء مهم ترین مخاطرات تهدید كننده محیط های شهری می باشد كه اهمیت زیادی در مدیریت بحران و تصمیم‌گیری‌های شهری دارد. بنابراین بكارگیری روش هایی جهت كاهش تلفات و خسارات ناشی از آن امری حیاتی و مهم بشمار می‌آید. یكی از این روش‌ها تهیه نقشه‌آسیب پذیری لرزه‌ایمی باشد.مسئله تعیین آسیب پذیری لرزه‌ای به دلیل وابسته بودنش به پارامترهای لرزه‌ای مختلف و نظر كارشناس همواره با عدم قطعیت‌هایی همراه است كه عدم مدیریت صحیح عدم قطعیت در مسئله، منجر به برآورد نادرست از آسیب پذیری لرزه‌ای و در نتیجه آن تصمیم‌گیری‌های نادرست خواهد شد. عدم قطعیت در مسئله تعیین میزان آسیب پذیری به معنای عدم وجود راه‌حلی معین برای تعیین دقیق میزان آسیب‌پذیری می‌باشد. تا كنون تحقیقات مختلفی جهت مدیریت عدم قطعیت موجود در مسئله آسیب پذیری ارائه شده است كه هر كدام جنبه های مختلفی از عدم قطعیت را مدیریت می‌كنند. جهت برآورد بهتر و قابل اعتمادتر در مسئله تعیین آسیب پذیری لرزه‌ای، نیازمند استفاده از روش هایی هستیم كه هرچه بیشتر عدم قطعیت‌های موجود در مسئله را مدیریت كنند. در این مقاله هدف استفاده از مدل محاسبات دانه‌ای جهت مدیریت عدم قطعیت در مسئله آسیب پذیری لرزه‌ای می‌باشد. محاسبات دانه‌ای جزء روش های تصمیم‌گیری چند معیاره می‌باشد كه در آن قوانین كلاسه بندی با حداقل ناسازگاری در قالب درخت دانه‌ای استخراج می‌شوند. مدلهای مختلف محاسبات دانهای بر اساس رابطه شباهت تعریف شده بین اشیاء در تشكیل دانهها تعریف می شوند. رابطه معادلی ساده از جمله روابط ساده در تعریف دانه ها می‌باشد كه در آن شباهت بین اشیاء بر اساس رابطه غیر قابل تفكیك پذیری تعریف می‌شود. در این مقاله از رابطه‌ی شباهت عمومی در تعریف دانه‌ها و دانه بندی اطلاعات استفاده شده است. در این رابطه علاوه بر رفع محدودیت رابطه معادلی ساده در تعریف شباهت بین اشیاء، مشكل قطعی بودن مرزها در رابطه معادلی ساده مرتفع گردیده است. دراین تحقیق نقشه آسیب پذیری لرزه‌ای شهر تهران در مقیاس حوزه‌های شهری با استفاده از مدل محاسبات دانه‌ای بر اساس رابطه شباهت عمومی تهیه شده است.

Tehran, capital of Iran, is located on few known (Mosha, North Tehran Fault and South and North Ray) and unknown faults which expose this mega city to huge earthquakes’ effects. In addition to considerable seismic hazard in Tehran the existence of old and non-standard buildings make the repercussions even worse. Determining locations and intensity of seismic vulnerability of a city is considered as a complicated disaster management problem. As, this problem generally depends on various criteria and expert’s opinions, one of the most important challenges concerned is the existence of uncertainty regarding inconsistency in expert’s view. Uncertainty in seismic vulnerability map would results biases in risk management which has multilateral effects on decision makings. Some multi-criteria evaluation methods have recently been proposed to handle some aspects of uncertainties in the process of producing the seismic vulnerability map for Tehran. Granular computing approach is proposed in this paper to overcome the limitation of the abovementioned existing algorithms. It can be regarded for learning classification rules by considering the two basic issues: concept formation (making granules) and concept relationships identification (relationship between granules). One of the most important features of this method with respect to previous studies is inference of more compatible rules having zero inconsistency extracted from existing training databases. Furthermore, in this approach, non-redundant covering rules will be extracted for consistent classification where one object maybe classified with two or more non-redundant rules. In this study the result of north Tehran fault hazard analysis is applied to the vulnerability assessment process and activation of other faults have been ignored. It is assumed that the northern fault of Tehran is activated and then the classification rules of seismic physical vulnerability are inducted from granular computing tree. A pilot area of Tehran Metropolitan Area located in the north of Iran was selected for the purpose of this study.