كشف نقاط ناپايدار در شبكه هاي ژئودزي پايش تغيير شكل به روش آناليز زير شبكه

Stability Analysis of Deformation Monitoring Network Points Using Subnetwork Analysis

در سازه­های مهندسی و مطالعه تغییر شكل زمین، كنترل جابجایی­ها از اهمیت خاصی برخوردار می­باشد. بدین منظور لازم است در منطقه مورد بررسی شبكه­های میكروژئودزی ایجاد گردند. یكی از مسائل مهم در شبكه­های میكروژئودزی كشف نقاط ناپایدار شبكه می­باشد. از جمله روش­های كلاسیك آشكارسازی نقاط ناپایدار می­توان به روش تست ثبات كلی و روش مینیمم سازی نرم اول اشاره نمود.  در تحقیقات انجام یافته در این خصوص ، نتایج بدست آمده نشان می­دهد زمانی كه بردار جابجایی نقاط كوچك باشد، تعداد كشف صحیح نقاط جابجا شده با استفاده از روش­های معمول آنالیز تغییر شكل كمتر از تعداد نقاطی است كه واقعاً جابجا شده­اند. دلیل آن می­تواند خاصیت پخش كنندگی روش تخمین كمترین مربعات باشد. حال با توجه نتایج تحقیقات اخیر در زمینه كشف نقاط ناپایدار شبكه، ایده­ای كه به منظور مقابله با این محدودیت مطرح می­شود استفاده از آنالیز زیرشبكه می­باشد در این حالت شبكه كنترل جابجایی به چند زیرشبكه كه شامل یك نقطه موضوع و سایر نقاط مرجع باشد تقسیم می­شود در واقع به تعداد نقاط ناپایدار زیر شبكه تشكیل خواهد شد. در این روش در شبكه كلی در ابتدا با استفاده از روش­های كلاسیك آشكارسازی، نقاط پایدار و ناپایدار شناسایی می­شوند. ­سپس با تقسیم شبكه كلی به زیرشبكه، هر زیرشبكه بطور جداگانه سرشكن شده و نقاط ناپایدار آن كشف خواهد شد. بنابراین ارتباط بین نقاط ناپایدار از یكدیگر قطع شده و اثر پخش كنندگی كمترین مربعات كاهش می­یابد. در این مقاله این روش­ در یك شبكه شبیه­سازی شده و یك شبكه واقعی مورد ارزیابی قرار گرفت. نتایج حاصل  نشان می­دهد كه استفاده از روش آنالیز زیرشبكه در مقایسه با روش تست ثبات كلی شبكه باعث بهبود نتایج در كشف صحیح نقاط ناپایدار خواهد شد. این بهبود در همه حالت­های شبیه سازی شده به طور متوسط حدود 35 درصد است. در مقابل بهبود نتایج روش زیرشبكه نسبت به روش مینیمم سازی نرم اول در حد یك درصد است كه نمی­توان آن را قابل قبول دانست. در ادامه الگوریتم­های كشف نقاط ناپایدار در روش­های رایج و روش آنالیز زیرشبكه بر روی مشاهدات یك شبكه واقعی پیاده­سازی شد كه نتایج حاصل، در تطابق با نتایج شبكه شبیه­سازی شده می­باشد.

Deformation monitoring is a very important issue in engineering structures and studying ground deformation. So creating microgeodesy networks in the area of study is required. Detecting unstable points of network is an important issue in microgeodesy networks. Among the classical methods of identifying unstable points of the network, the global congruency test and L1-norm minimization can be referred. The results in the research done in this regard show that when displacement point vector is small, the number of true detection of displaced points using common ways of deformation analysis is less than the number of points that really displaced. The reason can be the spreading nature of the least squares estimation. Now according to the recent research results, in the field of detecting unstable points of network, the idea of using subnetwork analysis is proposed to confront this limitation. In this case the deformation monitoring network is divided into some subnetworks including a subject point and the other source points. In fact according to the unstable points, there will be sub-networks. In this method in whole network first of all using classical methods, the stable and unstable points are investigated. Then by dividing the whole network to subnetworks, every network will be adjusted and its unstable points will be detected. So the relation between unstable points is cutoff and the spreading effect of the least squares is decreased. In this paper this method is evaluated in a simulated and a real network. The results show that using subnetwork analysis compared to global congruency test will improve the results in the correct detection of unstable points. On average this improvement is about 35% in all of the stimulated states. In return improving the results of subnetwork method to L1- norm minimization is about one percent that it cannot be acceptable. In the following the algorithms of detecting unstable points in common methods and the method of analyzing subnetwork were conducted on a real network and the results are consistent with the results of simulated network.