آسیب‌پذیری لرزه‌ای منابع آب‌ زیرزمینی بر اساس شکست خط ‌لوله انتقال سوخت با استفاده از روش DRASTIC و شبکه عصبی مصنوعی (مطالعه موردی: دشت تهران)

الموضوعات :

مهدی حقیقی ¹ , علی دلنواز ² , پوریا رشوند ³ , محمد دلنواز ⁴

1 - دانشجوی دکتری گروه مهندسی عمران، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.
2 - استادیار گروه مهندسی عمران، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.
3 - استادیار گروه مهندسی عمران، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.
4 - دانشیار، گروه مهندسی عمران، دانشگاه خوارزمی، تهران، ایران.

تاريخ الإرسال : 08 الخميس , صفر, 1445 تاريخ التأكيد : 17 الجمعة , جمادى الأولى, 1445 تاريخ الإصدار : 09 الجمعة , جمادى الثانية, 1445

الکلمات المفتاحية: ANN, برنامه‌ریزی استراتژیک, DRASTIC, آلودگی آب‌های‌زیرزمینی,

ملخص المقالة :

زمینه و هدف: آب‌های زیرزمینی یکی از منابع اصلی توسعه پایدار در جوامع بشری بوده که با توجه به تامین آب مورد نیاز بخش‌های شرب، کشاورزی و صنعت، آلودگی آن‌ها اثرات مخربی به همراه خواهد داشت. علاوه‌براین، شبکه انتقال سوخت به‌دلیل ذخیره‌سازی و انتقال فرآورده‌های نفتی از اهمیت بالایی برخوردار ‌است. اهمیت این سیستم در هنگام وقوع حوادثی مانند زلزله از جنبه‌های مختلف افزایش می‌یابد. آلودگی منابع آب زیرزمینی براثر نشت از سیستم انتقال سوخت، یکی از اثرات ثانویه زلزله بوده و تاثیر نامطلوبی بر محیط‌زیست و سلامت انسان بر جای می‌گذارد. این تحقیق بر ارزیابی آسیب‌پذیری آب‌های زیرزمینی در اثر خرابی شبکه انتقال سوخت شهری در برابر وقوع زلزله متمرکز بوده که در قالب مطالعات موردی بر شبکه انتقال سوخت شهر تهران و آبخوان دشت تهران-کرج انجام شده‌است. روش پژوهش: در این تحقیق مدلی تلفیقی برای تحلیل آسیب لرزه‌ای و ارزیابی ریسک در شرایط عدم قطعیت در شبکه انتقال سوخت شهر تهران تعریف و اجرا شده‌است. در این مدل پیامدهای آسیب شبکه انتقال سوخت تحت سه سناریو زلزله (با بزرگای 5، 6، 7 ریشتر) بر آلودگی آب‌های زیرزمینی شهر تهران مورد ارزیابی قرار گرفته‌است. علاوه براین استراتژی‌های راهبردی به منظور کاهش اثرات احتمالی آلودگی آب‌های زیرزمینی ناشی از زلزله ارائه شده‌است. مدل پیشنهادی جهت ارزیابی آسیب در خط لوله شبکه انتقال سوخت با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (ANN) توسعه یافته‌است. همچنین برای ارزیابی آلودگی آب‌های زیرزمینی بر اساس نشت سوخت از شبکه انتقال سوخت آسیب دیده، از مدل DRASTIC استفاده شده‌است. در این مطالعات برنامه‌ریزی استراتژیک براساس استفاده از تکنیک‌های تصمیم‌گیری استوار و درجه استواری به منظور کاهش اثرات احتمالی آلودگی آب‌های زیرزمینی با بهره‌گیری از تئوری حداقل-حداکثر تاسف، انجام شده‌است. یافته‌ها: نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی توسعه‌داده شده توانایی بالایی در ارزیابی آسیب (شکست و نشتی) در خط لوله شبکه انتقال سوخت داشته، به گونه‌ای که ریشه میانگین مربع خطا (RMSE) و ضریب همبستگی R به ترتیب برابر با 0.029 و 0.98 بود. براساس نتایج، میزان خسارت وارده به خط‌لوله در سناریوی اول (زمین‌لرزه با بزرگای 5 ریشتر) برابر با 15 نشتی و 2 خرابی، در سناریوی دوم ( زمین‌لرزه با بزرگای 6 ریشتر) برابر با 25 نشتی و 7 خرابی و در سناریوی سوم (زمین‌لرزه با بزرگای 7 ریشتر) تعداد نشتی‌ها 27 و 9 شکست بوده‌است. با توجه به نتایج حاصل از آلودگی آبخوان تحت سه سناریوی زلزله، مشخص می‌شود که در سناریوی زمین لرزه با بزرگای 5 ریشتر، 30 درصد آبخوان دارای پتانسیل آلودگی متوسط و 55 درصد پتانسیل آلودگی کم، در سناریوی زمین لرزه با بزرگای 6 ریشتر، 45 درصد آبخوان دارای پتانسیل آلودگی متوسط و 18 درصد پتانسیل آلودگی کم و در سناریوی زمین‌لرزه با بزرگای 7 ریشتر، 55 درصد آبخوان دارای پتانسیل آلودگی متوسط و 22 درصد پتانسیل آلودگی پایینی دارد. در راستای برنامه‌ریزی استراتژیک کاهش آلودگی آبخوان، استراتژی‌های مختلف در مقابل سناریوهای مختلف با معیار حداقل-حداکثر تاسف مورد ارزیابی قرار گرفت و در نهایت سه استراتژی برای کاهش آلودگی منابع آب‌زیرزمینی ارائه شد. با توجه به نتایج، استفاده از استراتژی (عایق بندی محیط پیرامون خط لوله) منجر به کاهش 70 درصدی آلودگی آب‌های زیرزمینی و استفاده از استراتژی (پیاده‌سازی سیستم هوشمند لرزه‌ای برای قطع جریان سیال در وقوع زمین لرزه) که به عنوان استراتژی استوار شناخته شد منجر به کاهش 75 درصدی آلودگی آبخوان شده‌است. نتایج: براساس نتایج حاصل از ارزیابی عملکرد مدل توسعه داده شده در این پژوهش مشخص گردید که مدل ارائه شده دارای عملکرد قابل قبولی در پیش‌بینی آسیب‌پذیری لرزه‌ای خط‌لوله انتقال سوخت و ارزیابی آلودگی آبخوان بوده‌است. این مدل قابلیت پیاده‌سازی در مناطق مختلف شهری و ارزیابی عملکرد سیستم انتقال سوخت تحت سناریوهای مختلف زمین لرزه و نیز ارزیابی آلودگی آب‌های زیرزمینی را داشته و به عنوان یک مدل مرجع می‌تواند به صورت گسترده مورد استفاده فعالان و طراحان قرار گیرد. همچنین بر اساس نتایج حاصل از مدیریت استراتژیک کنترل آلودگی آب‌زیرزمینی، بهره‌گیری از استراتژی پیاده‌سازی سیستم هوشمند لرزه‌ای برای قطع جریان سیال در وقوع زمین‌لرزه می‌تواندبه عنوان یک راهکار فراگیر در راستای کاهش آسیب‌های زیست‌محیطی بر منابع آب زیرزمینی به‌ویژه در مناطق لرزه‌خیز مورد استفاده قرار گیرد.

المصادر:

Barbulescu, A. (2020). Assessing groundwater vulnerability: DRASTIC and DRASTIC-like methods: a review. Water, 12(5), 1356.

Bera, A., Mukhopadhyay, B. P., Chowdhury, P., Ghosh, A., & Biswas, S. (2021). Groundwater vulnerability assessment using GIS-based DRASTIC model in Nangasai River Basin, India with special emphasis on agricultural contamination. Ecotoxicology and Environmental Safety, 214, 112085.

Borsutzky, R. (2006). Seismic risk analysis of buried lifelines: simulation of seismic ground motion. Technical report, International Graduate College, Risk management of natural and civilization hazards on buildings and infrastructure. Periodical report.

Cekirge, H. M. (2015). Quantitative risk assessment for crude oil pipelines. International Journal of Environmental Monitoring and Analysis, 3(3), 147-153.

Claesson, L., Skelton, A., Graham, C., Dietl, C., Mörth, M., Torssander, P., & Kockum, I. (2004). Hydrogeochemical changes before and after a major earthquake. Geology, 32(8), 641-644.

Dziubiński, M., Frątczak, M., & Markowski, A. S. (2006). Aspects of risk analysis associated with major failures of fuel pipelines. Journal of Loss Prevention in the process industries, 19(5), 399-408.

Esposito, S., Iervolino, I., Silvestri, F., d’Onofrio, A., Santo, A., Cavalieri, F., & Franchin, P. (2012). Seismic Risk Analysis of Lifelines: Preliminary Results for the Case-Study of L’Aquila ENEL Rete Gas. In 15th world conference of earthquake engineering, Lisbon (Portugal) (pp. 2998-1).

Germoso, C., Gonzalez, O., & Chinesta, F. (2021). Seismic vulnerability assessment of buried pipelines: A 3D parametric study. Soil Dynamics and Earthquake Engineering, 143, 106627.

Golbarg, F., Nabi Bidhendi, G., & Hoveidi, H. (2018). Environmental management of oil pipelines risks in the wetland areas by Delphi and MCDM techniques: case of Shadegan international wetland, Iran. Pollution, 4(2), 195-210.

Huyck, C. K., Eguchi, R. T., Watkins, R. M., Seligson, H. A., Bucknam, S., & Bortugno, E. (2003). URAMP (Utilities Regional Assessment of Mitigation Priorities)—A Benefit-Cost Analysis Tool for Water, Wastewater and Drainage Utilities: Software Development. In Advancing Mitigation Technologies and Disaster Response for Lifeline Systems (pp. 484-493).

Jafari, F., Javadi, S., Golmohammadi, G., Mohammadi, K., Khodadadi, A., & Mohammadzadeh, M. (2016). Groundwater risk mapping prediction using mathematical modeling and the Monte Carlo technique. Environmental Earth Sciences, 75(6), 491.

Jang, W. S., Engel, B., Harbor, J., & Theller, L. (2017). Aquifer vulnerability assessment for sustainable groundwater management using DRASTIC. Water, 9(10), 792.

Jin-qi, D. O. N. G., Shan-suo, Z. H. E. N. G., Xiao-kui, X. I. E., Feng, Y. A. N. G., Shun-li, C. H. E., & Xiao-hang, L. I. U. (2023). Seismic Vulnerability Analysis Of Pipeline Considering The Influence Of Near-Fault Pulse-Type Ground Motion. 工程力学, 40(5), 104-116.

Karamy Moghadam, A., & Mahdavi Adeli, M. (2020). Application of Artificial Neural Networks for Seismic Analysis and Design of Buried Pipelines in Heterogeneous Soils. Journal of Hydraulic Structures, 6(4), 60-74.

KS, A., & Prasad, S. Application of MATLAB on the basis of Artificial Neural Network for Prediction Modelling of Pipeline Damage.

Lanzano, G., Salzano, E. R. N. E. S. T. O., De Magistris, F. S., & Fabbrocino, G. (2014). Seismic vulnerability of gas and liquid buried pipelines. Journal of Loss Prevention in the Process Industries, 28, 72-78.

Lee, A. C. (2010). Analysis of Solid State, Solid Oxide Electrolyte Based Direct Carbon Fuel Cells. Stanford University.

Li, F., Wang, W., Xu, J., Yi, J., & Wang, Q. (2019). Comparative study on vulnerability assessment for urban buried gas pipeline network based on SVM and ANN methods. Process Safety and Environmental Protection, 122, 23-32.

Liu, C. P., Wang, C. H., & Hwang, L. S. (2010). Temporal variation of seepage water chemistry before and after the Hengchun Ms 7.2 earthquake in south Taiwan. Geoderma, 155(1-2), 107-114.

Makhoul, N., Navarro, C., Lee, J. S., & Gueguen, P. (2020). A comparative study of buried pipeline fragilities using the seismic damage to the Byblos wastewater network. International Journal of Disaster Risk Reduction, 51, 101775.

Makrakis, N., Psarropoulos, P. N., & Tsompanakis, Y. (2022). ANN-Based Assessment of Soft Surface Soil Layers’ Impact on Fault Rupture Propagation and Kinematic Distress of Gas Pipelines. Infrastructures, 8(1), 6.

Malakootian, M., & Nouri, J. (2010). Chemical variations of ground water affected by the earthquake in bam region Malakootian, M. International Journal of Environmental Research, 4(3), 443-454.

Martini, A., Rivola, A., & Troncossi, M. (2018). Autocorrelation analysis of vibro-acoustic signals measured in a test field for water leak detection. Applied Sciences, 8(12), 2450.

Miao, T. S., Lu, W. X., Luo, J. N., & Guo, J. Y. (2019). Application of set pair analysis and uncertainty analysis in groundwater pollution assessment and prediction: a case study of a typical molybdenum mining area in central Jilin province, China. Environmental Earth Sciences, 78(10), 1-15.

Mohammadi, K., Niknam, R., & Majd, V. J. (2009). Aquifer vulnerability assessment using GIS and fuzzy system: a case study in Tehran–Karaj aquifer, Iran. Environmental geology, 58, 437-446.

Mohanty, S., Jha, M. K., Kumar, A., & Sudheer, K. P. (2010). Artificial neural network modeling for groundwater level forecasting in a river island of eastern India. Water resources management, 24, 1845-1865.

Moser, A. P., & Folkman, S. (2008). Buried pipe design. McGraw-Hill Education.

Noori, R., Ghahremanzadeh, H., Kløve, B., Adamowski, J. F., & Baghvand, A. (2019). Modified-DRASTIC, modified-SINTACS and SI methods for groundwater vulnerability assessment in the southern Tehran aquifer. Journal of Environmental Science and Health, Part A, 54(1), 89-100.

Qureshi, A., & Sayed, A. H. (2014). Situation analysis of the water resources of Lahore establishing a case for water stewardship. WWF-Pakistan and Cleaner Production Institute (CPI), Lahore, Pakistan, 1-45.

Raúl, F. B., Eduardo, B. J., & Cesar, R. M. (2019, March). Seismic Behavior of Buried Pipelines in Mexico City Valley. In Geo-Congress 2019: Earthquake Engineering and Soil Dynamics (pp. 49-56). Reston, VA: American Society of Civil Engineers.

Rojstaczer, S., Wolf, S., & Michel, R. (1995). Permeability enhancement in the shallow crust as a cause of earthquake-induced hydrological changes. Nature, 373(6511), 237-239.

Safavi, H. R., & Enteshari, S. (2016). Conjunctive use of surface and ground water resources using the ant system optimization. Agricultural Water Management, 173, 23-34.

Sakai, H., Pulido, N., Hasegawa, K., & Kuwata, Y. (2017). A new approach for estimating seismic damage of buried water supply pipelines. Earthquake Engineering & Structural Dynamics, 46(9), 1531-1548.

SelÇuk, A. S., & Yücemen, M. S. (2000). Reliability of lifeline networks with multiple sources under seismic hazard. Natural Hazards, 21(1), 1-18.

Tanircan, G., Tsereteli, N., Garaveliev, E., Siyahi, B., Varazanashvili, O., Mammadli, T., ... & Safak, E. (2011). Seismic Hazard Assessment for Southern Caucasus-Eastern Turkey Energy Corridor. In Proceed. of the EGU Conf.

Toprak, S., & Taskin, F. (2007). Estimation of earthquake damage to buried pipelines caused by ground shaking. Natural hazards, 40(1), 1-24.

Trichakis, I. C., Nikolos, I. K., & Karatzas, G. P. (2011). Artificial neural network (ANN) based modeling for karstic groundwater level simulation. Water Resources Management, 25, 1143-1152.

Watkins, R. K., & Anderson, L. R. (2000). Structural mechanics of buried pipes. CRC press.

Ychen, Y. H., Li, J. N., Kai, L., Zhu, Q. J., & Liu, Y. L. (2017). Failure Prediction of Underground Pipeline Based on Artificial Neural Network. Destech Trans. Comput. Sci. Eng.

Yoon, S., Lee, D. H., & Jung, H. J. (2019). Seismic fragility analysis of a buried pipeline structure considering uncertainty of soil parameters. International Journal of Pressure Vessels and Piping, 175, 103932.

Yu, H., Wu, Q., Zeng, Y., Zheng, L., Xu, L., Liu, S., & Wang, D. (2022). Integrated variable weight model and improved DRASTIC model for groundwater vulnerability assessment in a shallow porous aquifer. Journal of Hydrology, 608, 127538.

Zhang, P., Wang, Y., & Qin, G. (2019). A novel method to assess safety of buried pressure pipelines under non-random process seismic excitation based on cloud model. Applied Sciences, 9(4), 812.