ذرات مرتعش شده و کرنش ایجاد شده در سنگ با هم متناسب است و ثابت این تناسب امپدانس محیطی سنگی می باشد بنابراین مواد منفجره ای که فشار چال پایینتری تولید می کنند ،لرزش کمتری نیز ایجاد خواهند کرد.این گونه مواد عموما دارای دانسیته و سرعت انفجاری کمتری هستند مانند آنفو.[8]
تحقیقات آقای hagan و kennedy در سال 1981 و آقای matheu در سال 1984 نشان داده که اگر مقدار معینی آنفو با یک ماده منفجره اسلاری یا ژل آب آلومینیوم دار مقایسه شود شدت لرزش زمین ایجاد شده 2 تا 2/4 برابر کمتر است. طبق مطالعات انجام شده شرکت مواد منفجره دوبل انگلستان فاصله تاخیر های کمتر از 25 میلی ثانیه احتمال وجود تداخل سازنده بین امواج لرزشی را زیاد می کند .بر اساس تحقیقات آقای duvall در سال 1963 تاخیر 8 تا 9 میلی ثانیه در معادن آهن برای عدم تداخل سازند ها مناسب است.[7]
7-4 مقایسه گزارش خروجی های ماکسیمم و مینیمم دستگاه ثبت لرزش
شکل 9-5گزارش fft مربوط به ثبت لرزش با کمترین فاصله بین مرکز انفجار تا محل کار گذاری دستگاه
شکل 10-5گزارش fft مربوط به ثبت لرزش با حداکثر فاصله بین مرکز انفجار تا محل کار گذاری دستگاه
شکل 11-5 گزارش event مربوط به ثبت لرزش با کمترین فاصله بین مرکز انفجار تا محل کار گذاری دستگاه
شکل 12-5گزارش event مربوط به ثبت لرزش با حداکثر فاصله بین مرکز انفجار تا محل کار گذاری دستگاه
• هرچه فاصله بین مرکز انفجار و محل ثبت لرزه بیشتر شود سرعت ثبت شده کمتر می شود. میزان ppv برای موج در حالت کلی ، مماسی ، قائم و طولی کمتر می شود .
• فرکانس قله اوج برای T ،V، L و حالت کلی با افزایش فاصله کمتر می شود .
• زمان به اوج رسیدن با افزایش فاصله زیاد می شود.
• جا به جایی اوج با افزایش فاصله کم می شود.
• شتاب اوج با افزایش فاصله کم می شود.
• مشاهده می شود که کمترین فاصله بین مرکز انفجار تا محل استقرار دستگاه، بیشترین مقدار لرزش را در بین مقادیر ثبت شده دستگاه دارد . این فاصله با مقدار 64/3 متر دارای سرعت 130 متر بر ثانیه است (با خرج بر تاخیر 3383 کیلوگرم و جنس مواد از نوع خاک )
• مشاهده می شود که بیشترین فاصله بین مرکز انفجار تا محل استقرار دستگاه ،کمترین مقدار لرزش را در بین مقادیر ثبت شده دستگاه دارد. این فاصله با مقدار 1093/7 متر دارای سرعت 2/2متر بر ثانیه است (با خرج بر تاخیر 4218 کیلوگرم و جنس مواد از نوع خاک )
• با توجه به این که دو انفجار که دارای بیشترین و کمترین فاصله بین مرکز انفجار و محل استقرار دستگاه در خاک بوده پس مشاهده می شود که فاصله، تاثیر مهم و اساسی را در میزان لرزش ثبت شده توسط دستگاه دارد.
فصل ششم
6-1 روش شبکه عصبی مصنوعی
شبكه‌هاي عصبي را مي‌توان با اغماض زياد، مدل‌هاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدل شبكه‌هاي عصبي نيز بر اساس همين الگو بنا شده است. روش برخورد چنين مدل‌هايي با مسائل، با روش‌هاي محاسباتي كه به‌طور معمول توسط سيستم‌هاي كامپيوتري در پيش گرفته شده‌اند، تفاوت دارد. مي‌دانيم كه حتي ساده‌ترين مغز‌هاي جانوري هم قادر به حل مسائلي هستند كه، اگر نگوييم كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل مي‌شوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونه‌اي از مواردي هستند كه روش‌هاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نمي‌رسند. درحالی كه مغز ساده‌ترين جانوران به راحتي از عهده چنين مسائلي بر مي‌آيد. تصور عموم كارشناسان تکنولوژي اطلاعات بر آن است كه مدل‌هاي جديد محاسباتي كه بر اساس شبكه‌هاي عصبي بنا مي‌شوند، جهش بعدي صنعت تکنولوژي اطلاعات را شكل مي‌دهند. تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگوها26 ذخيره مي‌كند. فرآيند ذخيره‌سازي اطلاعات به صورت الگو و تجزيه و تحليل مربوطه، اساس روش نوين محاسباتي را تشكيل مي‌دهد. اين حوزه از دانش محاسباتي27 به هيچ وجه از روش‌هاي برنامه‌نويسي سنتي استفاده نمي‌كند و به جاي آن از شبكه‌هاي بزرگي كه به صورت موازي آرايش شده‌اند و تعليم يافته‌اند، بهره مي‌جويد[14].
1-1-6 تاریخچه
هدف ساخت ابزاري مصنوعي از شبكه‌هاي عصبي، مدلي با قابليت تفكر كه قادر به تقليد عملكرد مغز انسان است، مي‌باشد. روش‌هاي الگوريتميك، براي مدل كردن اين خصايص مناسب نمی‌باشند، زیرا اولاً نياز به توصيف دقيقي از مساله داشته و ثانياً موارد فوق خارج از قدرت مدل‌سازي آنها مي‌باشد. بنابراين واضح است كه ابزار به كار رفته بايستي مبتني بر همان مدل‌هاي بيولوژيكي بوده تا بتواند به جاي عمليات سري و يا تركيبي و الگوريتميك موجود، مسائل پيچيده و غير خطي را به طريق موازي و غير الگوريتميك حل نمايد و اين آغاز روش‌هاي محاسباتي عصبي28 مي‌باشد. دراين قسمت به معرفی اجمالی روند ظهور و تکامل شبكه‌هاي عصبي29 اکتفا می‌شود.
6-1-1-1 شبكه‌هاي عصبي بيولوژيكي
تحقيقات و علاقه مندي به شبكه‌هاي عصبي از زماني شروع شد كه مغز به عنوان يك سيستم ديناميكي با ساختار موازي و پردازش گري كاملاً مغاير با پردازشگرهاي متداول شناخته شد. نگرش نوين در مورد كاركرد مغز نتيجه تفكراتي بود كه در اوايل قرن بيستم توسط رامون سگال در مورد ساختار مغز به عنوان اجتماعي از اجزاي محاسباتي كوچك به نام نرون شكل گرفت.
مغز به عنوان يك سيستم پردازش گر اطلاعات با ساختار موازي از 1011 نرون به هم مرتبط با تعداد 1016 ارتباط تشكيل شده است. نرون‌ها ساده‌ترين واحد ساختاري سيستم‌هاي عصبي هستند. بافت‌هايي که عصب ناميده مي‌شوند اجتماعي از نرون‌ها هستند که اطلاعات و پيام‌ها را از يك قسمت بدن به قسمت ديگر منتقل مي‌كنند. اين پيام‌ها از نوع شوک‌های الكتروشيميايي هستند. ميليون‌ها نرون در بدن انسان وجود دارد. حتي ساده‌ترين كارهاي روزمره انسان از قبيل پلك زدن، تنها از طريق همكاري همه جانبه اين نرون‌ها ميسر است. بيشترين تعداد نرون‌ها در مغز و باقي در نخاع و سيستم‌هاي عصبي جانبي تمركز يافته‌اند. اگر چه نرون‌ها كاركرد يكساني دارند، ولي اندازه و شكل آنها بستگي به محل استقرارشان در سيستم عصبي دارد[15].
براي آشنایی با سیستم‌های عصبی احتياج به چند تعريف اساسي مي‌باشد كه در ادامه به آنها اشاره خواهد شد.
– سلول: واحد اساسي يك بلوك سازنده حيات در همه جاندار‌ها است. در اكثر سلول‌ها چند خاصيت مشترك زير وجود دارد:
– غشاء نيمه تراوا: بدنه خارجي سلول را تشكيل مي‌دهد كه از طريق آن تبادل با محيط خارج انجام مي‌گيرد.
– سيتوپلاسم يا مايع سلولي كه شامل آب، مواد غذايي و يون‌ها است.
– اندامك‌ها كه ساختمان‌هاي اختصاصي براي ساخت پروتئين هستند.
– هسته كه توليد مثل سلول را تنظيم مي‌كند.
– سلول گيرنده: سلول گيرنده، نسبت به محيط داخلي و خارجي حساس بوده و شكل خاصي از انرژي را به پيام قابل استفاده (شيميايي و الكتريكي) در سلول‌ها تبديل مي‌كند. در حقيقت يك سلول گيرنده، در جهت دريافت تحريكات عمل مي‌كند.
– سلول عمل كننده: عمل تاثير فعال روي يك محيط توسط عمل كننده‌ها انجام مي‌شود. به عنوان مثال، سلولهاي عضلاني و غدد كه به ترتيب با انقباض و ترشح به محرك پاسخ مي‌دهند.
– سلول عصبي يا نرون: واحد سازنده سيستم عصبي در انسان است.
سلولهاي عصبي يا نرون از نظر عملكرد به سه دسته تقسيم مي‌شوند:
— نرون‌هاي گيرنده (حسي): اين نرون‌ها در اعضاي حسي مثل گوش، چشم، پوست، عضله و … وجود داشته و اطلاعات را به مغز و نخاع مي‌فرستند.
— نرون‌هاي عمل كننده (محرك): اين نرون‌ها فرمان را از مغز و نخاع به سلولهاي عمل كننده مثل عضلات و غدد مي‌فرستند.
— نرون‌هايي كه اعمال تكامل يافته‌تر را انجام مي‌دهند و تعدادشان به مراتب بيشتر از نرون‌هاي حسي و عمل كننده است. اين نرون‌ها باعث انجام تصميمات، تفكر، احساس، ادراك و ساير عملكردهايي مي‌شود كه به كنترل فعاليت‌هاي پيچيده بدن و روان مرتبط مي‌شود. اين نرون‌ها عمدتاً در مغز قرار دارند.[15]
يك نرون داراي بخش‌هاي اصلي ساختماني شامل بدنه سلولي، هسته، اكسون و دندريت است. بدنه سلولي كه هسته نيز در داخل آن قرار دارد، عضوي است كه ساير قسمت‌هاي سلولي از آن منشاء گرفته شده و نيازهای تغذيه‌اي سلول را براي ادامه حيات برآورده مي‌كند. وظیفه اكسون انتقال اطلاعات از سلول عصبي است. اكسون‌ها از نظر قطر و ضخامت با هم متفاوتند. قطر يك اكسون عامل مهمي در سرعت انتقال اطلاعات است. دندريت‌ها در واقع انشعاب‌هاي بدنه سلولي هستند. عمل دندريت‌ها انتقال اطلاعات از سلولهاي ديگر به سلول عصبي می باشد[15] (شکل 6-1).
6-1-1- 2اتصال بين نرون‌ها (سلولهاي عصبي)
دندريت هر نرون اطلاعات ورودي خود را از تعدادي نرون ديگر مي‌گيرد. همينطور اكسون هر نرون مي‌تواند به نرون‌هاي بسيار ديگري ختم شود. محل اتصال بين دو نرون، سيناپس ناميده مي‌شود. معمولاً اكسون در محل اين اتصال، يك سري گره‌هاي كوچكي را تشكيل مي‌دهد كه گره سيناپسي يا برجستگي سيناپسي ناميده مي‌شود. اين برجستگي‌ها در تماس مستقيم با سلولهاي بعدي نيستند بلكه توسط يك فضاي سيناپسي از سلول بعدي مجزا مي‌شوند (شکل 6-2). درحقيقت اين برجستگي‌ها داراي هزاران كيسه كوچك مي‌باشد كه محتوي مواد شيميايي هستند. اين مواد واسطه‌هاي شيميايي- عصبي ناميده مي‌شود[16].
شكل 6-1 قسمت‌هاي اصلي ساختمان يك نرون[15]
شكل 6-2 اتصال يك سيناپس بين دو نرون[16]
6-1-1-3 شبكه‌هاي عصبي مصنوعی
ايده شبكه‌هاي عصبي مصنوعی جديد نيست و به دوراني برمي‌گردد كه سعي بر آن شد تا چگونگي عملكرد مغز مشخص شود. در سال 1943، وارن مك كلوچ و پيتز30، مقاله‌اي در مورد عملكرد نرون‌ها نوشتند و مدلي را با مدارات الكتريكي ارائه نمودند. اين مدل امروزه با اندكي تغييرات قسمت اصلي و سازنده اكثر شبكه‌هاي عصبي مصنوعي مي‌باشد.
در سال 1958، پرسپترون31 توسط فرانك روزنبلات معرفي گرديد. واحدهاي پردازنده اين شبكه عصبي نظير واحدهاي مدل شده توسط مك كلوچ و پيترز بود و سيناپس‌هاي ارتباطي توسط يك الگوريتم يادگيري تغيير مي‌يافت. در واقع، يكي از مهيج‌ترين پيشرفت‌ها در خلال روند تکامل شبكه‌هاي عصبي و شناسايي الگو، پرسپترون بوده است. روزنبلات، ايده‌اي كه يك تعداد از پردازشگرهاي اصلي كه به صورت يك لايه از شبكه بيولوژيكي مرتب شوند و قادر به تشخيص و دسته بندي الگوها به طريق خودكار باشند را مطرح كرد[15].
در سال 1959، ويدرو و هاف32، مدل خطي تطبيق نرون را ارائه دادند. مشابه با پرسپترون، اين مدل نيز قادر به يادگيري جهت كلاسه‌بندي الگوها بود. اين مدل كه با عناوين آدلاین33 مطرح شد، اولين شبكه‌هاي عصبي به كار گرفته شده در مسائل واقعي بود. هر دو شبکه آدلاين و پرسپترون داراي محدوديت در طبقه بندي الگوهاي جدا ناپذير خطي بودند اين عيب توسط مينسکي و پيرت34 در حل مسئله غير خطي XOR مطرح شد و به دنبال آن مبحث شبکه‌هاي عصبي براي چندين سال با یک دوره رکود مواجه شد .[17]
در سال 1972 کوهونن35 و اندرسون36 بطور مستقل و بدون اطلاع از هم شبکه‌هاي عصبي جديد را معرفي کردند که قادر بود به عنوان “عناصر ذخيره ساز” عمل نمايد. در اين سال‌ها به علت عدم بروز ايده‌هاي جديد و نبود کامپيوتر‌هاي سريع، علاقه به کار کردن روي شبکه‌هاي عصبي کمرنگ بود. تا اين که در سال 1982 شبکه‌هاي عصبي در جنبه‌هاي ديناميکي آن يعني شبکه‌هاي بازگشتي توسط هاپفيلد37 مطرح شد که مي‌توانست حالت گذشته را به عنوان ورودي بپذيرد. سرانجام در سال 1986 تحول مهم علم شبکه عصبي همراه با الگوريتم پس انتشار خطا38 روي داد. اين روش آموزش که توسط رملهات39 ابداع گرديد خلاء بزرگ آموزش شبکه‌هاي عصبي چند لايه را مرتفع ساخت. بعد از ارائه قانون پس انتشار خطا به منظور آموزش لايه‌ها، مباني روند روبه رشد و انفجاري استفاده از شبکه‌هاي عصبي در زمينه‌هاي مختلف آغاز شد[17]. عبارت شبكه‌هاي عصبي مصنوعي40 از تحقيقات مربوط به هوش مصنوعي41 گرفته شده
