اولویت بندی مقاوم سازی لرزه ای ساختمان ها در بافت فرسوده رویکرد یکپارچه GIS تاب آوری شبکه و الگوریتم های هوش مصنوعی

بافت های فرسوده شهری به دلیل تراکم ساختمانی بالا، فرسودگی کالبدی، عرض کم معابر و تمرکز جمعیت از آسیب پذیرترین بخش های شهر در برابر زمین لرزه به شمار می روند. در چنین محیط هایی مسئله فقط تخریب ساختمان ها نیست بلکه پیامدهای ثانویه ای مانند انسداد مسیرهای امدادی و اختلال در دسترسی به مراکز حیاتی نیز می تواند دامنه بحران را تشدید کند. از این رو، اولویت بندی مقاوم سازی لرزه ای ساختمان های عمومی نباید صرفا بر پایه ضعف سازه ای انجام شود بلکه لازم است نقش هر ساختمان در عملکرد شبکه دسترسی شهری نیز در نظر گرفته شود. این مقاله یک چارچوب یکپارچه برای اولویت بندی مقاوم سازی لرزه ای ساختمان های عمومی در بافت های فرسوده ارائه می کند که در آن سامانه اطلاعات جغرافیایی (GIS)، تحلیل شبکه معابر و الگوریتم های هوش مصنوعی تلفیق می شوند. در لایه داده ای اطلاعات ساختمانی، مکانی، شبکه ای و جمعیتی در محیط GIS ترکیب می شوند. در لایه یادگیری ماشین از Random Forest برای برآورد اولیه آسیب پذیری و تحلیل اهمیت ویژگی ها و از XGBoost برای تولید شاخص ریسک ترکیبی با دقت بالاتر استفاده می شود. در لایه شبکه معابر به صورت گراف مدل می شوند و شاخص های شبکه ای برای سنجش نقش هر ساختمان در انسداد یا حفظ مسیرهای حیاتی محاسبه می گردد؛ در صورت در دسترس بودن داده، کافی است آزمایشی از شبکه های عصبی گرافی (GNN) مانند GCN نیز پیشنهاد می شود. خروجی، چارچوب یک شاخص ترکیبی اولویت برای هر ساختمان عمومی است که چهار بعد اصلی را ترکیب می کند: ریسک سازه ای، اهمیت عملکردی، جمعیت در معرض خطر و اثر شبکه ای بر دسترسی امدادی. این شاخص برای رتبه بندی ساختمان ها در شرایط محدودیت بودجه مقاوم سازی به کار می رود و می تواند به مدیران شهری کمک کند تا مداخلات خود را بر ساختمان هایی متمرکز کنند که مقاوم سازی آن ها بیشترین اثر را بر کاهش ریسک و افزایش تاب آوری شهری دارد.

کلیدواژه ها:

هوش مصنوعی ، شبکه های عصبی گرافی (GNN) ، تاب آوری شبکه ، یادگیری تقویتی ، بافت فرسوده ، مقاوم سازی لرزه ای