پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,232 |
| تعداد مقالات | 67,774 |
| تعداد مشاهده مقاله | 115,252,197 |
| تعداد دریافت فایل اصل مقاله | 89,998,072 |
ارائۀ مدل برای پیش‌بینی شدت تخریب ساختمان‌ها و تلفات ناشی از ریزش آنها حین وقوع زلزله تحت سناریوهای مختلف (مطالعۀ موردی: کلانشهر کرمانشاه) | ||
| مدیریت مخاطرات محیطی | ||
| دوره 10، شماره 2، تیر 1402، صفحه 91-105 اصل مقاله (1.55 M) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2023.362706.787 | ||
| نویسندگان | ||
| میلاد عزیزی1؛ سید محمد تقی فاطمی قمی* 2؛ فریبرز جولای3 | ||
| 1گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2دانشکدۀ مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| 3استاد دانشکدۀ مهندسی صنایع، پردیس دانشکدۀ فنی، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| زلزله از شناخته‌شده‌ترین بلایای طبیعی جهان است که می‌تواند سبب بروز بحران شود. امدادرسانی به‌موقع بعد از زلزله در کاهش تلفات بسیار مهم است؛ به همین منظور پیش‌بینی احداث مراکز امدادی در مناطق حادثه‌خیز ضرورت دارد. در این مقاله مدلی ریاضی برای پیش‌بینی شدت تخریب ساختمان‌ها و تلفات ناشی از ریزش آنها در برابر زلزله ارائۀ و برای حل مدل از نرم‌افزار GAMS استفاده شده است. در پژوهش حاضر با استفاده از اطلاعات ساختمان‌ها و جمعیت منطقه، تحت سناریوهای مختلف در حالت شب و روز شدت تخریب ساختمان‌ها و افراد گرفتارشده در زیر آوار محاسبه شده و سپس با استفاده از اطلاعات به‌دست‌آمده با توجه به بیشترین افراد گرفتارشدۀ زندۀ زیر آوار در هر منطقه، نزدیک‌ترین محل به مراکز حادثه‌دیده برای استقرار گروه‌های امدادی پیش از وقوع حادثه در نظر گرفته شده است. برای اثبات اعتبار مدل معرفی‌شده در بخش محاسباتی از داده‌های مناطق شهر کرمانشاه بهره‌برداری شده است. نتایج به‌دست‌آمده از مدل نشان داد که بیشترین تعداد تلفات در مناطق 3، 2، 4، 6، 5 و 1 به‌ترتیب به میزان 90/15، 39/14، 23/12، 58/9، 56/9 و 9 درصد رخ خواهد داد. با احداث یک مرکز امدادی تلفات 6 درصد و با احداث دو، سه، چهار، پنج و شش مرکز امدادی تلفات به‌ترتیب 11، 15، 20، 23 و 25 درصد کاهش پیدا خواهد کرد. نتایج پژوهش نشان داد که با افزایش تعداد مراکز امدادی تلفات کاهش می‌یابد. همچنین مدل نشان داد که شرایط شب و روز در انتخاب محل‌های بالقوه برای تأسیس مراکز امدادی بی‌تأثیر است. | ||
| کلیدواژه‌ها | ||
| آسیب‌پذیری؛ امدادرسانی؛ زلزله؛ مخاطرات؛ مراکز امدادی | ||
| عنوان مقاله [English] | ||
| Predicting model for the amount of destruction of buildings and casualties due to their collapse during an earthquake under different scenarios (Case study: Kermanshah metropolis) | ||
| نویسندگان [English] | ||
| Milad Azizi1؛ Seyed Mohammad Taghi Fatemi Ghomi2؛ Fariborz Jolai3 | ||
| 1Department of Industrial Management, Central Tehran branch, Islamic Azad University, Tehran, Iran | ||
| 2Department of Industrial Engineering, Amirkabir University of Technology, 424 Hafez Avenue, Tehran, Iran | ||
| 3School of Industrial Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Introduction All hazards can be generated from natural and unnatural sources caused by technology and human activities, where earthquake is one of the natural ones [2]. In terms of natural disasters, as Iran is one of the 10 accidental countries in the world [1], Therefore, it is very important to locate the relief centers before the accident in order to reduce the casualties caused by the earthquake. Providing relief after an earthquake is very important in reducing casualties, and this possibility is possible with facilities including power, equipment, and proper infrastructure. In order to achieve these goals, it is necessary to take preventive measures from now on and these programs should be based on the knowledge of vulnerable points. According to the need raised, we decided to investigate the vulnerability of buildings and calculate the human casualties caused by earthquakes in order to be able to investigate the construction of relief centers before the accident in different areas with a better view and more accurate information. Pay attention to the severity of their damages and prevent crises in earthquake affected areas. Materials and Methods Due to the fact that the deployment of rescue teams to provide relief in each region requires preliminary measures that take time and delay the delivery of relief, therefore the importance of saving the lives of trapped people, the necessity of locating and establishing relief centers before the incident It shows the crisis. In previous researches, locating was based on the amount of destruction of buildings, not the number of people involved and trapped in the buildings, which in this research, according to the people trapped in the destroyed buildings, the nearest place for relief centers was determined. The information required for the presented mathematical model includes the population of each region, the number, type of structure and the density of buildings in each region. The presented model is solved with the help of GAMS software. Also, taking into account the fact that the number of people living in each area is different according to the time, this research has considered different scenarios for day and night. Due to the fact that people are more alert during the day and react better and timely to earthquakes than at night, the number of injured people will be different. Results and Discussion People trapped in destroyed buildings are classified into two categories as follows. The first category contains people who leave the building immediately after the accident without getting help, who can be completely healthy or may have injuries. In contrast, the second one contains trapped people in the rubble that need help from relief forces, which can also be divided into two groups. The first group contains trapped people in the rubble who die immediately, whereas the second one is trapped people in the rubble who will be killed if no help is provided, so-called secondary casualties. Kermanshah metropolis is the study area divided into 6 areas, based on which the implementation of the model and its output information are conducted on them. Note that the required information is gathered based on the type of materials, the residential density, the earthquake intensity, and the population density, help the relief teams in prioritizing the areas. In this matter, the priority is given to areas via more alive people trapped in rubble. Traditionally, to save most people in the shortest time, the relief operations are begun in areas with more population. Meanwhile, many people may get out from the rubble in the early hours without the help of relief forces so that there are few trapped. In the following, without having information about the people trapped in the rubble, the relief teams provide relief operations in area with maximum power regarding both the density and type of buildings. Unfortunately, this mistake would result in a delay in the relief operations in other areas associated with more trapped people; hence, the number of killed people will be increased as well. Conclusion The results of the presented model showed the highest number of casualties in areas 3, 2, 4, 6, 5, and 1 respectively at the rate of 15.90%, 14.39%, 12.23%, 9.58%, and 9.56% and 9% will occur if a relief center is established, the casualties will be reduced by 6% and with the construction of two, three, four, five and six relief centers respectively 11%, 15%, 20%, 23% and 25% will decrease. The results of the research showed that with the increase in the number of aid centers, the number of casualties decreases. According to the output of the presented model, there are more people trapped under the debris at night than during the day. Considering the darkness and limited visibility, the construction and establishment of relief centers will be delayed a lot, so it is very important to predict the location of the relief teams before the accident, so that they can be settled in their place immediately Start the relief operation after the earthquake. The results of the present study show the superiority of the presented model and indicate the reduction of rescue time and casualties in different situations. In this research, the number of rescue teams under different scenarios has been considered according to the amount of damage to the buildings and trapped people, without taking into account the limitations of the cost and the number of rescue teams, The future is considered in the model which can be used in researches. The method presented in this research helps the crisis managers to take advantage of these results before the crisis by planning for the optimal use of the available time, to increase the operational capacity of the support and relief system in the shortest possible time and also allocate resources should be given to people in need. | ||
| کلیدواژه‌ها [English] | ||
| Vulnerability, Relief, Casualties, Earthquake, Relief Centers | ||
| مراجع | ||
|
[1] آفریدی، صنم؛ احمدی، فرشته؛ سلطانی، علی؛ و محمدی، محمود (1400). آسیب‌شناسی تاب‌آوری فضایی شهری با تأکید بر توزیع بیمارستان‌ها. دو فصلنامۀ علمی و پژوهشی مدیریت بحران، 10، ویژه‌نامۀ دوم پدافند غیرعامل، 75-91.
[2] احمدی، فریال؛ و اسکندری‌نژاد، علیرضا (1400). ارزیابی میزان آسیب‌پذیری بافت مسکونی کلانشهر ساری در مخاطرة طبیعی زلزله. آمایش محیط، 14(52)، 1-18.
[3] اردکانی، امیررضا؛ گلابچی، محمود؛ حسینی، سید‌محمود؛ و علاقمندان، متین (1396). بررسی تأثیر فرم ساختمان‌های بلند بر پایداری سازه‌ای آنها با هدف کاهش مخاطرات زلزله (نمونۀ موردی: تأثیر پارامتر شکل پلان). مدیریت مخاطرات محیطی، 4(1)، 27-42.
[4] باقری، میلاد؛ رستمی، رحیمه؛ ارگانی، میثم؛ و باقری، کیوان (1399). تحلیلی بر پراکنش مراکز بیمارستانی با رویکرد پدافند غیرعامل با هدف مدیریت مخاطرات با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: شهر تبریز). مدیریت مخاطرات محیطی، 7(1)، 77-96.
[5] بهرامی، ناهید؛ ارگانی، میثم؛ جلوخانی نیارکی، محمدرضا؛ و وفایی‌نژاد، علیرضا (1398). ارائۀ راهکاری مکان‌مند به‌منظور بهبود مدیریت امداد و نجات پس از زلزله. مدیریت مخاطرات محیطی، 6(2)، 117-129.
[6] پهلوانی، پرهام؛ و بادپا، میعاد (1399). رتبه‌بندی مناطق مسکونی شهری در برابر مخاطرات زمین‌لرزه با استفاده از روش‌های آنتروپی شانون و تاپسیس (مطالعۀ موردی: شهر آمل). مدیریت مخاطرات محیطی، 7(3)، 225-239.
[7] جانعلی‌پور، میلاد؛ عباس‌زاده طهرانی، نادیا؛ محمد‌خانلو، حکمت‌اله؛ خصالی، الهه؛ و عنایتی، حمید (1398). شناسایی سریع مناطق آسیب‌دیده پس از وقوع زلزله با استفاده از تصاویر ماهواره‌ای Sentinel-2 (مطالعۀ موردی: زلزلۀ سرپل ذهاب). مدیریت مخاطرات محیطی، 6(2)، 131-148.
[8] حسین زاده، مهناز؛ احمدی، علی؛ و صمدی فروشانی، مرضیه (1400). توسعۀ مدل پویای مدیریت بحران زلزله در تهران با استفاده از رویکرد پویایی‌شناسی سیستم(SD). مخاطرات محیط طبیعی، 10(27)، 67-90.
[9] حسین‌زاده ده‌آبادی، علی‌اصغر؛ ارگانی، میثم؛ و درویشی بلورانی، علی (1398). بررسی و استخراج تخریب‌های ساختمانی ناشی از وقوع زلزله با استفاده از تصاویر ماهواره‌ای با توان تفکیک زیاد. مدیریت مخاطرات محیطی، 6(3)، 239-257.
[10] حیدری فر، محمد رئوف؛ و محمودی، عبدالله (1400). تحلیل آسیب‌پذیری کاربری اراضی شهری جوانرود در برابر زلزله با استفاده از تحلیل شبکه‌ای (ANP) و سیستم اطلاعات جغرافیایی (GIS). پژوهش‌های جغرافیای انسانی، 53(1)، 119-137.
[11] حیدری مظفر، مرتضی؛ و تاج‌بخشان، مرضیه (1400). پهنه‌بندی آسیب‌پذیری سکونتگاه‌های شهرستان نهاوند در برابر زلزله. مخاطرات محیط طبیعی، 11(34)، 56-78.
[12] خاکی، علی (1401). بررسی نقش ویژگی‌های کالبدی ساختمان‌های آموزشی در مدت زمان تخلیۀ اضطراری هنگام حوادث. مدیریت بحران، (21)، 149-161.
[13] خواجوی، رضا؛ جوکار، عارفه؛ و صداقتی، عماد (1401). طراحی و پیاده‌سازی نمونۀ اولیۀ نرم‌افزار کاربردی تعاملی گوشی هوشمند جهت ارزیابی لرزش و آسیب‌پذیری ساختمان‌ها. مدیریت بحران، ویژه‌نامۀ پدافند غیرعامل، 1-20.
[14] روحی، بیتا؛ میرزا ابراهیم طهرانی، مهناز؛ استعلاجی، علیرضا؛ و فرزاد بهتاش، محمدرضا (1400). تاب‌آوری ساختمان‌های مهم شهر همدان در برابر سیلاب با استفاده از مدل‌سازی معادلات ساختاری لیزرل. مدیریت مخاطرات محیطی، 8(3)، 207-228.
[15] ساسان‌پور، فرزانه؛ و موسی‌وند، جعفر (1389). تأثیر عوامل انسان‌ساخت در تشدید پیامدهای مخاطرات طبیعی در محیط‌های کلان‌شهری با کاربرد منطق فازی و سیستم اطلاعات جغرافیایی. تحقیقات کاربردی علوم جغرافیایی، 13(16)، 29-50.
[16] شماعی، علی؛ عظیمی، آزاده؛ و فرجی ملایی، امین (1390). بررسی و تحلیل سلسله‌مراتب آسیب‌پذیری محلات شهر بابلسر به‌منظور کاهش خطرات زلزله. تحقیقات کاربردی علوم جغرافیایی، 11(20)، 107-127.
[17] صالحی‌پور میلانی، علیرضا؛ زمانی، مهدی؛ و صدوق، سید‌حسن (1400). ارزیابی آسیب‌پذیری و تاب‌آوری شهر رزن در برابر زلزله. مدیریت مخاطرات محیطی، 8(3)، 267-282.
[18] عبدالشاه، محمد؛ خطیبی، سید امیرمحمد؛ حسینی، سیامک؛ و بهشتی‌نیا، محمدعلی (1396). بهینه‌سازی زمان سیستم امدادرسانی در شرایط مخاطره با تقسیم وظایف بین مراکز و درنظرگیری ظرفیت حداکثری ناوگان (مطالعۀ موردی: شهر قزوین). مدیریت مخاطرات محیطی، 4(2)، 143-156.
[19] غضنفرپور، حسین؛ حسینی‌خواه، حسین؛ و کمالی باغراهی، اسماعیل (1401). تحلیل ریسک و آسیب‌پذیری لرزه‌ای سکونتگاه‌های انسانی شهرستان باشت با استفاده از مدل دیماتل فازی و GIS. مخاطرات محیط طبیعی، 12(35)، 22-38.
[22] فرج‌زاده اصل، منوچهر؛ احدنژاد، محسن؛ و امینی، جمال (1390). ارزیابی آسیب‌پذیری مساکن شهری در برابر زلزله (مطالعۀ موردی منطقۀ 9 شهرداری تهران). مطالعات و پژوهش‌های شهری منطقه‌ای، 3(9)، 19-36.
[21] فرح‌بخش، امین؛ و سموئی، پروانه (1400). برنامه‌ریزی لجستیک بشردوستانۀ یک زنجیرۀ تأمین خدمت مربوط به بیمارستان‌های سیار در شرایط بحران با اولویت‌بندی مناطق. مدیریت بحران، (19)، 47-56.
[22] کرمی، محمدرضا؛ و امیریان، سهراب (1397). پهنه‌بندی آسیب‌پذیری شهری ناشی از زلزله با استفاده از مدل Fuzzy-AHP (مطالعۀ موردی: شهر تبریز). برنامه‌ریزی توسعۀ کالبدی، 5(10)، 110-124.
[23] مبارکی، امید؛ اسمعیل‌پور، مرضیه؛ و امینی، شیرین (1400). ارزیابی آسیب‌پذیری کالبدی شهر آذرشهر در برابر زلزله. شهر ایمن، 2(7).
[24] مجیدی نیک، مهیار؛ و بیگلری، سعدی (1401). ارزیابی و پهنه‌بندی خطر زلزله در استان بوشهر. دو مدیریت بحران، ویژه‌نامه پدافند، 1-14.
[25] محمودی وانعلیا، نرجس؛ ارگانی، میثم؛ و جلوخانی نیارکی، محمدرضا (1400). تهیۀ نقشۀ چند‌خطرۀ استان مازندران با استفاده از تحلیل تصمیم‌گیری چندمعیارۀ مکانی. مدیریت مخاطرات محیطی، 8(4)، 395-411.
[26] مددی، عقیل؛ اصغری سراسکانرود، صیاد؛ زارعمند، زهرا؛ و قلعه، احسان (1401). مدل‌سازی و پهنه‌بندی خطر زلزله با استفاده از مدل تاپسیس فازی (مطالعۀ موردی: شهر کرمانشاه). مدیریت بحران، (22)، 6-19.
[27] مسگری هوشیار، سارا؛ حاجی ابراهیم زرگر، اکبر؛ و فلاحی؛ علیرضا (1398). الگوی اسکان موقت مبتنی بر روش نظریۀ زمینه‌ای (مطالعۀ موردی: شهر سرپل‌ذهاب پس از زلزلۀ 1396). مدیریت مخاطرات محیطی، 6(3)، 287-300.
[28] مغیثی، میثم؛ توکلی، حمیدرضا؛ و پیغاله، الناز (1401). برآورد احتمال انسداد مسیر در شبکۀ حمل‌و‌نقل درون‌شهری پس از وقوع زلزله با استفاده از الگوریتم بیزی (مطالعۀ موردی: شهر بابل). مدیریت بحران، (21)، 49-66.
[29] موسوی، سوگل؛ سجادی، سیدمجتبی؛ عالم تبریز، اکبر؛ و نجفی، سیداسماعیل (1400). ارائۀ مدل ریاضی به‌منظور طراحی شبکۀ سلسله‌مراتبی تسهیلات اضطراری موقت در شرایط بحران. دو فصلنامۀ علمی و پژوهشی مدیریت بحران، (20)، 85-97.
[30] موسوی، سیده معصومه؛ عابدینی، موسی؛ و اسمعلی عوری، اباذر (1394). ارزیابی خطر زمین‌لرزه در حوزۀ شهری ایذه با استفاده از مدل‌های چندمعیارۀ WLC و AHP در محیط GIS. مدیریت بحران، 4(1)، 93-101.
[31] میردهقان اشکذری، سیداحمد؛ المدرسی، سیدعلی؛ رضایی، محمدرضا؛ نوجوان بشنغیان، محمدرضا؛ و خبازی، مصطفی (1401). ارزیابی و تحلیل آسیب‌پذیری شهر یزد در برابر زلزله با استفاده از مدل‌های ترکیبی. مدیریت مخاطرات محیطی، 9(3) 205-217.
[32] نیری، هادی؛ خالق پناه، کمال؛ کرمی، محمدرضا؛ و احمدی، خه‌بات (1395). پهنه‌بندی میزان آسیب‌پذیری شهر سنندج ناشی از زلزله با استفاده از دو مدل تحلیل سلسله مراتبی و مدل تاپسیس. جغرافیا و برنامه‌ریزی دانشگاه تبریز، 20 (57)، 277-294.
[33] نیری، هادی؛ کرمی، محمدرضا؛ و سوری، محمود (1398). مکان‌یابی مراکز امداد و نجات در شهرستان نهاوند با استفاده از مدل فازی- ای اچ پی FAHP. مدیریت مخاطرات محیطی، 6(2)، 97-115.
[34] هاشمی، صدیقه؛ و عزیزپور، فرهاد (1400). آسیب‌پذیری مسکن در نواحی روستایی (مورد مطالعه: شهرستان نی‌ریز). تحلیل فضایی مخاطرات محیطی، 8(4)، 141-154.
[35] Berkoune, D., Renaud, J., Rekik, M., & Ruiz, A. (2012). Transportation in disaster response operations. Socio Economic Planning Sciences, 46(1), 23-32. https://doi.org/10.1016/j.seps.2011.05.002.
[36] Coburn, A. W., Spence, R. J. S., & Pomonis, A. (1992). Factors determining human casualty levels in earthquakes: Mortality prediction in building collapse. In Proceedings of the10 th World Conference on Earthquake Engineering. Madrid, Spain. Rotterdam, 10, 5,989–5,994.
[37] Cotrufo, S., Sandu, C., Giulio Tonolo, F., & Boccardo, P. (2018). Building damage assessment scale tailored to remote sensing vertical imagery. European Journal of Remote Sensing, 51(1), 991-1005. https://doi.org/10.1080/22797254.2018.1527662.
[38] Haghi, M., Ghomi, S. M. T. F., & Jolai, F. (2017). Developing a robust multi-objective model for pre/post disaster times under uncertainty in demand and resource. Journal of Cleaner Production, 154, 188-202. https://doi.org/10.1016/j.jclepro.2017.03.102.
[39] Handayani, N. U., Arvianto, A., & Sesariana, Y. (2018). Design of transportation system of humanitarian aids logistic using variable neighborhood search (VNS) algorithm: Case study in Merapi eruption. Paper presented at the AIP Conference Proceedings. https://doi.org/10.1063/1.5042873.
[40] Memari, P., Tavakkoli-Moghaddam, R., Navazi,. F, Jolai,F. (2020). Air and ground ambulance locationallocation- routing problem for designing a temporary emergency management system after a disaster. Institution of Mechanidal Engineers, 234(8), 812-828. https://doi.org/10.1177/0954411920925207.
[41] Oksuz, M. K., & Satoglu, S. I. (2020). A two-stage stochastic model for location planning of temporary medical centers for disaster response. International Journal of Disaster Risk Reduction, 44, 101-426. https://doi.org/10.1016/j.ijdrr.2019.101426. | ||
|
آمار تعداد مشاهده مقاله: 183 تعداد دریافت فایل اصل مقاله: 167 |
||