تعداد نشریات | 43 |
تعداد شمارهها | 1,269 |
تعداد مقالات | 15,640 |
تعداد مشاهده مقاله | 51,702,018 |
تعداد دریافت فایل اصل مقاله | 14,581,974 |
بهینه یابی مناسبترین مدل برآورد رسوب معلق رودخانه سد آبشینه همدان | ||
هیدروژئومورفولوژی | ||
مقاله 3، دوره 8، شماره 27، شهریور 1400، صفحه 57-37 اصل مقاله (1.84 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/hyd.2021.41680.1546 | ||
نویسندگان | ||
علیرضا ایلدرمی* 1؛ مهران محمدپناه مقدم2 | ||
1دانشیار دانشگاه | ||
2دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر، ایران | ||
چکیده | ||
مدل های ریاضی با استفاده از معادلات حاکم بر انتقال، توزیع و انباشت رسوب، یکی از روشهای کارآمد برای پیشبینی و برآورد بار معلق رودخانه ها محسوب میشوند. در این بررسی بار معلق رودخانه سد آبشینه همدان با استفاده از مدل های USBR، منحنی حد وسط دسته ها، منحنی سنجه فصلی و FAO برآورد و ضمن نمونه برداری مستقیم از بار معلق، مدلها با روش اصلاحی تبدیل لگاریتمی (CF1, CF2) و مدل آماری GS+ ارزیابی و مناسبترین مدل برآورد بار معلق رودخانه انتخاب شد. نتایج نشان داد که مدل فائو به دلیل بررسی پارامترهای بیشتر در شرایط مرزی و کمترین مقدار ضرایب تصحیح CF1 وCF2 و خطای کمتر میزان رسوبات بار معلق را با دقت و کارایی قابلقبولتری محاسبه نموده و از برازش و تطابق بیشتری با مقادیر رسوب مشاهداتی برخوردار است. بررسی ها نشان می دهد که مدلهای ﻣﺨﺘﻠﻒ هیدرولوژیکی ﻧﺘﺎﻳﺞ ﻣﺘﻔﺎﻭﺗﻲ ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﺩﺍشته و تقسیم بندی داده ها برحسب زمان وقوع، تأثیر فراوانی در کاهش خطا دارد، به طوری که مدل فائو با کمترین درصد خطای نسبی و میانگین توان دوم خطابه ترتیب به میزان 58/99 درصد و 0001/0 بهعنوان روش بهینه و مدل دوره ی مشابه هیدرولوژیکی با بیشترین درصد خطای نسبی به میزان 34/100و ضریب همبستگی پایین بهعنوان نامناسب ترین مدل برآورد رسوب معلق رودخانه ی آبشینه انتخاب شدند. نتایج نشان داد که مدل فائو در برآورد میزان رسوب معلق رودخانه با ضرایب تصحیح CF1=1.24و CF2=1.46 وکمترین میزان خطا نسبت به مدل USBR خطی باCF1=1.87 و CF2=1.97 و حد وسط باCF1=2.43 و CF2=3.01از دقت بیشتری برخوردار است. پیشنهاد میشود در مدلهای برآورد بار معلق رودخانهها بازنگری و از مدلهای با کمترین خطا استفاده گردد. | ||
کلیدواژهها | ||
بارمعلق؛ مدل فائو؛ مدل USBR؛ رودخانه آبشینه؛ منحنی سنجه رسوب؛ همدان | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
Abolfathi, D., Madadi, A., & Asghari, S. (2018). Modeling the amount of river sediment using artificial neural network method (Case study: Golrood River), Journal of Quantitative Geomorphological Research, 7(2), 208-196.
Asadi, M., Fathzadeh, A., & Taghizadeh Mehrjerdi, R. (2017). Investigation of the effect of time scale (daily, monthly and annual) on the prediction of suspended sediment load, Journal of Hydrogeomorphology, 3(10), 121-143.
Farajzadeh, M., Heidary, A. A., Mollashahi, M., & Rajabi Rostamabadi, N. (2017). Analysis and comparisonof suspended sediment intheCaspia and Central Iran watersheds, Journal of Hydrogeomorphology, 3(11), 59-82.
Gericke, A., Venohre, M. (2012). Improving the estimation of erosion-related suspended solid yields in mountainous, non-alpine river catchments, Novembe, Environmental Modelling and Software, 37, 30–40.
Gholami, L., Ghorghi, H., Abdollahi, J., Khaledi, Z., & Darvishan, A. (2017). Comparison and evaluation of suspended sediment estimation methods using data classification (Case study: Doork Merk, Shirgah and Krikla water stations), Journal of Water Resources Research Iran, 13(3), 187-193.
Honarbakhsh, A., Fashin Niazi, A., Soltani, A., & Tahmasebi, P. (2019). Modeling the relationship between suspended sediments and hydrological and environmental characteristics of the basin (Case study: Dez Dam basin), Quantitative geomorphological research, 8(1), 105-117.
Hu, B., Wang T.H., Yang, Z., & Sun, X. (2011). Temporal and spatial variations of sediment rating curves in the Changjiang (Yangtze River) Basin and their Implications, Quaternary International. 230: 34–43.
Iqbal, M., Ghumman, A.R., Haider, S., Hashmi, H. N., & Khan, M. A. (2019). Application of Godunov type 2D model for simulating sediment flushing in a reservoir, Arabian Journal for Science and Engineering, 44(5), 4289-4307.
Karami, F., Bayati Khatibi, M. (2019). Modeling soil erosion and prioritizing sediment production in Sattarkhan Ahar dam basin using MUSLE and SWAT models, Journal of Hydrogeomorphology, 18, (23), 119-141.
Lai, Y.G., &Wu,K.(2019).AThree-Dimensional Flow andSedimenTransport Model for Free-Surface Open Channel Flows on Unstructured Flexible Meshes, Fluids, 4(1), 18-28.
Nasseri, F., Azari, M., Dastarani, M. T. (2018). Optimization of Coefficients of Sediment Measurement Equations Using Genetic Algorithm (Case Study: Ghazaghli and Bagh- -Abbasi Stations), Iranian Journal of Irrigation and Water, 9(3), 82-98. (In Persian).
Noorani, V., & Mohsenzadeh, S. (2017). Estimation of Monthly Sediment Load of Aji Chai Basin Stations Using MPSIAC Model and Waterfall Microscale, Artery, Journal of Hydrogeomorphology, 3(11), 83-103.
Ouda, M. (2019). Multiphase Modelling of Sediment Transport and Bed Erosion for the Study of Coastal Morphodynamics, KULeuven, Technology Campus Brugge, Belgium, October 2019.
Raeisi, M., Najafinejad, A., & AzimMohseni, M. (2019). Investigation of time phenomena of sediment measurement curve and its comparison with several statistical methods for estimating suspended sediment load (Case study: Gamasiab watershed), Journal of Basin Management Watershed, 20, 83-96.
Ramezanipour, E., Mosaedi, A., & Mesdaghi, M. (2017). Determining the most appropriate method for estimating suspended sediment based on error statistics (Case study -a number of sub-basins), Watershed Management Research Journal, 8 (15), 112-124.
Zahiri, A. R., Qoli Nejad, J., & Dehghani, A. (2018). Calculation of transverse distribution of river sediments using a quasi-two-dimensional mathematical model (Case study: Qarasu River), Journal of Water Resources Engineering, 11(38), 83-93.
Zhang, W., Wei, X., Jinhai, Z., Yuliang, Z., & Zhang, Y. (2012). Estimating suspended sediment loads in the Pearl River Delta region using sediment rating curves, Continental Shelf Research, 38, 35-46. | ||
آمار تعداد مشاهده مقاله: 362 تعداد دریافت فایل اصل مقاله: 278 |