آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,303 |
| تعداد مقالات | 16,047 |
| تعداد مشاهده مقاله | 52,590,023 |
| تعداد دریافت فایل اصل مقاله | 15,269,341 |
مدلسازی عددی آبخوان دشت اردبیل و مدیریت آن با استفاده از بهینه سازی برداشت آب زیرزمینی | ||
| هیدروژئولوژی | ||
| مقاله 12، دوره 4، شماره 1، شهریور 1398، صفحه 153-167 اصل مقاله (1.78 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2019.7571 | ||
| نویسندگان | ||
| مهدی کرد* 1؛ اصغر اصغری مقدم2؛ محمد نخعی3 | ||
| 1گروه علوم زمین، دانشکده علوم پایه، دانشگاه کردستان، سنندج، ایران | ||
| 2گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران | ||
| 3دانشکده علوم زمین، دانشگاه خوارزمی، تهران، ایران | ||
| چکیده | ||
| دشت اردبیل در شمال غرب ایران و در استان اردبیل قرار دارد. این دشت توسط ارتفاعاتی که بخشی از رشته کوه البرز هستند، احاطه شده و با وسعتی در حدود 990 کیلومتر مربع جمعیتی در حدود564000 نفر را در خود جا داده است. افزایش سریع تقاضای آب طی 25 سال گذشته در دشت اردبیل، منجر به بهرهبرداری زیاد آب زیرزمینی و در نتیجه افت سطح ایستابی به میزان بالغ بر 12 متر شده است. کاهش سطح آب زیرزمینی علاوه بر کاهش ذخیره آبخوان، میتواند صدمات جبران‌ناپذیری بر جا بگذارد. تنها در صورت مدیریت برداشت آب زیرزمینی این مسئله قابل کنترل خواهد بود. لذا هدف از این پژوهش، بهینهسازی برداشت آب از این آبخوان به منظور جلوگیری از افت بیشتر سطح ایستابی و در صورت امکان، جبران کاهش ذخیره آن است. در این پژوهش بر اساس پروتکل مدلسازی، ابتدا مدل مفهومی آبخوان دشت اردبیل تهیه گردید. بدین منظور پایگاه دادهای، شامل دادههای کیفی و کمی در محیط ArcGIS تشکیل و روشهای کریجینگ و منطق فازی برای تهیه انواع نقشههای پهنهبندی، به کار رفتند. پس از تعیین هندسه آبخوان، پارامتر‌های ورودی و خروجی، سیستم جریان آب زیرزمینی و پارامتر‌های هیدرولیکی، از کد Modflow 2005 به وسیله نرم‌افزار PMwin8، برای مدلسازی جریان آب زیرزمینی در آبخوان دشت اردبیل استفاده شد. بعد از مدلسازی جریان آب زیرزمینی، بر اساس مقدار افت، آبخوان دشت اردبیل به پانزده بخش، زون‌بندی و پس از بهینهسازی توسط نرم‌افزار PEST، مقادیر برداشت مجاز محاسبه شد. بر اساس نتایج به دست آمده برای تعادل‌بخشی سطح ایستابی آبخوان، بیشترین بهرهبرداری مربوط به شرق آبخوان و کمترین بهرهبرداری مربوط به مرکز دشت می‌باشد. | ||
| کلیدواژه‌ها | ||
| مدلسازی عددی؛ بهینه سازی؛ آبخوان دشت اردبیل؛ مدیریت آب زیرزمینی | ||
| مراجع | ||
|
نیکبخت، ج.، ذوالفقاری، م.، نجیب، م.، 1395. پیش‌بینی سطح آب زیرزمینی دشت تسوج-آذربایجان‌شرقی با کمک شبکه‌های عصبی مصنوعی. هیدروژئولوژی، دوره 1، شماره 2، 99-115. میرعباسی نجف‌آبادی، ر.، ستاری، م. ت.، برقی ولینجق، و.، 1395. شبیه‌سازی و مدیریت بهرهبرداری از آب زیرزمینی دشت عجب‌شیر. هیدروژئولوژی، دوره 1، شماره 1، 57-75. Anderson, M.P., Woessner, W.W., 1992. Applied groundwater modeling flow and advective transport. Academic press, Inc. 381 p.
Chiang, W. H., 2001. 3D-groundwater modeling with PMWIN: A simulation system for modeling groundwater flow and transport processes, Springer, New York.
Chiang, W. H., Kinzelbach, W., 2001. 3D-groundwater modeling with PMWIN, Springer, New York, 346 p.
Ghosh, N. C., Sharma, K. D., 2006. Groundwater modeling management. Capital Publishing Company. New Delhi, 594 p.
Hill, M. C., 1998. Methods and guidelines for effective model calibration. U. S. Geol. Survey water- Res. Invest. Rep. 98-4005: 90pp.
Nishikawa, T., 1998. Water resources optimization model for Santa Barbara, California. Journal of Water Resources Planning and Management. 124 (5): 1213 – 1235.
Sulaiman Kharmah, R. A., 2007. Optimal management of groundwater pumping, the case of the Eocene Aquifer, Palestine. MSc thesis. Faculty of Graduate Studies, at An-Najah National University, Nablus, Palestine, 136 p.
Switzerland, Z., 1999. Calibration and reliability in groundwater modeling coping with uncertainty. IAHR Model Care. 99: 739-744.
Yeh, J., Mock, P. A., 1995. A structured approach for calibrating steady- state groundwater flow models. Groundwater. 18(2): 444-450.
Yan, Q., Ma, C., 2016. Application of integrated ARIMAand RBF network for groundwater level forecasting. Environmental Earth Sciences. 75(5): 1-13.
Karayiannis, N.B., Venetsanopoulos, A.N., 1993. Artificial Neural Network: Learning Algorithms, Performance Evaluation, and Application, Kluwer Academic Publisher. Boston. 523p. Mason, J.C., Price, R.K., Tem, m.e., 1996. A neural network model of rainfall-runoff using radial basis functions. Hydraulic Research. 34: 537-548.
Mishra, A.K., Desai, V.R., 2006. Drought forecasting using feed- forward recursive neural network, Ecological modeling. 98: 127-138.
Rajaee, T., Mirbagheri, S. A., Nourani, V., Alikhani, A., 2010. Prediction of daily suspendedsediment load using wavelet and neuro-fuzzycombined model. Environmental Science and Technology. 7(1): 93-110. | ||
|
آمار تعداد مشاهده مقاله: 798 تعداد دریافت فایل اصل مقاله: 532 |
||