آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,116 |
| تعداد مقالات | 13,681 |
| تعداد مشاهده مقاله | 48,570,876 |
| تعداد دریافت فایل اصل مقاله | 12,332,028 |
تعیین پارامترهای جریان، انتقال مواد محلول و حرارت با انجام آزمایشات نفوذ در خاک های سیلتی و ماسه ای | ||
| هیدروژئولوژی | ||
| مقاله 11، دوره 4، شماره 2، اسفند 1398، صفحه 157-170 اصل مقاله (1.37 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2020.9217 | ||
| نویسنده | ||
محمد نخعی  
| ||
| دانشیار/دانشگاه خوارزمی | ||
| چکیده | ||
| مدل سازی فرایند جریان آب، انتقال حرارت و انتقال آلودگی در خاک، نیاز به پارامترهای هیدرودینامیکی ، هدایت حرارتی و ضریب پراکندگی در خاک دارد. هدف از این مطالعه ارزیابی پارامترهای مشخصه این خواص از یک آزمایش گذار جریان و انتقال ماده محلول و حرارت است. در طی دو آزمایش نفوذ، یکی به مدت 24 ساعت در ستون خاک ماسه و دیگری به مدت 36 ساعت در ستون خاک سیلت ثبت داده صورت گرفت. برای پایش دمای خاک در اعماق 4، 8 و 12 سانتیمتر در هر ستون سنسورهای حرارتی نصب گردید و دمای آب نفوذ داده شده در 40 درجه سانتیگراد تنظیم و نفوذ پایدار از یک منبع توسط پمپ پریستالتیک تحت نظارت قرار گرفت. محلول یک مولار KCl در حالت پایدار، روی ستون های مجزا از خاکهای ماسه و سیلت تزریق و در طی آزمایش نمونه برداری آب و اندازه گیری درجه حرارت در اعماق 4 و 8 و 12 سانتیمتری ثبت گردید. پارامترهای هیدرولیکی خاک (پارامترهای شکل در معادله ون گنوختن و n)، پارامتر انتقال (ضریب پراکندگی طولی) و پارامترهای هدایت حرارتی خاک (ضرایب b1، b2 و b3 در تابع هدایت حرارتی خاک چانگ و هورتون) با استفاده از مدل سازی معکوس با مدل HYDRUS-1D تخمین زده شد. منحنی های رخنه برداشت شده و منحنی های حرارت اندازه گیری شده دستیابی به این پارامترها را با استفاده از نرم افزار HYDRUS-1D موفقیت آمیز نشان می دهد. اعتبار سنجی نتایج با مقایسه داده های غلظت KCl و حرارت اندازه گیری شده و شبیه سازی شده توسط مدل با محاسبه ریشه میانگین مربع خطا RMSE و ضریب R2 انجام گردید. ن از نتایج ارزشمند این تحقیق به کار گیری ارزانترین ردیاب یعنی دما همزمان با داده های غلظت در به دست آوردن جوابهای یکتا از تخمین توابع هیدرولیکی خاکهای ماسه ای و سیلتی به روش حل معکوس است. | ||
| کلیدواژه‌ها | ||
| نفوذ؛ انتقال حرارت؛ انتقال مواد محلول؛ تخمین پارامتر؛ HYDRUS-1D | ||
| 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).
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: 480 تعداد دریافت فایل اصل مقاله: 214 |
||
