تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,114,148 |
تعداد دریافت فایل اصل مقاله | 97,217,938 |
تحلیل جریان رودخانۀ کارون در سه مقیاس روزانه، ماهانه، و فصلی با استفاده از شاخصهای نظریۀ آشوب | ||
پژوهش های جغرافیای طبیعی | ||
مقاله 4، دوره 50، شماره 3، مهر 1397، صفحه 443-457 اصل مقاله (1.08 M) | ||
نوع مقاله: مقاله کامل | ||
شناسه دیجیتال (DOI): 10.22059/jphgr.2018.234491.1007061 | ||
نویسندگان | ||
فاطمه ادب1؛ حجت کرمی* 2؛ سیدفرهاد موسوی3؛ سعید فرزین2 | ||
1کارشناسارشد، دانشکدة مهندسی عمران، دانشگاه سمنان | ||
2استادیار، دانشکدة مهندسی عمران، دانشگاه سمنان | ||
3استاد، دانشکدة مهندسی عمران، دانشگاه سمنان | ||
چکیده | ||
نظریة آشوب ابزاری مناسب برای تحلیل دادههای دبی جریان رودخانهها درنظر گرفته میشود. به دلیل ماهیت دینامیک و غیرخطی جریان رودخانهها، یکی از چالشهای مهمْ تشخیص رفتار جریان در مقیاسهای زمانی مختلف است. در تحقیق حاضر، به منظور بررسی آشوبپذیری دبی جریان رودخانة کارون در سه مقیاس زمانی روزانه، ماهانه، و فصلی، از آمار 45ساله (1346- 1390) ایستگاه هیدرومتری ملّاثانی استفاده شده است. برای تعیین آشوبناکی جریان، سه روشـ 1. بازسازی فضای فاز؛ 2. بُعد همبستگی؛ 3. بزرگترین نمای لیاپانوفـ بهکار رفته است. به منظور برآورد دو پارامتر زمان تأخیر و بُعد محاط، از روش میانگین اطلاعات متقابل و روش نزدیکترین همسایة کاذب استفاده شده است. نتایج حاکی از آن است که در مقیاس ماهانه، به دلیل بُعد همبستگی غیرصحیح (704/2)، دبی جریان رودخانه آشوبناک و پیشبینیشدنی است. مقادیر بزرگترین نمای لیاپانوف برای مقیاسهای روزانه، ماهانه، و فصلی بهترتیب 0017/0، 0093/0، و 0334/0 بهدست آمده است. مثبتبودن این مقادیر نیز نشاندهندة آشوب و حساسیت نسبت به شرایط اولیة سیستم است. در مقیاسهای روزانه و فصلی، روند تغییرات بُعد همبستگی در برابر بُعد محاط نشان داد که رفتار جریان تصادفی است و بنابراین جریان رودخانه پیشبینینشدنی است. | ||
کلیدواژهها | ||
بزرگترین نمای لیاپانوف؛ بُعد همبستگی؛ پیشبینی؛ مقیاس زمانی؛ نظریة آشوب | ||
مراجع | ||
اعلمی، م.ت. و ملکانی، ل. (1392). بازسازی فضای حالت و بٌعد فرکتالی جریان رودخانه با استفاده از زمان تأخیر و بٌعد محاط، نشریة مهندسی عمران و محیط زیست، 43(70): 15-21. پری زنگنه، م.: عطایی، م. و معلم، پ. (1389). بازسازی فضای حالت سریهای زمانی آشوبی با استفاده از یک روش هوشمند، فصلنامة پژوهش در فناوری برق، 1(3): 3-10. جانی، ر.؛ قربانی، م. و شمسایی، ا. (1394). تحلیل بارش ماهانة بندرانزلی با استفاده از نظریة آشوب در شرایط تغییر اقلیم، مجلةپژوهش آب ایران، 9(1): 29-39. شقاقیان، م.ر. و طالب بیدختی، ن. (1388). بررسی وجود آشوب در جریان رود در مقیاسهای زمانی گوناگون، نشریةمهندسی منابع آب، 2(3): 1-8. طباطبایی، م.ر.؛ شاهدی، ک. و سلیمانی، ک. (1392). مدل شبکة عصبی مصنوعی برآورد غلظت رسوب معلق رودخانهای به کمک تصاویر سنجندة مودیس (مطالعة موردی ایستگاه هیدرومتری ملّاثانی- رودخانة کارون)،نشریةآب و خاک، 27: 193-204. انیسحسینی، م. و ذاکر مشفق، م. (1393).تحلیل و پیشبینی جریان رودخانة کشکان با استفاده از نظریة آشوب، مجلة هیدرولیک، 8(3): 45-61. ادب، ف. (1395). شبیهسازی و تحلیل دبی جریان رودخانههای کارون و دز با استفاده از نظریة آشوب، پایاننامة کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشگاه سمنان. فهیمفرد، س.؛ شمسایی، ا.؛ فتاحی، م. و فرزین، س. (1394). بررسی تأثیر سد بر الگوی آشوبی انتقال بار معلق رود (مطالعة موردی: سد کرج)، مجلة مهندسی منابع آب، 8: 89-100. مرادیزاده کرمانی، ف. (1389). تخمین جریان رودخانه با استفاده از نظریة آشوب و برنامهریزی ژنتیک در مقیاسهای زمانی مختلف، پایاننامة کارشناسی ارشد، دانشگاه تبریز. هاشمی گلپایگانی، م. (1388). آشوب و کاربردهای آن در مهندسی، تهران: امیرکبیر. Abrabanel, H. (1996). Analysis of Observed Chaotic Data, Springer-Verlag, New York. Adab, F. (2016). Simulation and Analysis of River Flow of Karun and Dez Rivers Using Chaos Theory, MSc. Thesis, Semnan University. Alami, M.T. and Malekani, L. (2014). Phase Space Reconstruction and Fractal Dimension Using of Delay Time and Embedding Dimension, Journal of Civil and Environmental Engineering, 43(1): 15-21 (Text in Persian). Banks, J.; Dragan, V. and Jones, A. (2003). Chaos: A Mathematical Introduction, Cambridge University Press. Elshorbagy, A.; Simonovic, S. and Paun, U.S. (2002). Estimation of Missing Streamflow Data Using Principle of Chaos Theory, Journal of Hydrology, 255: 123-133. Farzier, C. and Kockelman, K. (2004). Chaos Theory and Transportation System: An Instructive Example, Proc. of 83rd Annual Meeting of the Transportation Research Board, Washington D.C., USA. Ghorbani, M.A.; Kisi, O. and Alinezhad, M.A. (2010). Probe Into the Chaotic Nature of Daily Streamflow Time Series by Correlation Dimension and Largest Lyapunov Methods, Applied Mathematical Modeling, 34: 4050-4057. Hashemi Golpayegani, M. (2009). Chaos and Its Applications in Engineering, Amir Kabir University Press. Jani, R.; Ghorbani, M. and Shamsaei, A. (2015). Analysis of Monthly Rainfall in the Bandar Anzali Using Chaos Theory under Climate Change Conditions, Iranian Water Research Journal, 9(1): 29-39 (Text I Persian). Kockak, K.; Bali, A. and Bektasoglu, B. (2007). Prediction of Monthly Flows by Using Chaotic Approach, International Congress on River Basin Management, Antalya Turkey, pp. 553-559. Lange, H. (2003). Time Series Analysis of Ecosystem Variables with Complexity Measures, InterJournal for Complex Systems, 250: 1-9. Moradizadeh Kermani, F. (2010). Estimation of River Flow Using Chaos Theory and Genetic Programming in Different Time Scales. MSc. Thesis, Tabriz University. Ott, E. (2002). Chaos in Dynamical Systems, Camdridge University Press, New York. Pari Zanganeh, M.; Ataei, M. and Moallem, P. (2010). Phase Space Reconstruction of Chaotic Time Series Using an Intelligent Method, Journal of Transactions of Electrical Technology, 1(3): 3-10. Regonda, S.K.; Sivakumar, B. and Jain, A. (2004). Temporal Scaling in River Flow: Can It be Chaotic?, Hydrological Sciences Journal, 49(3): 373-385. Fahimfard, S.; Shamsaei, A.; Fattahi, M. and Farzin, S. (2015). Investigation of the Effect of Dam on Chaotic Pattern of Suspended Load Transport (Case Study: Karaj Dam), Journal of Water Resources Engineering, 8: 89-100 (Text in Persian). Shaghaghian, M.R. and Talebbeydokhti, N. (2009). Investigation of Chaos in River Flow at Different Time Scales, Water Resources Engineering, 2(3): 1-8 (Text in Persian). Sivakumar, B. (2001). Rainfall dynamics at different temporal scales: A chaotic perspective, Hydrology and Earth System Sciences, 5(4): 645-652. Shang, P.; Li, X. and Kamae, S. (2005). Chaotic Analysis of Traffic Time Series, Chaos, Solitons and Fractals, 25: 121-128. Sivakumar, B. (2009). Nonlinear dynamics and chaos in hydrologic system: Latest developments and a look forward, Stochastic Environmental Research and Risk Assessment, 23: 1027-1036. Tabatabaei, M.R.; Shahedi, K. and Soleymani, K. (2013). Artificial Neural Network Model of Estimating Suspended Solids Concentration of River Using Modis Images (Case Study: Mollasani Hydrometric Station- Karun River), Journal of Soil and Water, 27: 193-204 (Text in Persian). Yabin, S. and Chi, D. (2014). Improving Numerical Forecast Accuracy with Ensemble Kalman Filter and Chaos Theory, Journal of Hydrology, 512: 540-548. | ||
آمار تعداد مشاهده مقاله: 735 تعداد دریافت فایل اصل مقاله: 345 |