تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,113,997 |
تعداد دریافت فایل اصل مقاله | 97,217,768 |
روند یابی سیل با استفاده از روش ماسکینگام خطی چندبازهای و الگوریتم شکارچیان دریایی | ||
تحقیقات آب و خاک ایران | ||
دوره 52، شماره 10، دی 1400، صفحه 2693-2707 اصل مقاله (1.88 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2021.329243.669051 | ||
نویسندگان | ||
علی رئیسی* ؛ سعیده ایزدی | ||
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران | ||
چکیده | ||
روندیابی سیل یکی از موضوعات مهم و اساسی در مدیریت سامانههای منابع آب و مهندسی کنترل سیل میباشد. مدل ماسکینگام از معروفترین و پرکاربردترین روشهای روندیابی هیدرولوژیکی است. روش ماسکینگام خطی، علاوه بر اینکه از دقت مناسبی برخوردار است، نسبت به روشهای هیدرولیکی و روشهای ماسکینگام غیرخطی سادهتر و کم هزینهتر است. در این تحقیق روش ماسکینگام خطی چندبازهای با ملحوظ داشتن دبی جانبی به منظور افزایش دقت و کارایی محاسبات روش معمول ماسکینگام، معرفی و ارائه شده است. در این روش، رودخانه مورد بررسی به چند بازه کوچکتر تقسیم شده و سپس روندیابی ماسکینگام به صورت مجزا و پیدرپی روی هر یک از بازهها به گونهای اجرا شد که هیدروگراف سیل ورودی در هر بازه همان هیدروگراف سیل خروجی حاصل از محاسبات ماسکینگام در بازه قبلی باشد. در این تحقیق علاوه بر متغیرهای و بهعنوان پارامترهای تصمیم، متغییر تحت عنوان ضریب دبی جانبی و متغیر ، بهعنوان تعداد بازههای تقسیمبندی، نیز در نظر گرفته شد که برای تعیین مقادیر بهینه آنها، الگوریتم بهینهسازی شکارچیان دریایی مورد استفاده قرار گرفت. بهکارگیری روش مذکور، به ترتیب کاهش 70 و 73 درصدی مجموع مربع انحرافات () بین جریانهای خروجی مشاهده شده و محاسبه شده سیلهای Wilson و رودخانه Wye را نسبت به حالت تک بازهای به همراه داشته است، که حاکی از دقت بالای ماسکینگام چندبازهای نسبت به نوع تک بازهای است. علاوه براین روش ماسکینگام چند بازهای بر روی سه واقعه سیلاب رودخانه کارون مورد ارزیابی قرار گرفت، که معیارهای ارزیابی محاسبه شده همه نشان از دقت بسیار بالای روش مذکور و الگوریتم شکارچیان دریایی دارد. | ||
کلیدواژهها | ||
روندیابی سیل؛ ماسکینگام خطی چندبازهای؛ الگوریتم شکارچیان دریایی؛ دبی جانبی | ||
مراجع | ||
Akan, O. (2006). Open Channel Hydraulics. In Open Channel Hydraulics. https://doi.org/10.1016/B978-0-7506-6857-6.X5000-0 Ayvaz, M. T., & Gurarslan, G. (2017). A new partitioning approach for nonlinear Muskingum flood routing models with lateral flow contribution. Journal of Hydrology, 553, 142–159. https://doi.org/10.1016/j.jhydrol.2017.07.050 Barati, R. (2013). Closure to “Parameter Estimation of Nonlinear Muskingum Models Using Nelder-Mead Simplex Algorithm” by Reza Barati. Journal of Hydrologic Engineering, 18(3), 367–370. Bayrami, M., Vatankhah, A., & Nazi Ghameshlou, A. (2019). Flood Routing using Muskingum Model with Fractional Derivative. Iranian Journal of Soil and Water Research, 50(7), 1667–1676. (In Farsi) https://doi.org/10.22059/ijswr.2019.275566.668120 Bazargan, J., & Norouzi, H. (2018). Investigation the Effect of Using Variable Values for the Parameters of the Linear Muskingum Method Using the Particle Swarm Algorithm (PSO). Water Resources Management, 32(14), 4763–4777. https://doi.org/10.1007/s11269-018-2082-6 Chagas, P., & Souza, R. (2005). Solution of Sanin Venant’s Equation to Study Flood in Rivers, through Numerical Methods. Hydrology Days, 55, 205–210. Cunge, J. A. (1969). On the subject of a flood propagation computation method (musklngum method). Journal of Hydraulic Research, 7(2), 205–230. https://doi.org/10.1080/00221686909500264 Faramarzi, A., Heidarinejad, M., Mirjalili, S., & Gandomi, A. H. (2020). Marine Predators Algorithm: A nature-inspired metaheuristic. Expert Systems with Applications, 152, 113377. https://doi.org/10.1016/j.eswa.2020.113377 Hadi Norouzi and Jalal bazargan. (2020). Flood routing by linear Muskingum method using two basic fl oods data using particle swarm optimization (PSO) algorithm. 1897–1908. https://doi.org/10.2166/ws.2020.099 Hasanpour, F., & Sheykhalipour, Z. (2014). Comparison of the Artificial Intelligence Techniques and the Muskingum Methods in Flood Routing Estimation. (In Farsi) Hosseini, S. M. (2009). Application of spreadsheets in developing flexible multiple-reach and multiple-branch methods of Muskingum flood routing. Computer Applications in Engineering Education, 17(4), 448–454. https://doi.org/10.1002/cae.20234 Karahan, H., Gurarslan, G., & Geem, Z. W. (2013). Parameter Estimation of the Nonlinear Muskingum Flood-Routing Model Using a Hybrid Harmony Search Algorithm. Journal of Hydrologic Engineering, 18(3), 352–360. https://doi.org/10.1061/(asce)he.1943-5584.0000608 Kim, J. H., Geem, Z. W., & Kim, E. S. (2001). Parameter estimation of the nonlinear muskingum model using harmony search 1. JAWRA Journal of the American Water Resources Association, 37(5), 1131–1138. Mahmoudinia, S., Javan, M., & Eghbalzade, A. (2014). Comparison of different objective function on estimation of linear and non-linear Muskingum model optimum parameters. WEJ, 7(20), 29–42. http://wej.miau.ac.ir/article%7B%5C_%7D498.html Mohammad Rezapour Tabari, M., & Emami Dehcheshmeh, S. A. (2018). Development of Nonlinear Muskingum Model Using Evolutionary Algorithms Hybrid. Iran-Water Resources Research, 14(1), 160–167. http://iwrr.sinaweb.net/article%7B%5C_%7D51333.html Mohan, S. (1997). Parameter estimation of nonlinear Muskingum models using genetic algorithm. Journal of Hydraulic Engineering, 123(2), 137–142. Norouzi, H., & Bazargan, J. (2020). Flood routing by linear Muskingum method using two basic floods data using particle swarm optimization (PSO) algorithm. Water Supply, 20(5), 1897–1908. O’donnell, T. (1985). A direct three-parameter Muskingum procedure incorporating lateral inflow. Hydrological Sciences Journal, 30(4), 479–496. Oladghaffari, A., Fakheri-Fard, A., Nazemi, A. H., & Ghorbani, M. A. (2010). Hydraulic Flood Routing Using Dynamic Wave Method and Comparison with Linear and Nonlinear Hydrologic Muskingum Routing Methods (Case Study: Lighvan-Chai). Water and Soil Science, 20(3), 47–60. https://water-soil.tabrizu.ac.ir/article%7B%5C_%7D1331.html Ponce, V. M., & Lugo, A. (2001). Modeling looped ratings in Muskingum-Cunge routing. Journal of Hydrologic Engineering, 6(2), 119–124. Rahmani, M. (2017). Comparative evaluation of linear and nonlinear hydrological methods for river flood routing. University of Lamali Gorgani, Gorgan. Samani HMV, S. G. (2004). Hydrologic flood routing in branched river systems via nonlinear optimization. Journal of Hydraulical Researches, 24(1), 55–59. Swief, R. A., Hassan, N. M., Hasanien, H. M., Abdelaziz, A. Y., & Kamh, M. Z. (2021). Multi-Regional Optimal Power Flow Using Marine Predators Algorithm Considering Load and Generation Variability. IEEE Access, 9, 74600–74613. https://doi.org/10.1109/access.2021.3081374 Vijay P. Singh. (1988). hydrologic systems. Yang, W., Wang, J., Sui, J., Zhang, F., & Zhang, B. (2019). A Modified Muskingum Flow Routing Model for Flood Wave Propagation during River Ice Thawing-Breakup Period. Yoo, C., Lee, J., & Lee, M. (n.d.). Parameter Estimation of the Muskingum Channel Flood-Routing Model in Ungauged Channel Reaches. 1–9. https://doi.org/10.1061/(ASCE)HE.1943-5584.0001507. Yoon, B. J., & Padmanabhan, G. (1994). P a r a m e t e r e s t i m a t i o n of l i n e a r and nonlinear muskingum models. 119(5), 600–610.
| ||
آمار تعداد مشاهده مقاله: 651 تعداد دریافت فایل اصل مقاله: 382 |