روندیابی سیلاب رودخانه ها به روش ماسکینگام چندبازه ای

آب و توسعه پایدار

مقاله 11، دوره 4، شماره 1 - شماره پیاپی 8، شهریور 1396، صفحه 81-88   

نوع مقاله: مقاله علمی- ترویجی

شناسه دیجیتال (DOI): 10.22067/jwsd.v4i1.57007

نویسندگان

عبدالرضا ظهیری^{* 1}؛ سلیم اصغری²؛ امیراحمد دهقانی³

¹دانشگاه علوم کشاورزی و منابع طبیعی گرگان

²آموزش عالی لامعی گرگانی

³علوم کشاورزی و منابع طبیعی گرگان

چکیده

روش‏های هیدرولوژی روندیابی سیلاب به دلیل سادگی و دقت مناسب دارای کاربرد زیادی هستند. از میان این روش ‏ها، مدل ماسکینگام دارای مقبولیت بیشتری برای روندیابی سیل در رودخانه ‏ها بوده است. در این مدل فرض می‏شود که ضرایب یا پارامترهای مدل در زمان و مکان برای یک رودخانه ثابت می‏باشند. در این پژوهش نشان داده شده است که برای افزایش دقت نتایج، می‏توان یک آبراهه را به چند بازه تقسیم نمود و برای هر بازه، محاسبات مدل ماسکینگام را به صورت مجزا اجرا نمود. در این صورت پارامترهای ماسکینگام چندبازه ‏ای به دست خواهند آمد. تعداد بهینه بازه‏ ها در هر آبراهه متفاوت بوده و احتمالاً به تغییرات هندسی و شیب طولی آبراهه بستگی داشته و باید به کمک بهینه ‏سازی به دست آیند. اجرای مدل ماسکینگام چندبازه‏ ای برای رودخانه کارون در حد فاصل ایستگاه ‏های هیدرومتری کارون-گتوند نشان داد که در این محدوده، تقسیم آبراهه به سه بازه نتایج بسیار بهتری نسبت به یک بازه دارد؛ به‏ طوری‏که مجموع مربعات خطا از حدود 1750000 به حدود 1000000 (2(m3/s)) کاهش یافته است.

کلیدواژه‌ها

روندیابی سیلاب؛ مدل ماسکینگام چندبازه ای؛ بهینه سازی؛ رودخانه کارون

مراجع

براتی، ر. و اکبری، غ. 1391. مقایسه مدل‏ های هیدرولوژی روندیابی سیل در رودخانه‏ ها. مجله پژوهش آب ایران، 6(11): 105 تا 114.

رجبی، د.، کرمی، ح.، حسینی، خ.، موسوی، س.ف. و هاشمی، س.ع.ا. 1394. تخمین پارامترهای بهینه مدل روندیابی ماسکینگام غیرخطی با استفاده از الگوریتم رقابت استعماری. نشریه علوم آب و خاک، 19(73): 321 تا 333.

ظهیری، ع، شریفان، ح. و تمدنی کناری، س. 1391. بهینه ‏سازی روش ماسکینگام در روندیابی سیل در رودخانه‌های سیلابی. پژوهش‏نامه مدیریت حوزه آبخیز، 3(6): 1 تا 14.

عروجی، ح.، بزرگ‏ حداد، ا. و فلاح مهدی‏ پور، ا. 1392. الگوریتم بهینه‏ سازی جهش قورباغه در تخمین ضرایب مدل روندیابی سیلاب. مجله پژوهش آب ایران، 7(13): 167 تا 174.

محمدی قلعه‏ نی، م.، بزرگ حداد، ا. و ابراهیمی، ک. 1389. بهینه‏ سازی فراسنج‏ های شبه‏ غیرخطی ماسکینگام با استفاده از الگوریتم بهینه ‏سازی نورد شبیه‏ سازی شده. نشریه آب و خاک، 24(5): 908 تا 919.

محمدی قلعه‏ نی، م.، و ابراهیمی، ک. 1391. ارزیابی الگوریتم ‏های جستجوی مستقیم و ژنتیک در بهینه‏ سازی پارامترهای مدل غیرخطی ماسکینگام- یک سیلاب از کارون. مدیریت آب و آبیاری، 2(2): 1 تا 12.

Barati R. 2013. Application of excel solver for parameter estimation of the nonlinear Muskingum models. KSCE Journal of Civil Engineering, 17(5): 1139-1148.

Bozorg-Haddad O., Hamedi F., Fallah-Mehdipour E., Orouji H. and Mariño M.A. 2015. Application of a hybrid optimization method in Muskingum parameter estimation. J. Irrigation and Drainage Engineering, 140: 15-26.

Chu H.J. 2009. The Muskingum flood routing model using a Neuro-Fuzzy approach. J. Civil Eng., KSCE, 13: 371-376.

Dooge J.C.I. 1973. Linear theory of hydrologic systems. USDA, Agric. Res. Serv., Tech, Bull., No. 1468.

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.

Karahan H. 2012. Predicting muskingum flood routing parameters using spreadsheets. Computer Applications in Engineering Education, 20(2): 280–286.

Lasdon L., Fox R. and Ratner M. 1974. Nonlinear optimization using the generalized reduced gradient method. Oprations Research, 8(3): 73-103.

Mohan S. 1997. Parameter estimation of nonlinear Muskingum models using genetic algorithm. J. Hydrul. Eng., ASCE, 123(3): 137-142.

Perumal M. 1994. Hydrodynamic derivation of a variable parameter muskingum method: 2. Verification. Hydrological Sciences Journal, Oxford, U.K., 39)5): 431-441.

Singh V.P. 1988. Hydrologic systems. Vol. 1: Rainfall-runoff modeling. Prentice Hall, N.J.

Samani H.M.V. and Shamsipour G.A. 2004. Hydrologic flood routing in branched river systems via nonlinear optimization. J. Hydraul. Res., IAHR, 42:(1): 55-59.

Wilson, E.M. 1974. Engineering hydrology. Macmillan, London.

Yang C.C. and Chang L.C. 2001. Enhanced efficiency of the parameter estimation of Muskingum model using artificial neural network. J. Hydroscience and Hydraulic Engineering, 19(2): 47-55.