ORIGINAL_ARTICLE
پیشگفتار
https://www.iwrr.ir/article_15971_714123f1f1f556c85c0073b8216f3218.pdf
2005-09-23
0
1
محمد
کارآموز
karamouz@ ut.ac.ir
1
AUTHOR
ORIGINAL_ARTICLE
نقش عدم قطعیت پیشبینی جریان ورودی در بهرهبرداری بهینه از مخازن
در این مقاله انواع مدلهای برنامهریزی پویای استوکاستیک (SDP)1 و همچنین برنامهریزی پویای قطعی (DP)2 برای سد مخزنی چندمنظوره دز واقع در جنوب غربی ایران ارائه و مقایسه شدهاند. ارزیابی نقش پیشبینی جریان ورودی در بهرهبرداری بهینه از مخازن، با استفاده از دو نوع مدل برنامهریزی پویای استوکاستیک صورت گرفته است. مدلهای SDP از نظر نوع متغیر حالت جریان ورودی و بهکارگیری احتمال شرطی و یا غیرشرطی با هم تفاوت دارند. برای بررسی سیاستهای بهینه بهدست آمده از مدلهای مختلف، از مدل شبیهسازی استفاده شده است. جهت این منظور و برای مقایسه نتایج حاصل از آن از میانگین پارامترهای مختلف بهرهبرداری و معیارهای ارزیابی از قبیل اعتمادپذیری، برگشتپذیری و آسیبپذیری استفاده شده است. در دو مدل SDP که متغیر حالت هیدرولوژیکی جریان ورودی دوره فعلی را بهجای جریان ورودی دوره قبل بهکار میبرند، با استفاده از جریانهای پیشبینی شده و مشاهده شده، شبیهسازی بههنگام انجام شد و همچنین تاثیر دقت پیشبینی و انواع روشهای مختلف پیشبینی جریان در بهرهبرداری از مخزن، مورد مطالعه قرار گرفته است. تابع هدف به صورت کلی، حداقلسازی مجموع مربعات انحراف دوطرفه از خروجی و ذخیره مطلوب در نظر گرفته شده است. این تحقیق نشان میدهد که عدم توجه به موضوع پیشبینی در مدلهایی که نیاز به پیشبینی جریان دارند و معلوم فرض کردن دادهها، نتایجی پرخطا و به دور از واقعیت داشته و فرد را در انتخاب نوع مدل دچار اشتباه میکند. از طرف دیگر دقت پیشبینیها تاثیر بسزایی در بهرهبرداری بهینه از مخازن دارد.
https://www.iwrr.ir/article_15154_b4bc1143752683a61840491b49df2459.pdf
2005-09-23
1
15
برنامهریزی پویای استوکاستیک
خطای پیشبینی
بهینهسازی
شبیهسازی
پیشبینیجریان ورودی
بهرهبرداری مخزن
انرژی برقابی
علیرضا
برهانی داریان
dariania@gmail.com
1
استادیار/ گروه منابع آب، دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی.
AUTHOR
الهام
افتخارجوادی
2
کارشناسی ارشد/ رشته مدیریت منابع آب، دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی
AUTHOR
افتخارجوادی، ا، (1382)، "نقش پیشبینی جریان ورودی در بهرهبرداری بهینه از مخازن"، پایاننامه کارشناسی ارشد مدیریت منابع آب، دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی.
1
برهانی، ع، (الف 1381)، "تدوین سیاستهای بهرهبرداری از مخازن در دورههای خشک"، معاونت پژوهشی، دانشگاه صنعتی خواجه نصیرالدین طوسی.
2
برهانی، ع، (ب1381)، "تهیه مدل پیشبینی جریان رودخانه در حوزه آبریز دز تا محل سد دز"، سازمان مدیریت منابع آب ایران، وزارت نیرو.
3
ضاهرپور، ج، (1381)، "تهیه مدل ذوب برف حوزه آبریز به کمک سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS)". پایاننامه کارشناسی ارشد مدیریت منابع آب، دانشگاه صنعتی خواجه نصیر الدین طوسی.
4
Carpenter, M. T. and K. P. Georgakakos, (2001).
5
"Assessment of Folsom Lake Response to Historical and Potential Future Climate Scenarios: 1. Forecasting", J. Hydro., Vol. 249, pp. 148-175.
6
Faber, A.B. and J. R. Stedinger, (2001). "Reservoir Optimization Using Sampling SDP With Ensemble Streamflow Prediction (ESP) Forecasts", J. Hydro., 249 (1-4): pp.113-133.
7
Gablinger, M. and D. P. Loucks, (1970). "Markov Models for Flow Regulation", J. Hydra. Div., 96(HY1): pp. 165-181.
8
Georgakakos, P. A., (1989). "The Value of Streamflow Forecasting in Reservoir Operation", Water Resour. Bul., 25(4): pp. 789-800.
9
Hamlet F. A., D. Huppert and, D.P. Lettenmaier, (2002). "Economic Value of Long-Lead Streamflow Forecasts for Columbia River Hydropower", J. Water Resour. Plan. & Manag., 128(2): pp. 91-101.
10
Hashimoto, T., J. R. Stedinger and, D.P. Loucks, (1982). "Reliability, Resiliency and Vulnerability Criteria for Water Resource System Performance Evaluation", Water Resour. Res., 18(1): pp.14-20.
11
Huang, W.-C., R. Harboe and J. J. Bogardi, (1991).
12
"Testing Stochastic Dynamic Programming Models Conditioned on Observed or Forecasted Inflows", J. Water Resour. Plan. & Manag., 117(1): pp.28-36.
13
Krzysztofowicz, R., (1986). "Optimal Water Supply Planning Based on Seasonal Runoff Forecasts", Water Resour. Res., 22(3): pp.313-321.
14
Lettenmaier, P. D., (1984). "Synthetic Streamflow Forecast Generation", J. Hydra. Eng., 110(3): pp. 277-289.
15
Little D.C. John, (1955). "The Use of Storage Water in a Hydroelectric System", J. Oper. Res. Soc. of America, 3(2): pp.187-197.
16
Loucks, R. J., Stedinger, D. P. and D. A. Haith, (1981).
17
"Water Resources System Planning and Analysis". Prentice-Hall Inc., Englewood Cliffs, N.J.
18
Mishalani, R.N. and R.N. Palmer, (1988). "Forecast Uncertainty in Water Supply Reservoir Operation", Water Resour. Bul., 24(6): pp.1237-1245.
19
Moore, L.J. and J.M. Armstrong, (1976). "The use of Linear Programming Techniques for Estimating the Benefits from Increased Accuracy of Water Supply Forecasts", Water Resour. Res., 12(4): pp.629-639.
20
Napiorkowski, J.J., A. Kozlowski and T. Terlikowski, (1999). "Influence of Inflow Prediction on Performance of Water Reservoir System" ,Water Industry Systems: Modelling and Optimization Applications, Vol.2, eds. : Dragan Savic & Godfrey Walters, Research Studies Press Ltd.
21
Oron, G., A. Mehrez and G. Rabinowitz, (1991).
22
"Forecasting in Optimizing Dual System for Energy Generation and Irrigation", J. Water Resour. Plan. & Manag., 117(3): pp. 287-300.
23
Stedinger, R. Jery, Bola F.Sule and Daniel P.Loucks, (1984). "Stochastic Dynamic Programming Models for Reservoir Operation Optimization", Water Resour Res., Vol.20, No.11, pp.1499-1505.
24
Su Y. S. and R. A. Deininger, (1974). "Modeling the Regulation of Lake Superior Under Uncertainty of Future Water Supplies", Water Resour. Res., 10(1): pp. 11-25.
25
Tejada-Guibert, Alberto J., Sharon A.Johnson and Jery R.Stedinger, (1995). "The Value of Hydrologic Information in Stochastic Dynamic Programming Models of a Multireservoir System", Water Resour. Res., Vol.31, No.10, pp.2571-2579.
26
Torabi, M. and F. Mobasheri, (1973). "A Stochastic Dynamic Programming Model for the Optimum Operation of a Multi-Purpose Reservoir", Water Resour. Bul., 9(6): pp.1089-1099.
27
Yakowitz, S., (1982). "Dynamic Programming Applications in Water Resources", Water Resour. Res., 18(4): pp.673-696.
28
Yao, H. and A. Georgakakos, (2001). "Assessment of Folsom Lake Response to Historical and Potential Future Climate Scenarios: 2. Reservoir Management", J. Hydro., Vol.249, pp.176-196.
29
Yeh, W-G. William, L. Becker, and R. Zettlemoyer, (1982). "Worth of inflow forecast for reservoir operation", J. Water Resour. Plan. & Manag., 108, pp. 257-269.
30
ORIGINAL_ARTICLE
یک الگوریتم مبتنی بر نظریه دوگانگی در بهرهبرداری بهینه از سیستمهای چندمخزنه
در این مطالعه یک مدل برنامهریزی بلندمدت برای بهینهسازی بهرهبرداری از سیستم سدهای مخزنی کارون و دز با اهداف تولید انرژی برق ـ آبی، تأمین تقاضای آب و زیستمحیطی ارائه شده است. ساختار ماتریسی مدل بهینهسازی پیادهسازی شده و در ادامه حل مدل با استفاده از الگوریتمهای اولیه-ثانویه نقاط داخلی و روشهای برنامهریزی چند هدفه انجام شده است. نتایج محاسباتی نشان میدهند که الگوریتمهای مذکور، که در آنها از ساختار خالی یا تُُنُک بودن ماتریس ضرایب مدل بهینهسازی استفاده میشود، میتواند ابزاری مناسب در بهینهسازی بهرهبرداری از سیستمهای چند مخزنه با توابع خطی و مجذوری باشد. در این راستا مدل شش مخزنه غیر خطی توسعه یافته برای سیستم مخازن کارون و دز با استفاده از قابلیت الگوریتمهای اولیه-ثانویه از روشهای نقاط داخلی در زمانی کمتر از 45 دقیقه اجرا و جوابهای بهینه حاصل گردید. با توجه به اینکه حل مدل فوق با استفاده از الگوریتمهای معمول برنامهریزی غیر خطی مانند الگوریتمهای گرادیان کاهش یافته مقدور نیست و نیز عدم امکان حل مسأله با روش برنامهریزی پویا (DP) با شبکهبندی به اندازه کافی ریز از متغیرهای حالت، قابلیت روشهای نقاط داخلی در بهینهسازی مسائل بزرگ مقیاس بهرهبرداری از مخازن سدها حائز اهمیت میباشد.
https://www.iwrr.ir/article_15165_0151b43b795590be1f335f340fd5524e.pdf
2005-09-23
16
28
بهینهسازی
سیستمهای چند مخزنه و روشهای اولیه-ثانویه
کامران
شکروند مقدم
kamranshokrvand@yahoo.com
1
کارشناس ارشد /مهندسی صنایع (سیستمهای اقتصادی - اجتماعی)
AUTHOR
عباس
سیفی
aseifi@aut.ac.ir
2
دانشیار /دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر
AUTHOR
سید جمشید
موسوی
jmosavi@aut.ac.ir
3
دانشیار /دانشکده مهندسی عمران، دانشگاه صنعتی امیرکبیر
AUTHOR
Diaz, G. E., and Fontane, D. G., (1989), “Hydropower optimization via sequential quadratic programming”, ASCE Journal of Water Resources Planning and Management, 115(6), pp. 715-731.
1
Hwang, C. L., and Masud, A. S., (1981), “Multiple objective decision making methods and applications: A State-of- The Art Survey”, Springer-Verlag, Berlin.
2
Hwang, C. L., and. Yoon, K. (1983), “Multiple attribute decision making methods and applications: A State-of- the art Survey”, Springer-Verlag, Berlin.
3
Grygier, J. C., and Stedinger, J. R., (1985),”Algorithms for optimizing hydropower system operation”, Water Resources Research, 21(1), pp. 1-10.
4
Mehrotra (1992), “On the implementation of a primal-dual interior point method”, SIAM Journal on Optimization, 2, pp. 575-601.
5
Labadie, J. W., (2004), ”Optimal operation of multireservoir systems: state-of-the-art review”, ASCE Journal of Water Resources Planning And Management, 130(2), pp. 93-111.
6
Murtagh, B. A., and Saunders, M. A. (1983), “MINOS 5.0 User’s Guide”, Technical Report SOL 83-20, Stanford University, Stanford, California.
7
Palacios-Gomez, F., Lasdon, L., and Engquist, M. (1982), “Nonlinear optimization by successive linear programming”, Management Science, 2(10), pp. 1106-1120.
8
Pereira, M. V. F. and Pinto, L. M. V. G. (1991), “Multi-stage stochastic optimization applied to energy planning”, Mathematical Programming, 52, pp. 359-375.
9
Ponnambalam, K., Vannelli, A., and Unny, T. E. (1989), ”An application of Karmarkar’s interior point linear programming algorithm for multireservoir operations optimization”, Stochastic Hydrol and Hydraul., 3(1), pp. 17–29.
10
Potra, F. A. (1994), “A quadratically convergence predictor-corrector method for solving linear programs from infeasible staring points”, Mathematical Programming, 67, pp. 383-406.
11
Rosenthal, R. E. (1983), “Nonlinear programming methods in reservoir system management," Tennessee Water Resources Center, Knoxville, Research Report RR-93, PB87-218-228, April.
12
Seifi, A. and Hipel, K. W., (2001), ”Interior-point method for reservoir operation with stochastic inflows,” ASCE Journal of Water Resources Planning and Management, 127(1), pp. 1-10.
13
ORIGINAL_ARTICLE
تلفیق تئوری بیز با روش مونت کارلو جهت ارتقاء نتایج واسنجی مدلهای هیدرولوژیکی
در این مقاله عدم قطعیت پارامترهای یک مدل بارش –رواناب با استفاده از تلفیق روش مونت کارلو و تئوری بیز تحت عنوان GLUE1 مورد ارزیابی قرار می گیرد. برای شبیهسازی تبدیل بارش به رواناب از روش توزیعی – مفهومی مادکلارک استفاده گردید که در آن آبنمود رواناب حوزه از ترکیب رواناب سلولها در یک شبکه مربعی بر مبنای روش زمان – مساحت شکل میگیرد. بکارگیری روش مونت کارلو برای تحلیل عدم قطعیت پارامترها، منجر به تعیین محدوده مناسب تغییرات پارامترها میگردد که این محدوده قابل اصلاح با اطلاعات جدید نیست. ولی در روش GLUE با تلفیق تئوری بیز، بهنگام سازی برای اصلاح عدم قطعیت پارامترها و همچنین محدوده پیشبینیها و توزیع آنها با استفاده از اطلاعات جدید قابل انجام است. معیارهای نیکویی برازش برای تعیین عدم قطعیت پارامترها بنحوی انتخاب شد که وزن بیـشتری به دبیهای حداکثر در آبنمود نسبت به سایر بخشهای آبنمود داده شود. در این مقاله شبیه سازی بارش – رواناب به همراه تحلیل عدم قطعیت پارامترها در حوزه قره سو واقع در حوزه کرخه مورد آزمون قرار گرفت. نتایج حاکی از برتری روش GLUE در تعیین محدوده بهینه پارامترهای مدل بارش – رواناب نسبت به روش مونت کارلو بود.
https://www.iwrr.ir/article_15166_9205ece3777e25a7e4dbf503f1663753.pdf
2005-09-23
29
40
مدل بارش- رواناب
روش مونت کارلو
تئوری بیز
عدم قطعیت
علی
حیدری
1
دکتری عمران/شرکت توسعه منابع آب و نیروی ایران
AUTHOR
بهرام
ثقفیان
b.saghafian@gmail.com
2
دانشیار / پژوهشکده حفاظت خاک و آبخیزداری
AUTHOR
رضا
مکنون
maknoon@aut.ac.ir
3
استادیار/ دانشکده مهندسی عمران و محیط زیست دانشگاه امیرکبیر
AUTHOR
حیدری، علی، بهرام، ثقفیان و رضا، مکنون، (1383)، شبیهسازی آبنمود سیل با در نظر گرفتن عدم قطعیت پارامترهای مدلهای بارش – رواناب، نشریه مهندسی استقلال.
1
Bates, B. C. and Campbell, E. P. (2001), “A Morkov Chain Monte Carlo scheme for parameter estimation and inference in conceptual rainfall – runoff modeling,” Water Resource Research, 37(4), pp. 937-947.
2
Beven, K. J. (2000), Rainfall – Runoff modeling, John Wiley & Sons, LTD, pp. 314.
3
Beven, K. J. (2001), “How can we go in distributed hydrological modeling?,” Hydrology & Earth System Sciences ,5(1), pp. 1-12.
4
Beven, K. J (2002), “Uncertainty and the detection of structural change in models of environmental system,” In: Manifesto A , Beck MB (eds) Environmental foresight and models: Chapter 12. pp. 227-250.
5
Beven, K. J. and Binley, A. (1992), “The future of distributed models: model calibration and uncertainty prediction,” Hydrological Processes, 6(3), pp. 279-298.
6
Beven, K. J. and Freer, J.(2001), “Equifinality, data assimilation and uncertainty estimation in mechanistic modeling of complex environmental systems using the GLUE methodology,” Journal of Hydrology , 249, pp.11-29.
7
Campbell, E.P., Fox, D.R. and Bates, B. C. (1999), “A Bayesian approach to parameter estimation and pooling in nonlinear flood event models,” Water Resources Research, 35(1), pp. 211-220.
8
Feyen, L., Beven, K. J., De Smedt, F and Freer, J. (2001), “Stochastic capture zone delineation within the generalized likelihood uncertainty estimation methodology: Conditioning on head observations,” Water Resources Research, 37(3), pp.101-120.
9
Freer, J. and Beven, K. J. (1996), “Bayesian estimation of uncertainty in runoff prediction and the value of data: An application of the GLUE approach,” Water Resource Research, 32(7), pp. 2161-2173.
10
Franks, S. and Beven, K. J. (1997), “Bayesian estimation of uncertainty in land surface-atmosphere flux predictions,” Journal of Geophysical Research-Atmospheres.
11
Georgakakos, K. P. (1986), “A Generalized Stochastic Hydro meteorological Model for Flood and Flash-Flood Forecasting, 1-Formulation,” Water Resources Research, 22(13), pp. 2085-2095.
12
Georgrakakos, K. P. and Bras, R. L. (1982), A Precipitation Model and its use in Real Time River Flow Forecasting, Ralph M. Parsons Laboratory Hydrology and Water Resource System, 301 P.
13
Hankin, B. G., Hardy, R., Kettle, H. and Beven, K. J. (2001), “Using CFD in a GLUE framework to model the flow and dispersion characteristics of a natural fluvial dead zone,” Earth Surface Processes and Landforms, 26(6), pp. 667-687.
14
Hornberger, G. M. and Spear, R. C. (1981), “An approach to the preliminary analysis of environmental systems,” Journal of Environmental Management, 12, pp. 7-18.
15
Kitanidis, P. K. (1986), “Parameter uncertainty in estimation of spatial function: Bayesian Analysis,” Water Resources Research, 22(4), pp. 499-507.
16
Kuczara, G. and Parent, E. (1998), “Monte Carlo assessment of parameter uncertainty in conceptual catchment models: The Metropolis algorithm,”, Journal of Hydrology, 211, pp. 69-85.
17
Kull, D. and Feldman, A. (1998), “Evolution of Clark’s unit graph method to spatially distributed runoff,” Journal of Hydrologic Engineering, ASCE , 3(1), pp. 9-19.
18
Peters, J and Easton, D. (1996), “Runoff simulation using radar rainfall data,” Water Resource Bulletin , AWRA, 32(4), pp. 753-760.
19
Yapo, P., Gupta, H. and Sorooshian, S. (1998), “Multi – objective global optimization for hydrological models,” Journal of Hydrology
20
ORIGINAL_ARTICLE
مدلسازی SARIMA بارندگیهای فصلی(مطالعة موردی: الگوسازی و پیشبینی بارندگی در استان خراسان)
باتوجه به قرارگرفتن استان خراسان در ناحیة آب و هوایی خشک و نیمه خشک ایران و وقوع خشکسالیهای مکرر در سالهای اخیر، اهمیت پرداختن به مقولة پیشبینی خشکسالی بیش از پیش آشکار میشود. یکی از روشهای دستیابی به این هدف مدلسازی بارندگی بر اساس الگوهای سری زمانی میباشد. در این تحقیق از آمار بارندگی سالانة یازده ایستگاه سینوپتیک استان خراسان طی سالهای 2002 – 1970 استفاده گردید و با استفاده از الگوهای فصلی ـ ضربی باکس جنکینز SARIMA1 و نرمافزار MINITAB, بارندگیهای فصلی این ایستگاهها مدلسازی شد. همچنین براساس نمودارهای خودهمبستگی (ACF), خودهمبستگی جزئی (PACF) و بررسی تمام الگوهای احتمالی به لحاظ نرمال بودن باقیماندهها و ملاک کمترین مربعات خطا (MSE), بهترین الگو برای بارندگیهای فصلی بدست آمد. در نهایت با استفاده از مدلهای بدست آمده در هر ایستگاه مقادیر بارندگی فصول بهار, پاییز و زمستان سال آتی پیشبینی و با مقایسه با میانگین درازمدت هر فصل, نقشههای آنومالی ترسیم گردید.
https://www.iwrr.ir/article_15167_f9b09d4f5df868af92ab016dd7b3332a.pdf
2005-09-23
41
53
خشکسالی
سری زمانی
SARIMA
خودهمبستگی
آنومالی
شادی
آشگر طوسی
1
کارشناس ارشد آبیاری/مهندسین مشاور طوسآب, مشهد، ایران
AUTHOR
امین
علیزاده
alizadeh@um.ac.ir
2
استاد /دانشگاه فردوسی، دانشکدة کشاورزی, گروه آبیاری, مشهد، ایران
AUTHOR
رضا
شیرمحمدی
3
کارشناس کشاورزی/ مشهد, سازمان نظام مهندسی کشاورزی
AUTHOR
عساکره, ح و م, خردمندنیا (1381), ”مدلسازی SARIMA برای متوسط درجه حرارت ماهانة جاسک“, نیوار, شمارة 46 و 47, صفحة 41-54
1
محمد نیا قرایی, س. ن, جاودانی. س, جوانمرد. ل, خزانهداری و م, خسروی (1379), ”بررسی شاخص ارزیابی و امکان سنجی شاخص شدت خشکسالی پالمر در ایران“, مجموعه مقالات کنفرانس خشکسالی کرمان.
2
نیرومند, ح (1376), ”تحلیل سریهای زمانی (روشهای یکمتغیره و چند متغیره)“, انتشارات دانشگاه فردوسی مشهد.
3
Box,G. E. P and G. M. Jenkins. (1967) Time series analysis forecasting and control, Holden-Day, San Francisco.
4
Burlando P, A.Montanari and R.Ranzi. (1996) “Forecasting of storm rainfall by combined use of radar, rain gages and linear models”, J. Hydrology, 42, pp. 199-216.
5
Haltiner, J.P. and J.D. Salas. (1988) “Development and testing of a multivariate, Seasonal ARIMA(1,1) model”, J. Hydrology, 104, pp. 247-272.
6
Hisdal, H.,and Lena M. Tallaksen.(2003), “Estimation of regional meteorological and hydrological drought characteristics: a case study for Denmark”, J. Hydrology, 281, pp. 230-247.
7
Kendall ,D.R. and J.A. Dracup. (1991) “A comparision of index-sequential and AR(1) generated hydrologic sequences” J. Hydrology. 122. pp. 335-352.
8
Maidment, D.R.(1993), Handbook of Hydrology. Chapter 19 in: Analysis and state modeling of Hydrologic time series. Salas, J. D, Engineering research center, Colorado State University, Fortcollins, Colorado, pp. 19.36-19.39.
9
Noakes,D.J., McLeod, A.I. and Hipel, W., (1985), “Forecasting monthly riverflow time series”. International Journal of Forecasting, 1, pp. 179-190.
10
Noakes, D.J., Hipel, K.W., McLeod, A.L., Jimenz, C.,and Yakowitz, S. (1988), “Forecasting annual geophysical time series”. International Journal of Forecasting, 4, pp. 103-115.
11
Ooms, M. , P. H. Franses, (2001). “A seasonal periodic long memory model for monthly river flows”. Environmental Modeling and Software, 16, pp. 559-569.
12
Rao, R. and G.Padmanabhan, (1984), “Analysis and modeling of palmers drought index series”, J. Hydrology, 68 , pp. 211-229.
13
Toth. E, A. Montanari and A. Brath.(1998), “Real-Time flood forecasting via combined use of conceptual and stochastic models”, Phys. Cem. Earth (B), 24(7), pp. 793-798.
14
ORIGINAL_ARTICLE
الگوی توزیع زمانی بارش استان خراسان بزرگ
تأثیر الگوی توزیع زمانی بارش در طراحی سدهای بزرگ، شبکة جمع آوری رواناب شهری، آبگذرها، زهکشها و پتانسیل سیلخیزی و همچنین فرسایش خاک از اهمیت ویژهای برخوردار است. در این تحقیق، برای تعیین الگوی توزیع زمانی بارش در استان خراسان بزرگ از گرافهای باران نگاری 18 ایستگاه باران سنجی ثبات استفاده شدهاست. عمق بارش در فواصل زمانی مشخص از گرافهای باران نگاری به ازای هر پایه زمانی استخراج و بارش به چهار چارک تقسیم شد. با اعمال روش رتبهبندی، الگوی توزیع زمانی بارشها در پایههای زمانی1، 3، 6، 9، 12، 18 و 24 ساعته به دست آمد. سپس منحنی مقدار بارندگی در مدت زمان وقوع بی بعد شده، درصد بارش در چهار چارک زمانی محاسبه و به هر چارک رتبهای اختصاص داده شد به طوری که بیشترین درصد بارش رتبه 1 گرفت. در نهایت، با میانگین گیری از رتبههای دریافتی توسط چارکها و درصد عمق بارش اتفاق افتاده در هر رتبه، ضمن تعیین رتبه شاخص، الگوی نهایی هر تداوم (پایه زمانی) مشخص گردید. برای تعیین میزان دقت الگوهای به دست آمده و ارزیابی آماری آنها بعد از تشکیل جدول توافقی از آزمون کای اسکوئر استفاده شد. نتایج این بررسی نشان میدهد که در استان خراسان بزرگ : الف ) در اغلب بارشهای کوتاه مدت، شدت بارندگی در 25% اول بارش حداکثر میباشد، ب) در بارشهای بلند مدت بیشترین عمق بارش در 25% دوم به وقوع میپیوندد ج) به طور کلی در استانهای خراسان که از نظر اقلیمی خشک و نیمه خشک میباشند، در نیمه اول بارندگی بیش از 50 درصد بارش اتفاق میافتد.
https://www.iwrr.ir/article_15168_cd0cf138b62f9f016c276cc4cdce87ae.pdf
2005-09-23
54
64
بارندگی
توزیع زمانی بارش
بارشهای کوتاه مدت
اقلیم خشک و نیمه خشک
ابوذر
حاتمی یزد
1
دانشجوی کارشناسی ارشد / آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
علی اصغر
تقوایی ابریشمی
2
مربی پژوهشی/مرکز تحقیقات کشاورزی خراسان رضوی
AUTHOR
بیژن
قهرمان
bijangh@um.ac.ir
3
دانشیار / دانشکده کشاورزی، دانشگاه فردوسی مشهد، نویسنده مسئول
AUTHOR
امین، سیف ا… ، سپاسخواه، علیرضا و کشمیری پور، بهداد (1379) ، ”بررسی الگوی توزیع شدت بارش در پایههای زمانی مختلف در استان فارس”، مجموعه مقالات دومین همایش ملی فرسایش و رسوب، دانشگاه لرستان، صفحات 241-255
1
بزرگ زاده، مصطفی (1374) ، ”توزیع زمانی بارش برای محاسبه سیلاب طراحی” ، فصلنامه آب و توسعه، سال سوم، شماره 1، صفحات 35ـ49.
2
رضیئی، طیب و علیجانی، بهلول (1381) ، ”تعیین الگوی توزیع زمانی بارشهای کوتاه مدت در استان تهران”، مجله نیوار، سازمان هواشناسی.
3
طالب بیدختی، مجید (1374) ، ”الگوی توزیع زمانی بارش استان سمنان”، پایان نامه کارشناسی ارشد، دانشکده کشاورزی، دانشگاه تربیت مدرس.
4
وزیری، فریبرز (1376) ، ”تعیین الگوی توزیع زمانی بارندگیهای 24 و 48 ساعته در جنوب غرب ایران”، دانشگاه صنعتی خواجه نصیرالدین طوسی.
5
Chuckwuma, G. O. and Schwab, G.O. (1983) “Procedure for developing design hyetographs for small watersheds”, Transactions of the ASAE, 26(5), pp. 1386-1389.
6
Hershfield, D.M. (1962) “Extreme rainfall relationship”, Journal of Hydraulics Division, ASCE, 88(HY6), pp. 73-92.
7
Huff, F.A. (1967) “Time distribution of rainfall in heavy storms,” Water Resources Research, 3(4), pp. 1007-1019.
8
Keifer, C.J. and Chu, H.H. (1957) “Synthetic storm pattern for drainage design”, Journal of Hydraulics Division, ASCE, 83(HY4), pp. 1-25.
9
Kent, K.M. (1968) “A method for estimating volume and rate of runoff in small watersheds”, TP-149, SCS, U.S. Department of Agriculture.
10
Pilgrim, D.H. and Cordery, I. (1975) “Rainfall temporal patterns for design flood”, Journal of Hydraulics Division, ASCE, 101(HY1), pp. 81-95.
11
SCS. (1986) “Urban hydrology for small watersheds”, Tech. Bul. 55, Appendix B, pp. B-1 and B-2.
12
Telvari, A. R. and Ghanbarpour, M.R. (2002) “Rainfall temporal pattern in synoptic meteorological stations in North of Iran,” Proceedings of the Third International Conference on Water Resources and Environment Research, Derseden University of Technology, pp. 275-279.
13
Yen, B.C. and Chow, V.T. (1980) “Design hyetographs for small drainage structures”, Journal of Hydraulics Division, ASCE, 106(HY6), pp. 1055-1076.
14
ORIGINAL_ARTICLE
مطالعه هیدرودینامیکی الگوی جریان آشفته در قوس رودخانه با استفاده از مدل عددی سه بعدی
در این تحقیق، الگوی جریان آشفته در قوس 180 درجه رودخانه به صورت سه بعدی با بکار بردن معادلات کامل ناویر استوکس و استفاده از دو مدل آشفتگی k-e استاندارد و مدل k-w جهت مدلسازی تنشهای رینولدز و بستن سیستم معادلات حاکم(معادلات رینولدز) با روش عددی استفاده شده است. حل معادلات به روش حجم محدود صورت گرفته است. برای صحتسنجی نتایج حاصله، از نتایج مدل آزمایشگاهی دانشگاه تربیت مدرس (MHL)1 استفاده شده است. مقایسه نتایج حاصله نشان می دهد که هر دو مدل مزبور، الگوی کلی میدان جریان در قوس رودخانه را بخوبی مدل نموده و نتایج انطباق بسیار خوبی با نتایج آزمایشگاهی دارد. دقت مدل k-wدر پیش بینی میدان جریان نسبت به مدل قبلی بالاتر بوده و این مدل بخوبی الگوی جریان ثانویه را در کل طول میدان پیش بینی میکند، در حالیکه مدل اول در پیش بینی جریان ثانویه دوم در خروجی قوس ناتوان است. بررسی توزیع تنش برشی در مرزهای صلب فلوم مورد مطالعه نشان می دهد که بخاطر تاثیرات ناشی از جریان ثانویه، مدل k-w بازههای محتمل وقوع آبشستگی و رسوبگذاری را بهتر از مدل قبلی پیش بینی کرده و احتمال وقوع دو چاله فرسایشی در هر دو نیمه کانال در حالت بستر متحرک وجود دارد.
https://www.iwrr.ir/article_15169_1901cd1635c06529b6c6e44e35a4d901.pdf
2005-09-23
65
77
قوس رودخانه
جریان ثانویه
انتقال جانبی مومنتم
تنش برشی
مدل عددی
اکبر
صفرزاده
safarzad@modares.ac.ir
1
دانشجوی کارشناسی ارشد /مهندسی عمران آب - دانشگاه تربیت مدرس
AUTHOR
سید علی اکبر
صالحی نیشابوری
salehi@modares.ac.ir
2
دانشیار /سازه های هیدرولیکی- دانشگاه تربیت مدرس
AUTHOR
اقبالزاده، افشین (1379)، "بررسی اثر جریان بر توپوگرافی بستر در قوس"، مجموعه مقالات دومین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.
1
پیرستانی، محمد رضا (1383)، "بررسی الگوی جریان و آبشستگی در دهانه ورودی آبگیر کانالهای دارای انحناء". رساله دکتری، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات.
2
خانجانی و همکاران (1378) "حل عددی جریان سه بعدی در پیچ رودخانه و دهانه آبگیر"، مجموعه مقالات ششمین کنفرانس هیدرولیک، دانشگاه علم و صنعت ایران، آبان1378.
3
صفرزاده، اکبر (1383) "شبیه سازی عددی الگوی جریان در آبگیری جانبی از قوس 180 درجه"، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس.
4
Blanckaert K. and Graf W. H. (2001) "Mean Flow and Turbulence in Open-Channel Bend" Journal of Hydraulic Engineering, 127(10), pp. 57-62.
5
Booij R. (2003) "Measurements and large eddy simulations of some curved flumes" Journal of Turbulence, 4(8), pp. 35-43.
6
Celik, I. (1999)., "Introductory Turbulence Modeling", Lectures Notes, Western Virginia University.
7
Mockmore, C. E. (1944) "Flow around Bends in Stable Channels", Transactions, ASCE, 109, 334p.
8
Odgaard, A. and Bergs A. (1988) "Flow Processes in a Curved Alluvial Channel" Water Resources Research, 24(1), pp. 45-56.
9
Rodi, W. and Leschziner M. A. (1978) "Calculation of Strongly Curved Open Channel Flow" Journal of Hydraulics Division, ASCE, 105(HY10), pp. 1297-1333.
10
Rosovskii, I. L. (1961) "Flow of Water in Bends of Open Channels" Israel Program for scientific Translations, Jerusalem.
11
ORIGINAL_ARTICLE
مقایسه عوامل بیلان متوسط درازمدت دریاچه ارومیه با سالهای آبی تر و خشک
دراین مقاله به منظور بررسی بیلان دریاچه ارومیه، با استفاده از آمار سی و نه ساله نوسانات سطح آب دریاچه و همچنین آمار جریان سطحی ورودی به دریاچه، بارندگی برسطح دریاچه، تبخیر از سطح دریاچه و نقشههای ایزوپیز آب زیرزمینی، مقادیر عوامل بیلان آب دریاچه ارومیه اعم از ورودی و خروجی در دراز مدت، سالهای آبی تر و خشک محاسبه گردیدهاند. سپس مقادیر عوامل بیلان آب در سالهای آبی تر و خشک با متوسط دراز مدت مورد مقایسه قرار گرفته است. با توجه به نتایج به دست آمده حداکثر و حداقل تراز سطح آب دریاچه 41/1278 و 23/1273 متر از سطح دریای آزاد بوده که به ترتیب در سالهای آبی (74-1373) و (81-1380) مشاهده شده است. حداکثر و حداقل تغییرات حجم مخزن به ترتیب در سالهای آبی (48-1347) و (78-1377) بوده است که به عنوان سالهای آبی تر و خشک معرفی گردیدهاند. بهترین تراز برای دریاچه بین رقوم 1275 الی1276 متر از سطح دریای آزاد بوده و متوسط تراز در طول آمار ثبت شده رقم 6/1275 متر از سطح دریای آزاد میباشد. برای رسیدن از تراز 23/1273متر به تراز 6/1275 متر نیاز به ذخیره شدن 4/7 میلیارد متر مکعب آب بوده که این امر مستلزم بروز یک سال پر آبی در حد سال آبی (48-1347) و یا پنج سال متوالی در حد متوسط دراز مدت میباشد. همچنین با توجه به تغیـیرات عوامل ورودی و خروجـی، ملاحظه میشود که دامنه تغییرات عوامل ورودی 343 درصد بیش از عوامل خروجی است. در نهایت پس از بررسی بیلان دریاچه، راهکارهای مدیریتی به منظور بهرهبرداری بهینه از پتانسیل منابع آب حوزه آبریز دریاچه ارومیه در راستای حفظ حیات دریاچه ارائه شده است.
https://www.iwrr.ir/article_15170_1416cff17fe52794b30986a62de73291.pdf
2005-09-23
78
80
بیلان
ورودی
خروجی
دراز مدت
سال پرآبی و خشک
نورالدین
آیرملو
1
معاون /مطالعات پایه منابع آب، سازمان آب منطقه ای آذربایجان شرقی و اردبیل
AUTHOR
احمد
خاکی ترابی
2
مدیر /دفتر تلفیق و بیلان، سازمان آب منطقه ای آذربایجان شرقی و اردبیل
AUTHOR
معاونت مطالعـات سـازمان آب منطقهای آذربایجانشرقی،
1
(1382-1344). بانک اطلاعاتی معاونت مطالعات سازمان آب منطقهای آذربایجان شرقی، آمار نوسانات روزانه سطح آب دریاچه ارومیه.
2
جبارلوی شبستری، ب.، (1378). دریاچه ارومیه (اشک طبیعت ایران)، انتشارات نقش مهر.
3
سازمان آب منطقهای آذربایجان شرقی، (1378). گزارش بیلان دریاچه ارومیه.
4
سازمان آب منطقهای آذربایجان غربی، (1365). گزارش نوسانات سطح آب دریاچه ارومیه.
5
سازمان آب منطقهای آذربایجان شرقی وغربی، (1370). اطلس منابع آب حوزه آبریز دریاچه ارومیه.
6
موحد دانش، ع، ا. (1366). بیلان آب، انتشارات عمیدی، تبریز.
7
ORIGINAL_ARTICLE
کاربرد شبکه عصبی در بهینهسازی هوادهی تخلیهکنندههای خروجی
در این مقاله به بررسی هوادهی در مجاری بسته پرداخته شده است. با توجه به عدم وجود روابط همخوان برای پیشبینی و محاسبه بهینه دبی هوای ورودی و به دلیل تاثیرگذاری پارامترهایی مختلف همچون آشفتگی، هندسه مجرا قبل و بعد از دریچه و شرایط هیدرولیکی بر میزان هوا گیری، با استفاده از اطلاعات بدست آمده از مدلهای فیزیکی موجود به آموزش شبکه عصبی مصنوعی به عنوان ابزاری مناسب در جهت محاسبه بهینه هوای ورودی پرداخته شود. شبکه عصبی مصنوعی با ویژگی یادگیری یا نگاشت پذیری بر اساس ارائه دادههای تجربی به همراه قدرت و توانایی تعمیم پذیری و ساختار پذیری موازی برای سیستمهای پیچیده که مدلسازی آنها به سختی انجام میشود مناسب میباشد. از آنجا که در میان الگوریتمهای معمول آموزش شبکه، الگوریتم پس انتشار خطا Back Propagation با فراهم آوردن روش محاسباتی کارا، به عنوان بیشترین کاربرد در مسائل فنی- مهندسی شناخته شده و استفاده از آن به کمک توابع تبدیل غیر خطی از طریق آموزش پارامترهای شبکه در راستای بهینه سازی شاخص اجرایی به عنوان معمولترین راه حل در مسائل پیچیده مهندسی با پارامترهای متعدد شناخته شده است، لذا در مقاله حاضر از روش فوق جهت طراحی شبکه استفاده شده است. اطلاعات آزمایشگاهی از موسسه تحقیقات آب ایران و بر اساس مدلهای هیدرولیکی تخلیه کنندههای تحتانی سدهای در دست ساخت بدست آمد. این اطلاعات شامل تخلیه کنندههای تحتانی دشت عباس، مدل اولیه و مدل اصلاح شده تخلیهکننده سد جگین و تخلیهکننده سدهای جره، کرخه، البرز و کوثر میباشد. در این ارتباط سعی گردید تا جهت افزایش اطلاعات با انجام آزمایشهای تکمیلی و اضافی نیاز اساسی این پژوهش مرتفع گردد. آزمایشهای تکمیلی انجام گرفته بر روی مدل تخلیه کنندههای سد جگین (مدل اصلاح شده)، البرز و دشت عباس توسط این محققان صورت پذیرفته است. همچنین اطلاعات مربوط به تخلیهکننده تحتانی سد فولسوم در آمریکا نیز از منابع خارجی کسب و مورد استفاده قرار گرفت بر اساس نتایج بدست آمده نشان داده شد که شبکه عصبی مورد استفاده توانائی بسیار قابل قبولی جهت پیشبینی و تخمین میزان هوای مورد نیاز بعد از دریچه داشته است.
https://www.iwrr.ir/article_15171_5a5e695f5538ec5bfb8091652b639a4c.pdf
2005-09-23
1
8
شبکه عصبی
هوادهی
تخلیهکننده تحتانی
کاویتاسیون
محمدرضا
کاویانپور
kavianpour@yahoo.com
1
استادیار/بخش مهندسی عمران دانشگاه خواجه نصیر طوسی، تهران، ایران
AUTHOR
الهام
رجبی
2
دانشجوی دکتری /بخش مهندسی عمران دانشگاه خواجه نصیر طوسی، تهران، ایران
AUTHOR
Campbell, F.B. and Guyton, B. (1953), “Air demand in gated outlet works”, Proceedings of the Minnesota International Hydraulics Convention, Minneapolis.
1
Foresee, F.D. and Hagan, M.T. (1997), “Gauss-Newton approximation to Bayesian regularization”, Proceedings of the 1997 International Joint Conference on Neural Networks, pp. 1930-1935.
2
Hagan, M.T., Demuth, H.B. and Beale, M.H. (1996), Neural network design, Boston, MA: PWS Publishing.
3
Hagan, M.T. and Menhaj, M. (1994), “Training feed-forward networks with the Marquardt algorithm”, IEEE Transactions on Neural Networks, 5(6),
4
pp. 989-993.
5
Haykin, S. (1998), Neural network: a comprehensive foundation, 2nd Ed. Prentice–Hall, USA.
6
Kavianpour, M.R. and Khosrojerdi, A. (2001), “Review the physical model studies of new bottom outlets in Iran”, Proceedings of 29th IAHR Congress, September, China.
7
Kavianpour, M.R. (2003), “Aerators in bottom outlet conduits”, Amirkabir Journal of Science and Technology, 14 (55), Summer, Iran.
8
Kavianpour, M.R. and Rajabi, E. (2005), “Air demand downstream of bottom outlet leaf gates”, Proceedings of 73rd Annual Meeting of ICOLD, Summer, Tehran, Iran.
9
MacKay, D.J.C. (1992), “Bayesian interpolation”,Neural Computation, 4 (3), pp. 415-447.
10
Rajabi, E. (2004), “Application of neural network for flow aeration downstream of outlet gates”, A Thesis Submitted to the Department of Civil Engineering, K.N. Toosi Unversity of Technology, for the Fulfillment of Master of Engineering Degree.
11
Riedmiller, M. and Braun, H. (1993), “A direct adaptive method for faster backpropagation learning: The RPROP algorithm”, Proceedings of the IEEE International Conference on Neural Networks.
12
U.S. Army (a), Office of the Chief of Engineers (1988), “Hydraulic design of reservoir outlet works”, Engineering Manual EM1110-2-1602.
13
U.S. Army (b), Office of the Chief of Engineers (1988), “Hydraulic design criteria, air demand-regulated outlet works”, Sheet 050-1/1.
14
Vogl, T.P., Mangis, J.K., Rigler, W.T. and Alkon, D.L. (1988), “Accelerating the convergence of the backpropagation method”, Biological Cybernetics, 59, pp. 256-264.
15