برنامه‌ریزی چند هدفه به منظور بهره‌برداری بهینه از منابع آب سطحی و زیرزمینی و سیستم تغذیه مصنوعی

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکترای آبیاری و زهکشی، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 استاد، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 استادیار، گروه زراعت، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران

4 استادیار، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

10.22059/ije.2022.331523.1558

چکیده

افزایش جمعیت در مناطق توسعه‌یافته چالش‏های زیادی را در تأمین نیاز‏های آبی ایجاد کرده است. این امر باعث پدید آمدن مشکلات متعدد در کمیت و کیفیت منابع آب سطحی و زیرزمینی می‏شود. با توجه به این موضوع، مدیریت بهینۀ منابع آبی امری ضروری است. در این تحقیق مدل ریاضی (HEC- HMS) برای روندیابی سیلاب در رودخانۀ کرج و مخازن سیستم تغذیۀ مصنوعی واقع در شمال دشت شهریار مورد استفاده قرار گرفت. سپس، حجم نفوذ سیلاب در رودخانۀ کرج و نیز حجم ذخیرۀ سیلاب در مخازن طرح تغذیۀ مصنوعی وارد الگوریتم ژنتیک چندهدفه (NSGA-II) شد که از آن به منظور برنامه‏ریزی بهره‏برداری تلفیقی از منابع آب دشت شهریار و بهره‏برداری بهینه از سیستم تغذیۀ مصنوعی و با هدف حداقل کردن عدم تأمین نیاز و نیز حداکثر کردن حجم نفوذ در سیستم تغذیۀ مصنوعی، استفاده شد. با توجه به نتایج مدل بهینه‏سازی، شاخص قابلیت اطمینان مربوط به کل محدوده به طور میانگین برابر50/56 درصد بوده و بیشترین کاهش در مصارف از کل منابع آب قابل دسترس در تمام بخش‏ها به‌‌ترتیب در ناحیۀ شهریار برابر 09/44 درصد، در ناحیۀ رباط‏کریم برابر 57/14 درصد، در ناحیۀ اسلامشهر برابر 06/11 درصد و در کل محدوده برابر 55/28 درصد است. حجم کل تغذیۀ بهینه در سیستم تغذیۀ مصنوعی برابر 81/114 میلیون متر مکعب در دورۀ زمانی مورد نظر بوده و به میزان 09/70 میلیون متر مکعب افزایش یافته و منجر به افزایش تغییرات تراز آبخوان به اندازۀ 84/4 متر شده است. همچنین، با اعمال سیاست‏های هم‌زمان بهره‏برداری بهینه از منابع آبی موجود و بهره‏برداری بهینه از سیستم تغذیۀ مصنوعی، به طور میانگین 41/10 متر در سال تغییرات تراز آبخوان افزایش خواهد یافت.

کلیدواژه‌ها


عنوان مقاله [English]

Multi-objective planning for optimal utilization of surface and groundwater resources and artificial recharge system

نویسندگان [English]

  • Nima Salehi Shafa 1
  • Hossein Babazadeh 2
  • Fayaz Aghayari 3
  • Ali Saremi 4
1 Department of Water Science and Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Professor, Department of Water Science and Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Department of Agronomy, Karaj Branch, Islamic Azad University, Karaj, Iran
4 Department of Water Science and Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

Population growth and water needs in developed areas have created many challenges in supplying water needs. This causes numerous problems in the quantity and quality of surface and groundwater resources. Given this issue, optimal water resources management is essential. In this research, the mathematical model (HEC-HMS) was used for flood routing in Karaj river and artificial recharge system reservoirs located in the north of Shahriar plain. Then, the volume of flood infiltration in Karaj river and also the volume of flood storage in the reservoirs of artificial recharge plan entered the multi-objective genetic algorithm (NSGA-II) from which to plan the integrated exploitation of water resources of Shahriar plain and optimal utilization of the artificial recharge system and It was used with the aim of minimizing the lack of need supply and maximizing the volume of penetration in the artificial recharge system. Considering to the results of the optimization model, the optimal allocation volume of surface water, groundwater, Wastewater and Robat Karim canal and the amount of optimal recharge volume in the artificial recharge system were determined. The results of this study show the high performance of optimal planning models to increase the stability of groundwater system, optimal utilization of surface water resources and wastewater, more efficient use of artificial recharge system and irrigation and drainage network of Robat Karim.

کلیدواژه‌ها [English]

  • Flood routing
  • Artificial recharge system
  • Irrigation and drainage network
  • Optimal utilization
 [1]. Peralta RC, Forghani A, Fayad H. Multiobjective genetic algorithm conjunctive use optimization for production, cost, and energy with dynamic return flow. J Hydrol. 2014;511:776-85.
[2]. Das B, Singh A, Panda SN, Yasuda H. Optimal land and water allocation policies for sustainable irrigated agriculture. Land Use Policy. 2015;42:527-37.
[3]. Zekri S, Triki C, Al-Maktoumi A, Bazargan-Lari MR. An optimization-simulation approach for groundwater abstraction under recharge uncertainty. Water Resour Manag. 2015;29(10):3681-95.
[4]. Dalcin AP, Fernandes Marques G. Integrating water management instruments to reconcile a hydro‐economic water allocation strategy with other water preferences. Water Resour Manag. 2020;56(5):e2019WR025558.
[5]. Danapour M, Fienen MN, Højberg AL, Jensen KH, Stisen S. Multi‐constrained catchment scale optimization of groundwater abstraction using linear programming. Groundwater. 2021;59(4):503-16.
[6]. Matsukava J, Finney B, Willis R. Conjunctive-Use planning in Mad river basin, California. J Water Resour Plan Manag. 1992;118(2).
[7]. Rao SVN, Murty Bhallamudi S, Thandaveswara BS, Mishra GC. Conjunctive Use of Surface and Groundwater for Coastal and Deltaic Systems. J Water Resour Plan Manag. 2004;130(3):255–67.
[8]. Vedula S, Mujumdar PP, Chandra Sekhar G. Conjunctive Use Modeling for Multicrop Irrigation. Agric Water Manag. 2005;73(3):193–221.
[9]. Barlow PM, Ahlfeld DP, Dickerman DC. Conjunctive-Management Models for Sustained Yield of Stream-Aquifer Systems. J Water Resour Plan Manag. 2003;129(1):35–48.
[10]. Yan Z, Sha J, Liu B, Tian W, Lu J. An ameliorative whale optimization algorithm for multi-objective optimal allocation of water resources in Handan, China. Water. 2018 Jan;10(1):87.
[11]. Karamouz M, Rezapour Tabari MM, Kerachian R. Application of Genetic Algorithms and Artificial Neural Networks in Conjunctive Use of Surface and Groundwater Resources. Water Int. 2007;32(1):163–76.
[12]. Safavi HR, Darzi F, Mariño MA. Simulation-Optimization Modeling of Conjunctive Use of Surface Water and Groundwater. Water Resour Manag. 2010;24(10):1965–88.
[13]. Pulido-Velazquez D, Ahlfeld D, Andreu J, Sahuquillo A. Reducing the Computational Cost of Unconfined Groundwater Flow in Conjunctive-Use Models at Basin Scale Assuming Linear Behaviour: The Case of Adra-Campo de Dalías. J Hydrol. 2008;353(1–2):159–74.
[14]. Pereira-Cardenal SJ, Mo B, Gjelsvik A, Riegels ND, Arnbjerg-Nielsen K, Bauer-Gottwein P. Joint optimization of regional water-power systems. Adv Water Resourc. 2016;92:200-7.
[15]. Mooselu MG, Nikoo MR, Latifi M, Sadegh M, Al-Wardy M, Al-Rawas GA. A multi-objective optimal allocation of treated wastewater in urban areas using leader-follower game. J Clean Product. 2020;267:122189.
[16] Dai C, Qin XS, Chen Y, Guo HC. Dealing with equality and benefit for water allocation in a lake watershed: A Gini-coefficient based stochastic optimization approach. J Hydrol. 2018;561:322-34.
[17]. Guan H, Chen L, Huang S, Yan C, Wang Y. Multi-objective optimal allocation of water resources based on ‘three red lines’ in Qinzhou, China. Water Policy. 2020 Aug 1;22(4):541-60.
 
[18]. Fatkhutdinov A, Stefan C. Multi‐Objective Optimization of Managed Aquifer Recharge. Groundwater. 2019;57(2):238-44.
[19]. Ghayoumian J, Mohseni Saravi M, Feiznia S, Nouri B, Malekian A. Application of GIS techniques to determine areas most suitable for artificial groundwater recharge in acoastal aquifer in southern Iran. J Asian Earth Sci. 2007;30:364–74.
[20]. Senanayake IP, Dissanayake DM, Mayadunna BB, Weerasekera WL. An approach to delineate groundwater recharge potential sites in Ambalantota, Sri Lanka using GIS techniques. Geoscience Frontiers. 2016;7:115e124.
[21]. Nasiri H, Darvishi boloorani A, Faraji sabokbar AH, Jafari HR, Hamzeh M, Rafii Y. Determining the most suitable areas for artificial groundwater recharge via an integrated PROMETHEE II-AHP method in GIS environment (case study: Garabaygan basin, Iran). Environ Monit Assess 2013;185(1):707-18.
[22]. Singh A, Panda SN, Kumar KS, Shekhar Sharma C. Artificial groundwater recharge zones mapping using remote sensing and GIS: a case study in Indian Punjab. Environ Manag 2013;52(1):61-71.
[23]. Chenini I, Abdallah BM. Groundwater recharge study in arid region: An approach using GIS techniques and numerical modeling. Comput Geosci. 2010;36(6):801-17.
[24]. Chowdhury A, Jha MK, Chowdary VM. Delineation of groundwater recharge zones and
identification of artificial recharge sites in west Medinipur district, west Bengal, using RS, GIS and MCDM techniques. Environ Earth Sci. 2010;59(6):1209–22.
[25]. Ahmadi MM, Mahdavirad H, Bakhtiari B. Multi-criteria analysis of site selection for groundwater recharge with treated municipal wastewater. Water Sci Technol. 2017;76(4):909-19.
[26]. Humberto HA, Raúl CC, Lorenzo VV, Jorge RH. Aquifer recharge with treated municipal wastewater: long-term experience at San Luis Rio Colorado, Sonora. Sustain Water Resour Manag. 2018;4(2):251-60.
[27]. Voudouris K, Diamantopoulou P, Giannatos G, Zannis P. Groundwater recharge via deep boreholes in the Patras Industrial Area aquifer system (NW Peloponnesus, Greece). Bull Eng Geol Environ. 2005;65(3):297-308.
[28]. Agarwal R, Garg PK, Garg RD. Remote Sensing and GIS Based Approach for Identification of Artificial Recharge Sites. Water Resour Manag. 2013;27(7):2671-89.
[29]. Ye Q, Li Y, Zhuo L, Zhang W, Xiong W, Wang C, Wang P. Optimal allocation of physical water resources integrated with virtual water trade in water scarce regions: A case study for Beijing, China. Water Res. 2018;129:264-76.
[30]. Sayit AP, Yazicigil H. Assessment of artificial aquifer recharge potential in the Kucuk Menderes River Basin, Turkey. Hydrogeol J. 2012;20(4):755-66.