تخمین ضریب درگ در کانال‌های روباز با پوشش گیاهی مستغرق با استفاده از تحلیل پارتو و برنامه‌ریزی بیان‌ چندژنی

نوع مقاله : پژوهشی

نویسنده

استادیار گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه ولیعصر(عج) رفسنجان

چکیده

یکی از مشخصه‏های مهم در مطالعۀ هیدرولیکی و اکوهیدرولوژیکی جریان در رودخانه‏ها، مقاومت پوشش گیاهی در مقابل جریان، نیروی درگ و ضریب درگ به‌دست‌آمده است. ضریب درگ تابع خصوصیات جریان، مشخصات تراکم و توزیع پوشش گیاهی است و اغلب با استفاده از روابط تجربی که دقت مطلوبی ندارند، تخمین زده می‏شود. در تحقیق حاضر، با هدف بهبود دقت و استخراج روابط بهینه‏ برای ضریب درگ جریان در کانال‏های روباز حاوی پوشش گیاهی مستغرق، از رویکرد بهینه‏سازی پارتو و برنامه‏ریزی بیان چندژنی در ترکیب با الگوریتم دسته‏بندی حداکثر عدم تشابه استفاده شده است. با آنالیز ابعادی، متغیرهای حاکم بر پدیده به صورت بدون بعد استخراج شده و سپس، تعداد 910 سری دادۀ اندازه‏گیری‌شدۀ مربوط به ضریب درگ پوشش گیاهی، مشخصات هیدرولیکی جریان و پوشش گیاهی تهیه شد و روابط صریحی برای تخمین ضریب درگ به دست آمد. بررسی نتایج مدل پیشنهادی نشان داد مدل یادشده با R2=0.9, RMSE=0.41, MPE=17% دقت بسیار بیشتری نسبت به روابط تجربی دارد و 20 درصد کمتر بودن خطای رابطۀ بهینۀ پیشنهادی از روابط تجربی، بیانگر کارایی مطلوب آن است. همچنین، تحلیل مفهومی رابطۀ پیشنهادی نشان داد علاوه بر سادگی فرم رابطۀ بهینه، مفاهیم فیزیکی حاکم بر پدیده و اجزای مؤثر بر مقاومت درگ جریان را نیز به‌خوبی استنتاج کرده است. بنابراین، کارآمدی مدل جدید پیشنهادی نسبت به مطالعات قبلی تأیید شده است و می‏توان از نتایج آن در مطالعات و مدل‏های هیدرولیکی و اکوهیدرولوژیکی جریان در رودخانه‏ها و کانال‏ها در شرایط وجود پوشش گیاهی استفاده کرد.

کلیدواژه‌ها


[1].  Etminan V, Lowe RJ, Ghisalberti M. A new model for predicting the drag exerted by vegetation canopies. Water Resources Research. 2017; 53(4):3179-96.
 
[2]. Cheng NS, Nguyen HT. Hydraulic radius for evaluating resistance induced by simulated emergent vegetation in open-channel flows. Journal of hydraulic engineering. 2011; 137(9):995-1004.
[3]. Liu MY, Huai WX, Yangyzh ZH, Zeng YH. A genetic programming-based model for drag coefficient of emergent vegetation in open channel flows. Advances in Water Resources. 2020; 103582.
[4]. Li WQ, Wang D, Jiao JL, Yang KJ. Effects of vegetation density on flow velocity characteristics in open channel. Journal of Hydrodynamics. 2019; 31(5):1052-9.
[5]. Cheng NS. Calculation of drag coefficient for arrays of emergent circular cylinders with pseudofluid model. Journal of Hydraulic Engineering. 2013; 139(6):602-11.
[6]. Liu D, Diplas P, Fairbanks JD, Hodges CC. An experimental study of flow through rigid vegetation. Journal of Geophysical Research: Earth Surface. 2008; 113(F4).
[7]. Kothyari UC, Hayashi K, Hashimoto H. Drag coefficient of unsubmerged rigid vegetation stems in open channel flows. Journal of Hydraulic Research. 2009; 47(6):691-9.
[8]. Tanino Y, Nepf HM. Laboratory investigation of mean drag in a random array of rigid, emergent cylinders. Journal of Hydraulic Engineering. 2008;134(1):34-41.
[9]. Tinoco RO, Cowen EA. The direct and indirect measurement of boundary stress and drag on individual and complex arrays of elements. Experiments in fluids. 2013;54(4):1509.
[10].            Zhao K, Cheng NS, Wang X, Tan SK. Measurements of fluctuation in drag acting on rigid cylinder array in open channel flow. Journal of Hydraulic Engineering. 2014; 140(1):48-55.
[11].            Liu XD, Li TS, Tang LC, Han Y, Chen J, Yang SQ. Estimation of form drag caused by rigid vegetation based on equivalent roughness. IEEE Access. 2019; 7:116133-44.
[12].            Stoesser T, Kim SJ, Diplas P. Turbulent flow through idealized emergent vegetation. Journal of Hydraulic Engineering. 2010; 136(12):1003-17.
[13].            Kim SJ, Stoesser T. Closure modeling and direct simulation of vegetation drag in flow through emergent vegetation. Water Resources Research. 2011; 47(10).
[14].            Shi H, Liang X, Huai W, Wang Y. Predicting the bulk average velocity of open-channel flow with submerged rigid vegetation. Journal of Hydrology. 2019; 572:213-25.
[15].            Riahi-Madvar H, Dehghani M, Seifi A, Singh VP. Pareto optimal multigene genetic programming for prediction of longitudinal dispersion coefficient. Water Resources Management. 2019; 33(3):905-21.
[16].            Baptist MJ, Babovic V, Rodríguez Uthurburu J, Keijzer M, Uittenbogaard RE, Mynett A, Verwey A. On inducing equations for vegetation resistance. Journal of Hydraulic Research. 2007; 45(4):435-50.
[17].            Zahiri A, Shabani MA. Modeling of stage-discharge relationship in compound channels using multi-stage gene expression programming.Iranian journal of ecohydrolog. 2017; 791-802. [Persian].
[18].            Guven A, Gunal M. Genetic programming approach for prediction of local scour downstream of hydraulic structures. Journal of Irrigation and Drainage Engineering. 2008; 134(2):241-9.
[19].            Azamathulla HM, Zahiri A. Flow discharge prediction in compound channels using linear genetic programming. Journal of hydrology. 2012; 454:203-7.
[20].            Tinoco RO, Goldstein EB, Coco G. A data‐driven approach to develop physically sound predictors: Application to depth‐averaged velocities on flows through submerged arrays of rigid cylinders. Water Resources Research. 2015; 51(2):1247-63.
[21].            White FM, Corfield I. Viscous fluid flow. New York: McGraw-Hill; 2006.
[22].            Van Rooijen A, Lowe R, Ghisalberti M, Conde-Frias M, Tan L. Predicting current-induced drag in emergent and submerged aquatic vegetation canopies. Frontiers in Marine Science. 2018; 5:449.
[23].            Sonnenwald F, Stovin V, Guymer I. Estimating drag coefficient for arrays of rigid cylinders representing emergent vegetation. Journal of Hydraulic Research. 2019; 57(4):591-7.
[24].            Naot D, Nezu I, Nakagawa H. Hydrodynamic behavior of partly vegetated open channels. Journal of Hydraulic Engineering. 1996; 122(11):625-33.
[25].            Ghisalberti M, Nepf HM. The limited growth of vegetated shear layers. Water Resources Research. 2004; 40(7).
[26].            Stoesser T, Kim SJ, Diplas P. Turbulent flow through idealized emergent vegetation. Journal of Hydraulic Engineering. 2010; 136(12):1003-17.
[27].            Nikubakht E, Hamidifar H, Keshavarzi A. Effect of Floodplain Non-submerged Vegetation on Bed Variation in Meandering Compound Rivers. Iranian Journal of Ecohydrology.2019;5(2):461-470.[Persian]
[28].            Radmanesh F, Pourhaghi A, Solgi A. Improving the Performance of ANN Model, Using Wavelet Transform and PCA Method for Modeling and Predict Biochemical Oxygen Demand (BOD). Iranian Journal of Ecohydrology.2017;3(4):569-585.[Persian]
 
[29].            Sharifi, H., Roozbahani, A., Hashemy Shahdany, M. Development of ANN, FIS and ANFIS Models to Evaluate the Adequacy Index in Agricultural Water Distribution Systems (Case study: Rudasht Irrigation Network). Iranian Journal of Ecohydrology, 2020; 7(3): 635-646. [Persian]
[30].            Zamanzad Ghavidel, S., Montaseri, M., Sanikhani, H. Moldeling Of Dissolved Solids By Using Hybrid Soft Computing Methods (Case Study: Nazluchay Basin). Iranian journal of Ecohydrology, 2017; 4(4): 983-996. [Persian]
دوره 7، شماره 4
دی 1399
صفحه 935-949
  • تاریخ دریافت: 22 اردیبهشت 1399
  • تاریخ بازنگری: 15 شهریور 1399
  • تاریخ پذیرش: 15 شهریور 1399
  • تاریخ اولین انتشار: 11 آذر 1399
  • تاریخ انتشار: 01 دی 1399