انتخاب صفحه

فهرست مطالب

چکیده………………………………………………………………………………..1

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل اول- مقدمه.

یک مدل درک ساده ای است از یک سامانه واقعی (مانند پروسه پیچیده تبدیل بارش به رواناب). می توان مدل را یک تئوری، قانون و یا یک ایده ساختاری دانست. با توسعه یک مدل امکان توضیح ساده یک سامانه پیچیده فراهم می شود. هر نوع مدل مناسب یک موقعیت و هدف خاص بوده، هیچ مدلی را نمی توان برتر از دیگری دانست، هر مدل نقاط ضعف و قوت داشته، انتخاب آن بستگی زیادی به سامانه مورد مطالعه برای مدل کردن و هیدرولوژی منطقه دارد.
از سوی دیگر به هنگام استفاده از مدل های مفهومی (مانند مدل بارش- رواناب ARNO که مبنای این تحقیق قرار گرفته است.) با تعدادی پارامتر روبرو می شویم که معرف چکیده ای از ویژگی های حوضه هستند. بیشتر این پارامترها از کمیت های قابل اندازه گیری حوضه به دست نمی آیند، لذا لازم است از طریق کالیبراسیون مدل برآورد شوند، در واقع بیشتر مدل های مفهومی بارش- رواناب، به ویژه نوع پیوسته آن ها، از شمار زیادی پارامتر برخوردارند و سری پارامترهای مناسب باید در یک فضای بزرگ چند بعدی یافت شوند. سطح پاسخ تابع هدف این مدل ها اغلب از بهینه های موضعی زیادی برخوردار هستند. لذا می توان گفت که کالیبراسیون خودکار در مورد این مدل ها امری راهگشا و ضروری است. [خزایی، 1388]
در میان انواع روشهای بهینه سازی تابع هدف، الگوریتم PSO (Particle Swarm Optimization) به عنوان روشی نسبتاً جدید و کاربردی از مجموعه وسیع روشهای هوش جمعی Swarm Intelligence Methods))، به منظور کالیبراسیون مدل بارش- رواناب ARNO در این تحقیق مورد استفاده قرار گرفته است.

1-1- اهمیت و ضرورت انجام تحقیق:
بهره برداری و استفاده مطلوب از منابع آب و مدیریت بهینه آن مستلزم شناخت بهتر مدل هیدرولوژیکی است. بارش و به دنبال آن تشکیل رواناب سطحی از فازهای مهم چرخه هیدرولوژیکی محسوب می شود و اساس کار مدل هیدرولوژیکی، بررسی رابطه بین بارش و رواناب است. کالیبراسیون دستی مدل های هیدرولوژیکی از اوایل دهه 1960 مورد توجه قرار گرفته است، ولی به دلیل وقت گیر بودن و پیچیدگی آن، از اواخر دهه مذکور بحث کالیبراسیون خودکار مورد توجه قرار گرفت. کالیبراسیون خودکار (Auto Calibration) نیازمند انتخاب یک تابع هدف مناسب، یک الگوریتم جستجو و یک معیار برای به اتمام رساندن الگوریتم است.[Gupta & sorooshian, 1983]
مدل ARNO یک مدل بارش- رواناب مفهومی است که به صورت گسترده در مطالعاتی هم چون برنامه ریزی آب، تحلیل جریانهای کم، تحلیل سیلهای حدی، پیش بینی زمان واقعی سیل و مطالعات اثرات تغییر اقلیم در نقاط مختلف دنیا با موفقیت به کار گرفته شده است، از طرف دیگر به هنگام استفاده از این نوع مدل ها به دلیل داشتن پارامترهای زیاد (که مستقیماً قابل اندازه گیری نیستند)، بحث کالیبراسیون و مطابقت هر چه بیشتر هیدروگرافهای مشاهداتی و شبیه سازی امری بسیار مهم و حائز اهمیت بوده و به عنوان اصلی ترین چالش مطرح است. چنان چه بتوان یک مدل با ضریب کارآیی ( ) بالا ارائه داد، مدل مورد نظر در پیش بینی سیلاب ها و همچنین برآورد دبی خروجی، کاربردی و قابل اتکا خواهد بود، بنابراین هدف از ارائه یک مدل این است که هیدروگراف شبیه سازی حتی المقدور بیشترین انطباق را با هیدروگراف مشاهداتی (اندازه گیری شده در خروجی حوضه) داشته باشد. در این تحقیق کوشش شده است تا هیدروگراف خروجی به نحوی مناسب با الگوریتم بهینه سازی PSO شبیه سازی گردد.

1-2- اهداف و سئوالات تحقیق:
به طور مشخص هدف نهایی در این تحقیق دستیابی به بهترین و مناسب ترین پارامترهای مدل بارش – رواناب ARNO به منظور شبیه سازی هیدروگراف خروجی است، به نحوی که هیدروگراف تولید شده بتواند دبی خروجی را با دقت مناسبی پیش بینی نماید، به عبارت دیگر چنان چه بتوان یک هیدروگراف شبیه سازی خروجی با ضریب تصمیم گیری مناسب ارائه داد، می توان از آن در مواردی نظیر کنترل سیلاب و مدیریت منابع آب بهره جست.
در این تحقیق کوشش شده تا به سئوالات زیر پاسخ گفته شود:
1- یک مدل مفهومی نظیر مدل ARNO تا چه حد در شبیه سازی پروسه پیچیده بارش- رواناب مؤثر و کاربردی است؟
2- استفاده از الگوریتم های جستجو (به طور اخص الگوریتم PSO) به منظور دستیابی به پارامترهای مدل تا چه حد مؤثر وگره گشا است؟ یا به عبارتی اهمیت استفاده از کالیبراسیون خودکار در یک مدل مفهومی تا چه حد بوده و چگونه در قضاوت و تصمیم گیری آتی تأثیر گذار است؟
3- آیا با استفاده از متد بهینه سازی مذکور می توان مقادیر پارامترهایی که به طور خاص دریک مدل مفهومی هیدرولوژیکی، قابل اندازه گیری نیستند به دست آورد یا آن را اصلاح نمود؟ به عبارت دیگر استفاده از یک مدل مفهومی بارش- رواناب و دستیابی به یک هیدروگراف شبیه سازی مناسب توسط آن تا چه حد می تواند در درک پروسه های واقعی موجود در حوضه و نحوه ارتباط میان آنها به ما کمک کند؟
4- تأثیر پردازش داده ها در ارائه یک هیدروگراف شبیه سازی مناسب و دارای انطباق بیشتر با واقعیات فیزیکی موجود در حوضه تا چه حد است؟

1-1 اهمیت و ضرورت انجام تحقیق…………………………………………………3
1-3 اهداف و سئوالات تحقیق……………………………………………………….4
1-4 ساختار پایان نامه………………………………………………………………..5

فصل دوم- مبانی و مروری بر منابع.

قبل ازبحث اصلی، تعاریف بخشی از اصطلاحاتی که در این تحقیق مورد استفاده قرار می گیرد ذیلاً ارائه می¬گردد.
ابتدا به تعریف اصطلاحات مربوط به روش بهینه سازی مورد استفاده در این تحقیق یعنی الگوریتم بهینه سازی (Particle Swarm Optimization) PSO اشاره می شود:
• Particle: درالگوریتم(Particle Swarm Optimization) PSO ، هر Particle معرف یک راه حل بالقوه برای یک مسئله بهینه سازی است، که در نهایت بهترین راه حل، مقدار بهینه برای تابع هدف را تعیین می کند. [در این تحقیق یک Particleمجموعه ای از پارامترهای مدل است که در نهایت بهترین آن بیشترین ضریب Nash-Sutcliffe را معرفی خواهد نمود.]
• Swarm: به مجموعه particle ها که در هر مرحله ساخته می شوند گفته می شود. [در لغت به معنی دسته حشرات است.]
• Position: معرف بردار موقعیت هر particle است که وضعیت آن را در swarm مشخص می کند.
• Velocity: معرف برداری است که سرعت و جهت حرکت particle را در swarm مشخص می نماید.
• Iteration: معرف تعداد تکرارها و مراحل الگوریتم PSOاست.
• Pbest: معرف بهترین موقعیت یکparticle یا (مجموعه پارامترها) در هر مرحله نسبت به موقعیت های پیشین آن است.
• Gbest: معرف موقعیت بهترین particle در هر iteration است.
• w: پارامتر وزنی الگوریتمPSO موسوم به اینرسی وزنی (inertia weight) است.
• و : دو ضریب ثابت و مثبت هستند که به ترتیب پارامترهای شناختی(cognitive) و اجتماعی (social) خوانده می شوند. [به این دو پارامتر در مجموع ضرایب شتاب acceleration coefficients)) گفته می شود.]
• (chi): فاکتور انقباض یا فاکتور محدود سازی constriction factor)) است که متناوباً به همراه برای محدود کردن سرعت به کار می رود.
در مورد مفاهیم مورد استفاده در مدل بارش- رواناب ARNO با توجه به کثرت پارامترهای موجود، در این جا صرفاً به توضیح مختصر درباره مفاهیم کلی اکتفا کرده و در ادامه به تفصیل به بررسی پروسه های موجود درآن پرداخته می شود:
i) تبخیر و تعرق پتانسیل ((evapotranspiration: معرف میزان آبی است که به صورت تبخیر evaporation)) و تعرق (transpiration)، در صورت در دسترس بودن آب کافی، از سطح حوضه تبخیر می شود. میزان آن با توجه به دما و پارامترهای دیگری نظیر باد و میزان تابش خورشید (radiation) قابل محاسبه است. در این تحقیق تبخیر و تعرق پتانسیل از روش Thornthwaithe محاسبه گردیده است که متعاقباً به شرح آن پرداخته خواهد شد.
ii) ضریب کارآیی (ضریب Nash & Sutcliffe): این ضریب معمولاً به منظور ارزیابی قدرت یک مدل در پیش بینی مورد استفاده قرار می گیرد و با توجه به این که خروجی مدل در این تحقیق رواناب روزانه است، می توان این ضریب را به صورت زیر تعریف کرد:
(2-1)
که در آن دبی مشاهداتی، دبی برآورد شده (یا شبیه سازی) توسط مدل و میانگین دبی مشاهداتی و N تعداد داده ها است. همان طور که مشاهده می گردد صورت این کسر در حقیقت معرف مجموع مربعات اختلاف بین دبی های مشاهداتی و محاسباتی است. چنان چه این دو هیدروگراف کاملاً بر یکدیگر منطبق باشند (در حالت ایده آل) صورت کسر صفر گردیده و ضریب در این حالت برابر 1 می شود. دامنه این ضریب ما بین و 1 است.
همان طور که گفته شد تابع هدف به منظور بهینه سازی در این تحقیق ضریب کارآیی لحاظ شده و می توان گفت که الگوریتم PSO به دنبال بهترین ضریب کارآیی است و از آن جایی که مخرج این کسر همواره عدد ثابتی است، لذا در حقیقت مینیمم شدن صورت کسر مد نظر ما است و این همان مفهومی است که در کتابهای مرجع آمار روش حداقل مجموع مربعات (method of least squares) نامیده می شود و در آمار برای به دست آوردن رگرسیون غیر خطی (بهترین برازش (fitness)) از این روش استفاده می گردد.
iii) منحنی هیپسومتری (Hypsometric curve): توضیحی است از رابطه تجمعی موجود بین ارتفاع و مساحت های مرتبط با هر یک از بازه های ارتفاعی. محور عمودی مقادیر ارتفاع حوضه را نشان می دهد و محور افقی منحنی مزبور، مساحت نقاطی از حوضه را نشان می دهد که ارتفاع آنها بزرگتر یا مساوی ارتفاع یاد شده باشند. به این ترتیب در منحنی هیپسومتری کمترین ارتفاع حوضه با مساحت کل حوضه آبریز متناظر است و ارتفاع مربوط به بلندترین نقطه حوضه در این منحنی با صفر متناظر می گردد، لذا می توان گفت که منحنی هیپسومتری یک منحنی اکیداً نزولی است. [می توان این منحنی را به صورت بی بعد (با در صد مساحت) هم بیان نمود.] این منحنی یک تفسیر کمی از وضعیت توپوگرافی منطقه ارائه می دهد و چنان چه مشاهده خواهد شد در برآورد تبخیر و تعرق پتانسیل و هم چنین محاسبه ذوب برف از آن استفاده خواهد گردید.
2-2- انواع مدل های هیدرولوژیکی شبیه سازی
بر اساس یک طبقه بندی از انواع مدل های هیدرولوژیکی، مدل ها به دو دسته مدل های غیرقطعی ((stochastic و مدل های قطعی (deterministic) تقسیم بندی می شوند. مدل های غیر قطعی در حقیقت روشی هستند برای برآورد توزیع های احتمالاتی از خروجی ها با در نظر گرفتن تغییرات تصادفی (random variation) برای یک یا چند متغیر ورودی. کلی ترین نمایش این متغیرها در یک میدان تصادف (random field) است. میدان تصادف محدوده ای است از مکان و زمان که مقدار متغیر در هر نقطه از آن محدوده با یک توزیع احتمال تعریف می گردد. در یک مدل قطعی (جبری) از عنصر یا جزء تصادفی آن صرف نظر می شود. هر ورودی ثابت دارای یک خروجی ثابت است. می توان مدل های قطعی را برای “پیش بینی به صورت تقویمی” یعنی تعیین زمان وقوع در آینده معین (forecast) [پیش یابی] و مدل های غیر قطعی را برای پیش بینی (prediction) (بدون تعیین زمان واقعی وقوع در آینده) مطرح کرد.
تمام پدیده های هیدرولوژیکی کمابیش دارای مقداری تصادف randomness)) هستند، در مواقعی که نوسانات حاصل در خروجی کوچک و یا صرف نظر کردنی باشد، استفاده از یک مدل قطعی می تواند مناسب باشد. در غیر این صورت استفاده از یک مدل غیر قطعی ضروری است.
با در نظر گرفتن این نوع طبقه بندی مدل بارش رواناب روزانهARNO به دسته مدلهای قطعی deterministic)) تعلق دارد.
از نظر پیچیدگی، سه نوع مدل وجود دارد که به ترتیب عبارت اند از تجربی (black box)، مفهومی (grey box) و فیزیکی (white box) ]ََ[Abbot ,M.B., Jens ,C., 1996 مدل های تجربی همان طور که از اسم این مدل ها بر می آید، هیچ گونه تفسیری از فرآیند های فیزیکی صورت گرفته در یک پروسه هیدرولوژیکی را ارائه نمی دهد، ولی با استفاده از آن می توان پارامترهایی را پیش بینی نمود (مانند مدل های رگرسیونی). در مقابل، مدل های فیزیکی با استفاده از روابط ریاضی صرف و درک دقیق فرآیندهای موجود در یک پروسه سعی در مدل کردن یک سامانه را دارند، این در حالی است که مدل های هیدرولوژیکی مفهومی با درک رفتار سامانه به تفسیر فرآیندها و ارتباط آنها در شکل گیری یک پارامتر هیدرولوژیکی نظیر رواناب روزانه خروجی از حوضه می پردازند. مدل های مفهومی اغلب به مدلهای پایه فیزیکی ترجیح داده می شوند. زیرا ضمن ارائه پاسخ های قابل قبول به تلاش محاسباتی وداده های ورودی کمتری، نیاز دارند. مدل ARNO در طبقه بندی انواع مدلهای هیدرولوژیکی از این منظر به دسته مدل های مفهومی تعلق دارد.

2-1 کلیات و تعاریف ……………………………………………………………………7
2-2 انواع مدل های هیدرولوژیکی شبیه سازی…………………………………….9
2-2-1 مدل های پایه فیزیکی (جعبه سفید)……………………………………….10
2-2-2 مدل های مفهومی (جعبه خاکستری)……………………………………..10
2-2-3 مدل های تجربی (جعبه سیاه)………………………………………………11
2-3 مروری بر روشهای بهینه سازی فراگیر (GO)….ا……………………………..11
2-3-2 مقایسه الگوریتم PSO با سایر روش های محاسبات تکاملی……………..12
2-4 مروری بر منابع…………………………………………………………………..15
2-4-1 مروری بر مدل های مفهومی بارش- رواناب………………………………….15
2-4-2 مروری بر مطالعات صورت گرفته جهت بهینه سازی مدل های هیدرولوژیکی ………………………………………………………………………………………16
2-5 خلاصه و جمع بندی فصل …………………………………………………..18

فصل سوم- منطقه تحقیق، تئوری و روش تحقیق

در این تحقیق شبیه سازی رواناب خروجی حوضه آبریز رودخانه کرج [بالادست سد امیر کبیر] توسط مدل ARNO مبنای کار قرار گرفته است. این حوضه در فاصله 30 -60 کیلومتری شمال و شمال غربی تهران واقع گردیده و به عنوان یکی از حوضه های برف گیر در رشته کوه البرز مطرح است و به دلیل قرار داشتن سد امیر کبیر در خروجی آن، یکی از حوضه های آبریز مهم در تأمین آب تهران به شمار می آید.
حوضه آبریز کرج در محدوده بالا دست سد کرج با مساحتی برابر 840 کیلومتر مربع در پهنه جنوبی رشته کوه های البرز مرکزی واقع شده است. این حوضه ما بین عرض جغرافیایی 53 35 و 10 36 قرار گرفته و طول جغرافیایی آن در غربی ترین نقطه آن برابر 03 51 و در شرقی ترین نقطه 35 51 است. محدوده جغرافیایی آن از شمال به حوضه چالوس، از شرق به حوضه لتیان، از غرب به حوضه کردان و از جنوب به کوههای شمال تهران و دشت تهران و رباط کریم محدود می شود. [مطابق شکل (3-1) که منبع آن وزارت نیرو است و نمایش دهنده موقعیت و شبکه رودخانه ای حوضه آبریز کرج است، جنوبی ترین نقطه حوضه محل تلاقی سه حوضه کرج، جاجرود و کن بوده که در حقیقت بر روی ادامه خط الرأس کوههای شمالی تهران واقع شده است.]
مساحت قابل ملاحظه ای از مناطق حوضه آبریز این رودخانه یعنی 9/26 درصد، فاقد هر گونه پوشش گیاهی است. نوع پوشش 7/7 درصد مساحت منطقه را پوشش آلپین (پوشش مناطق مرتفع) تشکیل می دهد و پوشش 5/41 درصد مساحت منطقه از خانواده گرامینه یا مخلوطی از بوته ای ها وگونه های خانواده گرامینه و بقیه سطح حوضه از جوامع گون و ارس پوشیده شده است. [خاتمی، 1385] این حوضه از لحاظ توپوگرافی متشکل از نقاط بسیار مرتفع، نقاط میان بند و نقاط کوهپایه ای است و دارای حداقل ارتفاعی برابر 1700 متر و حداکثری معادل 4375 متر است.
چنان چه از منحنی هیپسومتری حوضه (شکل 4-1) بر می آید، 50 درصد آن ارتفاعی بیش از 2820 متر دارد. [به این معنی که ارتفاع میانه حوضه 2820 متر است.] و حدود 75 درصد از مساحت آن در ارتفاع بالاتر از 2500 متر قرار دارد، به این ترتیب می توان گفت که بیشتر محدوده مورد مطالعه دارای اقلیم سرد کوهستانی است.
رودخانه کرج رودخانه ای دائمی است که 3/22 درصد حوضه آن مربوط به شاخه های فصلی است. شبکه شاخه بندی این رودخانه بسیار متراکم است که فرسایش قابل ملاحظه در حوضه را نشان می دهد. شاخه های واقع در ارتفاعات بالاتر، به علت وجود برف، دارای آب زیاد و دائمی هستند. بنابراین رژیم کلی هیدرولوژیک رودخانه کرج را می توان در طبقه بندی برفی – بارانی قرار داد. [خاتمی 1388]
این رودخانه در مسیر خود شاخه های متعددی دارد که شاخه های اصلی آن ولایت رود، شهرستانک، نشترود، مورود و سیرا هستند. در بین این شاخه ها، ولایت رود و شهرستانک با آبدهی به ترتیب برابر 7/127 و 9/76 میلیون متر مکعب در سال [معادل 05/4 و 43/2] دارای بیشترین میزان دبی در زیر شاخه های رودخانه کرج هستند.

سد امیر کبیر و حوضه کوهستانی رودخانه کرج

سد امیر کبیر و حوضه کوهستانی رودخانه کرج

3-1 معرفی منطقه تحقیق…………………………………………………………….20
3-1-1 حوضه آبریز سد کرج……………………………………………………………20
3-1-2 آب رودخانه کرج…………………………………………………………………..24
3-1-3 داده¬های مورد استفاده………………………………………………………..26
3-2 معرفی مدل ARNO……ا…………………………………………………………..27
3-2-1 ارتباط مفاهیم اساسی مدل ARNO…ا……………………………………….28
3-2-2 مدول توازن رطوبت خاک (soil moisture balance)…ا………………………30
3-2-3 مدول تبخیر و تعرق پتانسیل………………………………………………….36
3-2-4 مدول آبهای زیرزمینی…………………………………………………………..39
3-2-5 مدول روندیابی سهموی…………………………………………………………40
3-2-5-1 روندیابی جریان رودخانه از بالادست…………………………………………40
3-2-5-2 روندیابی جریان لایه ای………………………………………………………41
3-2-6 مدول ذوب برف (snowmelt module)….ا…………………………………….43
3-2-7 ملزومات کالیبراسیون مدل ARNO….ا………………………………………..43
3-3 معرفی روش بهینه سازی PSO….ا…………………………………………….45
3-3-1 مفاهیم و منطق حاکم بر روش بهینه سازی PSO…ا……………………..49
3-3-2 چارچوب تحلیلی الگوریتم بهینه سازی PSO…..ا………………………….52
3-3-3 شناخت پارامترهای کنترل کننده PSO…ا…………………………………..56
3-3-4 ورودی های الگوریتمPSO…..ا…………………………………………………59
3-4 روش تحقیق………………………………………………………………………61
3-4-1 توسعه برنامه کامپیوتری بر مبنای الگوریتم PSO…….ا……………………62
3-5 خلاصه و جمع بندی فصل………………………………………………………65

فصل چهارم- اعمال روش تحقیق بر منطقه مورد مطالعه، بحث و بررسی نتایج

همان گونه که قبلاً نیز اشاره شد، هدف اصلی از انجام این تحقیق بهینه سازی مدل بارش- رواناب ARNO با استفاده از الگوریتم بهینه سازی PSO و معرفی مناسب ترین هیدروگراف خروجی با در نظر گرفتن ضریب کارآیی (Nash & Suttclife) به عنوان تابع هدف است، از سوی دیگر برای تولید سری های زمانی تبخیر و تعرق و بارش، پردازش داده ها امری ضروری است، لذا در این فصل به نحوه دستیابی به بهترین هیدروگراف محاسباتی برازش داده شده و بحث درباره نتایج و پارامترهای حاصل از آن پرداخته شده است و در ادامه هم چنین نتایج حاصل از استفاده از یک مدل برف و تأثیرات آن نیز مورد توجه قرار می گیرد.

4-1 پردازش داده ها (Data processing)
4-1-1 منحنی هیپسومتری ((Hypsometric curve
این منحنی همان طور که در فصل اول تعریف شد یک توصیف کمی از توپوگرافی محدوده مورد مطالعه را ارائه می دهد. هم چنین این منحنی به خصوص در محاسبه دمای میانگین حوضه در این تحقیق مورد استفاده قرار گرفته است. [باید توجه داشت که دما به عنوان یک مؤلفه هیدرولوژیکی با تغییرات زیاد در حوضه مطرح است.] منحنی هیپسومتری در این تحقیق، هم به منظور محاسبه دمای میانگین حوضه [که مستقیماً در تولید سری زمانی تبخیر و تعرق پتانسیل به روش Thornthwaite کاربرد دارد.] و هم به منظور محاسبه دما در محدوده های ارتفاعی مختلف جهت استفاده در مدل ذوب برف برای جدا کردن سهم برف از بارش و محاسبه تابش خالص جهت محاسبه میزان ذوب برف مورد استفاده قرار می گیرد. [مقدمات تولید سری زمانی تبخیر و تعرق پتانسیل در فصل سوم بررسی گردید و روش اجرای آن در ادامه همین فصل به طور مفصل مورد بحث قرار می گیرد.]
منحنی هیپسومتری حوضه آبریز کرج با توجه به اطلاعات جدول (4-1) که منبع آن اداره آب منطقه ای استان تهران است، ترسیم می شود.
همان گونه که در شکل (4-1) به خوبی مشخص گردیده است، می توان منحنی هیپسومتری حوضه را با صرف نظر کردن از ارتفاع های بالاتر از 4000 متر [که کمتر از 7/1 درصد از مساحت حوضه را شامل می شوند.] با برازش یک رابطه رگرسیونی به صورت چند جمله ای درجه 6 با یک ضریب تعیین بیشتر از 999/0 توصیف نمود.
با استفاده از الگوریتم PSOمی توان به شرطی که اندازه swarm (تعدادparticle ها) و تعداد تکرارها مناسب در نظر گرفته شوند، ضرایب این چند جمله ای درجه 6 را با دقت بسیار خوبی برآورد نمود.
به طور کلی الگوریتم PSO در کلیه مسائل بهینه سازی دارای کاربرد است، از جمله از آن می توان در ارائه انواع مدل های رگرسیونی استفاده کرد. در این تحقیق به غیر از بهینه سازی مدل ARNO، در توسعه مدل دما برای نقاط مختلف حوضه نیز از الگوریتم PSO استفاده گردیده است.

4-1 پردازش داده ها (Data processing)…….ا…………………………………..68
4-1-1 منحنی هیپسومتری (Hypsometric curve)..ا……………………………68
4-1-2 پیشنهاد یک رابطه رگرسیونی بین دما و ارتفاع………………………….70
4-1-3 محاسبه دمای میانگین حوضه بر اساس منحنی هیپسومتری…………77
4-1-4 تولید سری زمانی تبخیر و تعرق پتانسیل حوضه………………………..80
4-2 توسعه مدل برف……………………………………………………………….96
4-2-1 نتایج حاصل از مدل برف…………………………………………………….108
4-3 کالیبراسیون مدل با استفاده از الگوریتم بهینه سازی PSO…..ا……………110
4-3-1 انتخاب پارامترهای مناسب برای الگوریتم PSO…ا………………………..110
4-3-2 انتخاب تعداد particle ها و تعداد مراحل تکرار…………………………….111
4-3-3 تولید بهترین هیدروگراف خروجی شبیه سازی………………………….111
4-3-4 اعتبار سنجی مدل…………………………………………………………..114
4-4 بحث درباره پارامترهای مدل ARNO….ا……………………………………..115
4-4-1 پارامترهای مورد استفاده در کالیبراسیون………………………………..115
4-4-2 مقادیر برآورد شده پارامترها و بحث درباره آنها……………………………116
4-5 خلاصه و جمع بندی فصل…………………………………………………….121

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل پنجم- نتیجه گیری، جمع بندی و ارائه پیشنهاد برای تحقیقات آتی.

5-1 خلاصه تحقیق…………………………………………………………………..123
5-2 نتیجه گیری ها…………………………………………………………………123
5-2-1 محدودیت های بهینه سازی یک مدل هیدرولوژیکی …………………….124
5-3 ارائه پیشنهاد برای مطالعات آتی………………………………………………125

مراجع………………………………………………………………………………..127
پیوست ……………………………………………………………………………..131
چکیده انگلیسی……………………………………………………………………145

 

Abstract:

One of the main challenges in hydrologic engineering is to determine an appropriate rainfall- runoff model which represents the response of a catchment to a specified precipitation, using the parameters of the model. As we know formation of output hydrograph is a function of catchment characteristics. The model parameters actually express these characteristics, thus it is essential for these parameters to be properly calibrated. In order to calibrate a model, it is required to optimize an objective function. In this study the coefficient of efficiency or Nash & Sutcliffe coefficient was considered as the objective function and the maximum of that was determined.
In order to accomplish this purpose, first a computer program based on PSO (Particle Swarm Optimization) method was prepared in Fortran 77, then the parameters of the ARNO conceptual rainfall-runoff model was calibrated for daily data and finally the best daily computational hydrograph was determined.
The case study was accomplished on the Karaj river catchment (the upstream of Amir Kabir dam site). The ARNO model inputs are represented by three files: rainfall, output runoff and potential evapotranspiration. Since the potential evapotranspiration is a function of temperature and according to large variation in altitude across the basin, to calculate the relationship between temperature and altitude a regression model, was proposed to calculate the average and maximum temperature for each day. Also, considering the basin as a mountainous one, a significant portion of the precipitation is in the form of snow and it remains stored for a long time, so it is essential to modify the initial precipitation file by separating snow portion from the total precipitation, and adding the snowmelt again, and making a secondary file as an input to rainfall-runoff model. In order to fulfill this purpose another computer program was prepared and by using the regression equations which were already calculated for each day, temperature in different parts of the basin was obtained, thus the amount of snowmelt and also portion of rain from total precipitation for each day was determined and added again to the previous rain file.
Finally by modifying the precipitation file as the main input of the model, and also building the evapotranspiration file, The ARNO conceptual rainfall-runoff model was auto-calibrated by PSO algorithm, accordingly the coefficient of Nash & Sutcliffe was obtained 0.8108 for the Karaj mountainous basin



بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word

قیمت35000تومان

.