پیش‌بینی ضریب زبری مانینگ در کانال‌های روباز با فرم بستر تلماسه با استفاده از روش الگوریتم تکاملی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه آب دانشکده عمران دانشگاه تبریز

2 استاد گروه آب دانشکده عمران دانشگاه تبریز

3 دانشجوی دکتری عمران سازه های هیدرولیکی دانشگاه تبریز و گروه عمران، واحد اهر، دانشگاه آزاد اسلامی، اهر – ایران

چکیده

پیش­بینی دقیق ضریب زبری در کانال­های روباز با شکل بستر تاثیر بسزایی در برنامه­ریزی، طراحی و بهره­برداری پروژه­های منابع آبی شامل انتقالآب و سیستم­های رودخانه­ای دارد. شکل­های مختلف بستر مانند تلماسه­ها اثراتبارزی بر روی مقاومت جریان دارند. با این وجود، به دلیل تاثیر پارامترهای مختلف بر ضریب زبری جریان تخمین دقیق این پارامتر مشکل می­باشد. در این مقاله کارایی روش برنامه‌ریزی بیان ژن (GEP) در تخمین ضریب زبری مانینگ درکانال­های روباز با شکل بستر تلماسه مورد ارزیابی قرارگرفته است. بدین منظور مدل‌های مختلفی بر اساس مشخصات جریان، فرم بستر و ذرات رسوبی تعریف‌ شد و با استفاده از چهار سری داده آزمایشگاهی مورد آزمون قرار گرفت. نتایج حاصله ضمن تائید قابلیت روش به‌کاررفته در تحقیق، برتری این روش را نسبت به روابط کلاسیک در تخمین ضریب زبری مانینگ به اثبات رساند. همچنین مشخص گردید که مدل با پارامترهای ورودی مربوط به هر دو مشخصات جریان و ذرات رسوبی در تخمین ضریب زبری مانینگ موفق­تر می­باشد. مطابق با نتایج آنالیز حساسیت پارامتر عدد رینولدز  بیشترین تاثیر را در پیش­بینی ضریب زبری دارا است.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of Manning roughness coefficient in open channels with dune bedforms using evolutionary algorithm method

نویسندگان [English]

  • Kiyoumars Roushangar 1
  • mohammad taghi Alami 2
  • SEYEDMAHDI SAGHEBIAN 3
1 Associate Professor, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
2 Professor, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
3 PhD student, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

An accurate prediction of the roughness coefficient in open channels with bedforms has a significant impact on the planning, design and operation of water resources projects, including water transport and river systems. Different bedforms such as dunes have obvious effects on flow resistance. However, due to the impact of various parameters on the roughness coefficient, accurate estimation of this parameter is difficult. In this paper, the efficiency of Gene Expression Programming (GEP) method in estimating manning roughness coefficient in open-channel channels with dune bedforms has been evaluated. In this regard, various models were defined based on flow, bedform, and sediment particles characteristics and were tested using four laboratory data series. The results proved capability of GEP in predicting Manning roughness coefficient and it was observed that the applied method is more accurate than semi-theoretical relationships.  It was also found that the model with input parameters related to both flow and sediment particles characteristics is more successful in estimating Manning roughness coefficient. According to the results of the sensitivity analysis, the Reynolds number parameter has the most significant impact in predicting the roughness coefficient.

کلیدواژه‌ها [English]

  • Dune
  • Gene Expression Programming
  • Manning roughness coefficient
  • Open channel

مراجع

روشنگر،ک. 1388. بررسی مقاومت جریان در کانال­های باز. رساله دکتری، دانشکده عمران، دانشگاه تبریز.
قربانی،م.ع.، آزانی،ا.، نقی­پور،ل و نعمتی،س. 1395. مقایسه عملکرد ماشین بردار پشتیبان با سایر مدل­های هوشمند در شبیه­سازی بارش-رواناب. پژوهشنامه مدیریت حوزه آبخیز. 13. 7: 92-103.
Anderson,A.G., Paintal,A.S and Davenport,J.T. 1970. Tentative design procedure for riprap lined channel. Report no. 108, Hihgway Research Bord, National Academy of Sciences-National Academy of Engineering, Washington D C, USA, 75pp.
Bruschin,J. 1985. Discussion on Brownlie (1983). Flow Depth in Sand-bed Channels. Journal of Hydraulic Engineering. 111:736-739.
Camacho,R and Yen,B.C. 1989. Nonlinear Resistance Relationships for Alluvial channels. In: Yen, B.C. (Ed.), Proceedings, International Conference on Channel Flow and Catchment Runoff. University of Virginia, Charlottesville, pp. 392–9.
Ferreria,C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex System. 13.2: 87-129.
Guy,H.P., Simons,D.B and Richardson,E.V. 1966. Summary of alluvial channel data from flume experiments, 1956-61(No. 462-I).
Henderson,F.M. 1966. Open Channel Flow. Macmillan, New York.
Heydari,H., Zarrati,A.R and Karimaee Tabarestani,M. 2014. Bedform characteristics in a live bed alluvial channel, Scientia Iranica, Transactions A: Civil Engineering. 21.6: 1773-1780.
Kakinuma,T., Inoue,T., Akahori,R and Takeda,A. 2014. Study on hydraulic resistance of erodible bed at the Chiyoda experimental flume. Advances in Geosciences. 39: 81-89.
Karim,F. 1995. Bed configuration and hydraulic resistance in alluvial-channel flows. ASCE, Journal of Hydraulic Engineering. 121.1: 15-25.
Kisi,O., Shiri,J and Tombul,M. 2013. Modeling rain fall-runoff process using soft computing techniques. Computers and Geosciences. 51: 108-117.
Legates,D.R and McCabe,G.J. 1999. Evaluating the use of “goodness of fit” measures in hydrologic and hydroclimatic model validation. Water resources research. 35.1: 233-241.
Meyer-Peter,E and Müller,R. 1948. Formulas for bed-load transport. Process. 2nd Meeting IAHR, Stockholm. 39–64.
Mohajeri,S.H., Grizzi,S., Righetti,M., Romano,G.P and Nikora,V. 2015. The structure of gravel bed flow with intermediate submergence: A laboratory study. Water Resources Research. 51.11: 9232-9255.
Nourani,V and Sayyah Fard,M. 2012. Sensitivity analysis of the artificial neural network outputs in simulation of the evaporation process at different climatologic regimes. Journal of advances in Engineering Software. 47: 127-146.
Roushangar,K and Ghasempour,R., 2017. Prediction of non-cohesive sediment transport in circular channels in deposition and limit of deposition states using SVM. Water Science and Technology: Water Supply. 17.2: 537-551.
Roushangar,K., Akhgar,S., Salmasi,F and Shiri,J. 2014. Modeling energy dissipation over stepped spillways using machine learning approaches. Journal of Hydrology. 508: 254-265.
Roushangar,K., Koosheh,A. 2015. Evaluation of GA-SVR method for modeling bed load transport in gravel-bed Rivers. Journal of Hydrology. 527: 1142-1152.
Shiri,J and Kisi,O. 2011. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Computers Geosciences. 37.10: 1692–1701.
Strickler,A. 1923. Beitrage zur Frage der Geschwindigheits-formel und der Rauhegkeitszahlen fur Strome, Kanale und geschlossene Leitungen. (Some contributions to the problem of the velocity formula and roughness factors for rivers, canals, and closed conduits.): Bern, Switzerland, Mitt. Eidgeno assischen Amtes Wasserwirtschaft, no. 16.
Tuijnder,A.P and Ribberink,J.S. 2012. Experimental observation and modelling of roughness variation due to supply-limited sediment transport in uni-directional flow. Journal of Hydraulic Research. 50.5: 506-520.
United States Army Corps of Engineers, U.S. 1935. Waterways Experiment Station, Vicksburg, Mississippi. Studies of River Bed Materials and Their Movement with Special Reference to the Lower Mississippi River, Paper 17, 161 pp.
Van der Mark,C.F., Blom,A and Hulscher,S.J. 2008. Quantification of variability in bedform geometry. Journal of Geophysical research: Earth Surface. 113: 15-36.
Wang,W.C., Chau,K.W., Cheng,C.T and Qiu,L. 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. J. Hydrology 374.3-4: 294-306.
Williams,G.P. 1970. Flume Width and Water Depth Effects in Sediment Transport Experiments. U.S. Geological Survey, Professional Paper 562-H.
Yang,S.Q., Tan,S.K and Lim,S.Y. 2005. Flow resistance and bed form geometry in a wide alluvial channel . Water Resource Research. 41.9: 1-8.
Yen,B.C. 2002. Open channel flow resistance. Journal of hydraulic engineering. 128.1: 20-39.
نشریه آبیاری و زهکشی ایران
دوره 12، شماره 2 - شماره پیاپی 68
خرداد و تیر 1397
صفحه 446-457

فایل ها

هم رسانی

ارجاع به این مقاله

آمار