تحلیل زمانی و مکانی رسوب حوضه آبریز نهندچای با مدلسازی بارش-رواناب –رسوب و تعیین مناطق رسوبگیر و رسوبده حوضه

مطالعه مسائل مختلف مربوط به ابنیه های آبی که به منظور حفظ و بهره برداری از منابع آب مورد استفاده قرار می گیرد از جمله مطالعات فرسایش و رسوب حوضه های آبخیز، حائز اهمیت فراوان است. لذا در مطالعات هیدرولوژیکی، شبیه سازی فرایند بارش-رواناب و رسوب در برآورد میزان رسوب گذاری حوضه های آبریز نقش بسزایی ایفا می نماید و نتایج حاصل از آن مطالعات ، احتمال موفقیت پروژه را افزایش می دهد. و ARIMA هدف اصلی تحقیق حاضر مدل سازی توزیع زمانی رسوب با استفاده از مدل سازی جعبه سیاه (سری زمانی و برآورد توزیع مکانی با استفاده از مدل های نیمه توزیعی در بالادست حوضه آبریز نهندچای بوده ( ANN شبکه عصبی است. جهت انجام این مهم، ارزیابی هر کدام از این مدل ها برای توزیع مکانی و زمانی رسوب ضروریست . از اینرو اولا نقش هریک از عوامل موثر در میزان رسوب زایی سالانه در حوضه مشخص می گردد ثانیا مناطق رسوب پذیر و تولید رسوب در رودخانه اصلی نهندچای در نقاط بالادست معین می شود. با توجه به اینکه یکی از طرح های مهم سازمان آب منطقه ای استان که در حوضه آبریز نهندچای اجرا گردیده است، طرح سد مخزنی روی این رودخانه می باشد. شرایط توپوگرافی و اقلیمی ویژه موجود در حوضه آبریز نهندچای شرایطی را فراهم نموده است که مجموع این شرایط در وضعیت کمی، کیفی و توزیع زمانی جریان رودخانه و رسوب گذاری در حوضه نمود پیدا کند. در این حوضه تراکم تخلیه جریان در مدت زمان کوتاه باعث ایجاد سیلاب ها و رسوب گذاری در حوضه می گردد، با توجه به این جریانات و مواد معلق موجود آن به همراه بار بست ر رسوبی مشکلاتی به لحاظ شرایط مرفولوژیکی، آبگیری مخزن سد و عملکرد حوضچه رسوبگیر به وجود میآورد. در تحقیق حاضر، از مدل استوکستیک برای ساخت مدل بارش-رواناب حوضه استفاده گردیده است که بتوان از روی مدل سری ARIMA سری زمانی بتوان میزان ARIMA زمانی، آورد رودخانه را پیش بینی کرد . در ادامه بایستی از روی دبی استخراج شده از مدل رسوب گذاری حوضه را تعیین کرد. بدلیل کارایی شبکه عصبی در شبیه سازی زمانی پدیده رسوب و برای دستیابی به در مرحله آزمون و آموزش قرار گرفته که (ANN) بهترین حالت ، ساختارهای مختلفی از شبکه عصبی مصنوعی با همان ورودی ها حاصل شده است. LM با الگوریتم آموزشی FFBP (۲-۲۰- ساختار( ۱ در این تحقیق، علاوه بر بکارگیری مدلهای هوش مصنوعی در مدلسازی فرایند رسوب گذاری، از مدلهای توزیعی ابتدا داده های HEC-RAS نیز بهره گرفته شده است. در مدل سازی رسوب با استفاده از HEC-RAS هیدرولوژیکی جریان به صورت شبه دائمی، در شرایط مرزی بالادست حوضه وارد نماییم و در پایین دست نیز می توان از عمق نرمال، دبی-اشل و یا منحنی سنجه به عنوان ورودی مدل استفاده کنیم. در شناسایی مناطق با پتانسیل تولید رواناب بیشتر بحث روندیابی زیرحوضه و سپس روندیابی هیدروگراف زیرحوضه تا محل خروجی کل حوضه مورد توجه است که انتقال رسوبات در قسمت هایی از حوضه که بیشتر تحت تاثیر رسوب گذاری هستند شناسایی گردد . مقایسه نتایج حاصل از روش های محاسبه بار رسوبی نشان می دهد که فرمول میر پیتر و مولر در برآورد بار رسوبی ر ودخانه نهندچای از دقت خوبی برخوردار است، این فرمول هرچند دارای پیچیدگی خاصی است ولی از بهترین فرمول های موجود برای تعیین بار رسوبی رودخانه ها می باشد.

Keywords:

رودخانه نهندچای , HEC-RAS شبکه عصبی مصنوعی , مدل توزیعی , ARIMA مدلسازی بارش , رواناب-رسوب , سری زمانی