روش ارزیابی نحوه توزیع سرعت متوسط و دبی جریان در رودخانه ناورود
محورهای موضوعی : سازه های هیدرولیکی
1 - گروه مهندسی عمران، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
کلید واژه: تخمین, RMSE, شیونو-نایت, مقاطع مرکب,
چکیده مقاله :
بسیاری از پروژههای مهندسی رودخانه از جمله طراحی دبی های کنترل سیل، تنظیم مجدد کانالهای رودخانه، حفاظت از ساحل و انتقال رسوب، نیازمند پیشبینی دقیق دبی جریان در مقطع مرکب از جمله رودخانهها است. مدل شیونو-نایت (SKM) به عنوان یک ابزار توانمند برای مدلسازی جریان در کانالهای منشوری مرکب شناخته شده است. این پژوهش از مدل SKM برای تخمین سرعت متوسط و دبی استفاده کرده است که بر اساس حل معادلات دو بعدی برای جریانهای کانال باز با متوسط گیری از معادلات ناویه-استوکس حاصل شده است. مقادیر سرعت عمقی متوسط و دبی جریان، در ابتدا با مدل SKM برآورد شده و با دادههای اندازهگیری دردوره زمانی 93-92 مقایسه گردید. در آخر رابطه بین عمق و دبی جریان (رابطه دبی-اشل) برای دوره زمانی 93-92 ارائه گردید. نتایج سرعت عمقی متوسط و توزیعهای دبی جریان پیشبینی شده توسط مدلSKM در مقایسه با مقادیر اندازهگیری شده نشان میدهد که SKMمیتواند به طور دقیق توزیع های سرعت پیشبینی کند اگر دو ضریب اصطکاک و زبری مانینگ بر اساس الگوهای دقیق انتخاب شوند. نتایج حاصل از مدل نشان میدهد که با دادههای تجربی همخوانی خوبی ندارند. بطوریکه دبی و سرعت عمودی بطور متوسط به ترتیب با 8/3 و 5/12 درصد خطا برآورد شده است.
A large number of river engineering projects, e.g. design of flood-control discharges, realignment of river channels, bank protection and sediment transport, requires accurate estimation of discharge in the compound channels such as rivers. Shiono-Knight method (SKM) is known as a capable tool to modeling discharge in prismatic compound channels. This research used the SKM, which is based on solving two-dimensional equations for flows in open channel by averaging the Navier-Stokes equations. Firstly, the values of depth-averaged velocities and discharge were calculated, then those compared with measurement data in 92-93 time period. Finally, the relation between depth and discharge flow have been stablished for 92-93 time period. The results of predicted depth-averaged velocity and discharge obtained from SKM compared with measured values indicate that SKM can accurately predict the velocity distributions if the two coefficients of friction factor and Roaring manning are chosen based on accurate patterns. The results of model shows to be not good agreement with experimental data. The discharge and depth-averaged velocity were estimated with 3.8 and 12.5 percent error.
_||_