عنوان پایان‌نامه
مدلسازی نحوه نشست مواد رسوبی در مخزن سدهای بزرگ
- رشته تحصیلی
- مهندسی عمران - مهندسی آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1482;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47561
- تاریخ دفاع
- ۰۳ مهر ۱۳۸۹
- دانشجو
- نوید خودحال
- استاد راهنما
- رضا غیاثی
- چکیده
- تجمع رسوبات در پشت سدها موجب کاهش ظرفیت ذخیره مخازن و در نتیجه کاهش عمر مفید آن¬ها می شود. هر ساله تقریبا 20 میلیارد تن رسوبات توسط رودخانه¬های جهان انتقال یافته و در آب¬های ساکن ته نشین می گردد. در ایران نیز سالانه بیش از 100 میلیون متر مکعب از گنجایش سدها بر اثر انباشته شدن رسوبات کاسته می شود. در پایان نامه حاضر رسوبگذاری در مخازن سدهای بزرگ با استفاده از روابط تجربی تخمین آورد رسوبات به مخازن، روابط تجربی تخمین حجم مخازن، مدل های تجربی توزیع مکانی مثلثاتی، افزایش سطح، کاهش سطح، کاهش سطح اصلاح شده و شبکه عصبی مصنوعی مورد بررسی قرار گرفته است. سد مخزنی کرج در این مطالعات مورد بررسی قرار گرفته است. مطالعات نشان داد که در بررسی روابط تجربی تخمین آورد رسوبات برای سد مذکور، کلیه روابط دارای خطای بالایی بوده و هیچ کدام برای تخمین آورد رسوبات ورودی به مخزن سد کرج مناسب نمی باشند. از بین روابط تخمین حجم مخازن رابطه اورلت با خطای حدود یک درصد با دقت بالایی حجم مخزن سد کرج را پیش بینی می کند. بررسی مدل های تجربی مثلثاتی، افزایش سطح، کاهش سطح و کاهش سطح اصلاح شده نشان می دهد که دو روش کاهش سطح و کاهش سطح اصلاح شده با خطای متوسط حدود شش درصد بهترین مدل های تجربی توزیع مکانی جهت تخمین حجم لایه های مختلف مخزن سد کرج در محدوده زمانی سال های 1340 تا 1386 می باشند. عمده خطای این دو روش نیز در تخمین حجم 15 متر کف مخزن (رقوم نزدیک به بستر سد) بوده و در 105 متر بالایی مخزن خطای متوسط کمتر از یک درصد می باشد. بررسی رسوبگذاری مخزن سد کرج با استفاده از شبکه عصبی مصنوعی نشان می¬دهد که شبکه 1-4-6 با شش پارامتر ورودی شامل دو نرون دبی متوسط ورودی در سال جاری و سال گذشته، دو نرون آب معادل برف و باران در سال جاری و سال گذشته و دو نرون حجم مخزن در سال های گذشته با فازهای تاخیر یک و دو ساله، یک لایه مخفی با چهار نرون با تابع انتقال سیگموئید و پارامتر خروجی حجم رسوبگذاری شده در فاصله بین دو سال متوالی بهترین نتایج را ارائه می نماید. خطای متوسط شبکه عصبی نیز در تخمین رسوبگذاری مخزن سد کرج کمتر از یک درصد می باشد. با توجه به مطالب بیان شده هر سه مدل تجربی کاهش سطح، کاهش سطح اصلاح شده و شبکه عصبی مصنوعی می توانند با دقت بالایی جهت تخمین رسوبگذاری مخزن سد کرج مورد استفاده قرار بگیرند.
- Abstract
- Accumulation of sediments behind dams reduces reservoir storage capacity and thus reduce its useful life. Approximately 20 billion tons of sediments transfer by rivers each year. about 100 million cubic meters of dam reservoir storage decreases due to sediment accumulation in Iran every year. In the present thesis, Sedimentation in large dam reservoirs is studied using empirical formulae for of incoming sediment, and estimated volume of dams in addition Trigonometric method, Area Increment method,Area Decrement method, Improved Area Decrement method and Artificial Neural Network are applied to Karaj Dam case study. Studies showed that all empirical formulae of incoming sediment, have high error and not suitable for Karaj Dam. Between empirical formulae of estimated volume of dams Orlet formulae predicted volume of Karaj Dam with high precision and error of about one percent. Study of Trigonometric method, Area Increment method, Area Decrement method and Improved Area Decrement method shows that Area Decrement method and Improved Area Decrement method with the average error about six percent are the best experimental models to estimate the distribution of Sediment in different layers of Karaj Dam Between 1961 to 2007. The major error of two methods is in 15 meters above reservoir bed and in the 105 meters above this level average error less than one percent. Karaj Dam sedimentation study using artificial neural networks show that 6-4-1 network with six input parameters, containing two neurons for discharge in current year and last year, two neurons for water equivalent of snow and rain in current year and Last year and two neurons of reservoir volume in two previous years, a hidden layer with four neurons with sigmoid transfer function and output parameter is the Sedimentation volume between two consecutive years, provides the best results. The average error in estimation of Karaj dam reservoir sedimentation using artificial neural network less than one percent. According to the subjects, three models of Area Decrement Method, Improved Area Decrement Method and Artificial Neural Networks can be used to estimate Karaj dam reservoir sedimentation with high accuracy.
