
تعداد نشریات | 13 |
تعداد شمارهها | 626 |
تعداد مقالات | 6,517 |
تعداد مشاهده مقاله | 8,746,515 |
تعداد دریافت فایل اصل مقاله | 8,317,325 |
تعیین و آنالیز گسسته سازی حجم مخزن سد جامیشان با برنامه ریزی پویای احتمالاتی در توابع هدف مختلف | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 5، دوره 26، شماره 2، خرداد و تیر 1398، صفحه 97-115 اصل مقاله (953.03 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.15193.3038 | ||
نویسندگان | ||
سید احسان فاطمی* ؛ هیوا کوهی | ||
دانشگاه رازی | ||
چکیده | ||
سابقه و هدف: امروزه یکی از مشکلات موجود در کشور، کمبود آب میباشد و این مسئله، لزوم استفاده از یک مدیریت مناسب منابع آب را بیش از پیش آشکار میسازد. یکی از روشهای استخراج قوانین بهرهبرداری از مخازن، روش برنامهریزی پویای احتمالاتی (SDP) میباشد. در روش (SDP) یکی از مهمترین عوامل برای رسیدن به جواب بهینه، نحوه گسستهسازی حجم مخزن و دبیهای ورودی به مخزن میباشد. در این تحقیق، به منظور دستیابی به تعداد گسستهسازی بهینه حجم مخزن در روش برنامهریزی پویای احتمالاتی، با در نظر گرفتن تابع هدف در سه حالت مختلف (0=α، 5/0=α و 1=α) و ثابت فرض نمودن تعداد کلاس دبی ورودی به مخزن، حالتهای مختلفی از گسستهسازی حجم ذخیره به صورت 3، 5، 7 و 10 مورد بررسی قرار گرفته است. مواد و روش: در این مطالعه، مدل برنامهریزی پویای احتمالاتی به منظور تعیین کلاس بهینه حجم مخرن سد جامیشان در توابع هدف مختلف مورد بررسی قرار گرفته است. با داشتن سری تاریخی جریان ورودی به سد جامیشان و حجم مفید مخزن، جریان ورودی با روش طول بازههای مساوی به 3 کلاس و حجم مخزن با روش موران به کلاسهای 3، 5، 7 و 10 گسستهسازی شد. با تعریف تابع هدف به صورت حداقل سازی خسارات سیستم برای هر ترکیب از کلاس جریان و حجم مخزن (k,i) روش برنامهریزی پویای احتمالاتی انجام شد. با دستیابی به سیاست پایا برای هر دوره، مقادیر رهاسازی، حجم جریان و حجم مخزن به صورت قطعی برای هر دوره محاسبه شد. یافتهها: نتایج نشان داد در حالت 0=α که فقط تامین مجموع نیازهای پایاب سد مدنظر است، کلاس بهینه حجم مخزن برابر 7=k انتخاب شد که به ازای آن حداقل مقدار در حجم کمبود تامین مشاهده شد. چنانچه تابع هدف 1=α باشد (فقط حجم مخزن هدف)، در این حالت حجم مخزن بهینه برابر10=k است که به ازای آن اختلاف حجم مخزن از مقدار مطلوب ( ) از حالت ثابت خارج شد و اولین تغییر کاهشی در آن مشاهده شد. تعیین کلاس بهینه حجم مخزن در حالت 1=α متاثر از نوع روش گسستهسازی حجم مخزن است که در روشهای موران و کلاسیک با نتایج یکسان، k بهینه برابر 10 و در روش ساوارنسکی 7=k انتخاب شد. در حالت 5/0=α (دو هدف رهاسازی از مخزن و حجم مخزن هدف) حجم مخزن منتخب بر اساس تابع هدف برابر 10=k انتخاب شد. نتیجهگیری: درشرایطی که تابع هدف فقط تخصیص و خروجی از مخزن است، کلاس بهینه حجم مخزن در نقطهای اتفاق خواهد افتاد که میزان حجم کمبودها با افزایش کلاسبندی مخزن ثابت بماند. در این حالت با تقسیمبندی حجم مخزن به 7 کلاس میزان حجم کمبود ثابت شده و 7=k به عنوان کلاس بهینه انتخاب شد. در سناریوی دوم، نقطهای به عنوان بهترین گسستهسازی از حجم مخزن انتخاب شد که بیشترین نزدیکی را با حجم ذخیره مورد نیاز ( ) داشت، لذا در این حالت کلاس بهینه حجم مخزن 10=k است. در سناریوی سوم، با انتخاب کلاس 10 برای حجم مخزن، دو هدف حداقل سازی حجم ذخیره و رهاسازی از مقادیر مطلوب بهتر رعایت شد و مقدار تابع هدف در کلاس 10 اولین تغییر کاهشی را از خود نشان داد. | ||
کلیدواژهها | ||
واژههای کلیدی: برنامهریزی پویای احتمالاتی؛ گسستهسازی حجم مخزن؛ بهرهبرداری مخزن؛ تابع هدف | ||
مراجع | ||
1.Anvari, S., Mosavi, S.J., and Morid, S. 2015. Comparison of Performance of Models DP, SDP and SSDP in Optimizing the Utilization of Multifunctional Water Purification. Iranian Water Research. 9: 1. 121-111. (In Persian) 2.Bozorg Hadad, O. 2014. Water Resources Systems Optimization. Tehran University press, 412p. (In Persian) 3.Baliarsingh, F. 2010. Optimal reservoir operation by stochastic dynamic programming-A case study. Inter. J. Earth Sci. Engin. 3: 2. 258-263. 4.Estalrich, J., and Buras, N. 1991. Alternative specifications of state variables in stochastic-dynamic-programming models of reservoir operation. Applied mathematics and computation. 44: 2. 143-155. 5.Gablinger, M., and Loucks, D.P. 1970. Markov models for flow regulation. J. Hydr. Engin. 96: 1. 165-181. 6.Huang, W.C., Harboe, R., and Bogardi, J.J. 1991. Testing stochastic dynamic programming models conditioned on observed or forecasted inflows. J. Water Resour. Plan. Manage. 117: 1. 28-36. 7.Jaafar, H.H., Al-Awar, F., and Ahmad, F. 2016. Effect of inflow class selection on multi-objective reservoir operation using stochastic dynamic programming. Arabi. J. Sci. Engin. 41: 12. 4911-4926. 8.Jowkarshorijeh, L., Ganji, A., and Homayounfar, M. 2014. A Continuous Solution for Optimal Reservoir Operation Problem Using the Constraint-State Technique. Iran-Water Resour. Res. J. 10: 2. 1735-2347. 9.Mohammad Ghasemi, M., SHahraki, J., and Sabouhi Sabouni, M. 2016. Optimization model of hirmand river basin water resources in the Agricultural Sector Using Stochastic Dynamic Programming under Uncertainty Conditions. Inter. J. Agric. Manage. Dev. 6: 2. 163-171. 10.Pan, L., Jingfei, Z., Liping, L., and Yan, S. 2012. Optimal reservoir operation using stochastic dynamic programming. J. Water Resour. Prot. 4: 342-345. 11.Su, S.Y., and Deininger, R.A. 1974. Modeling the regulation of Lake Superior under uncertainty of future water supplies. Water resources research 10: 1. 11-25. 12.Shokri, A., Haddad, O.B., and Mariño, M.A. 2012. Reservoir operation for simultaneously meeting water demand and sediment flushing: Stochastic dynamic programming approach with two uncertainties. J. Water Resour. Plan. Manage. 139: 3. 277-289. 13.Torabi, M., and Mobasheri, F. 1973. A Stochastic dynamic programming model for the optimum operation of a multi-purpose reservior. Jawra J. Amer. Water Resour. Assoc. 9: 6. 1089-1099. 14.Vedula, S., and Mujumdar, P.P. 2005. Water resources systems: modelling techniques and analysis. Tata McGrawHill, New delhi, 279p. 15.Yakowitz, S. 1982. Dynamic programming applications in water resources. Water resources research. 18: 4. 673-696. | ||
آمار تعداد مشاهده مقاله: 496 تعداد دریافت فایل اصل مقاله: 361 |