حساسیت سنجی در ‏مدل‏سازی انتقال آلاینده‏ های محلول در آب زیرزمینی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه شهید بهشتی تهران-دانشکده آب

2 دانشیار دانشکده آب داشگاه شهید بهشتی

چکیده

آب‏های زیرزمینی یکی از منابع مهم و اصلی برای تامین نیاز‏هایی از جمله آب‏آشامیدنی و کشاورزی است.با افزایش فشار‏های بشر و اقلیم بر روی منابع آب زیرزمینی، پیش بینی‏های دقیق از جریان و کیفیت آب‏های زیر زمینی برای مدیریت پایدار امری ضروری است.مدلسازی کیفی آب‏های زیرزمینی ابزاری مفید برای شناسایی چگونگی انتقال آلاینده‏ها در محیط متخلخل آبخوان است.این مدل‏ها شامل پارامترهای متعددی هستند که اغلب براساس مطالعات پیشین یا قضاوت کارشناسی برآورد می‏شوند، یا در بهترین شرایط براساس اندازه گیری‏های محدود میدانی برآورد می‏گردند.در نتیجه داده‏های ورودی به مدل‏های ‏شبیه‏سازی دقیق نیستند و همراه با خطا‏هایی هستند پس لازم است در ابتدا پارامتر‏های موثر وحساس نسبت به خروجی‏های مدل مشخص شوند. در این مقاله ابتدا یک مسئله با برنامه MODFLOW-2010 و MT3DMS ‏شبیه‏سازی شده و غلظت آلاینده مورد نظر را در چاه بهربرداری با توجه به پارامترهای داده شده در بازه زمانی دوسال بدست آورده شده است.تحلیل حساسیت برای خروجی‏های زمان و غلظت ماکسیمم در طی این دوسال انجام شده است و با توجه به خصوصیات آماری خروجی‏ها پارامتر‏های موثر بر روی غلظت و زمان ماکسیمم برآورد شده است.نتایج نشان می دهند که پارامترهای موثر بر غلظت آلاینده محلول در چاه بهره برداری به ترتیب 1)ضریب کاهشی 2)ضریب توزیع 3)پخشیدگی طولی 4)هدایت هیدرولیکی 5)ضریب پخشیدگی عرضی 6) تخلخل می باشند و همچنین پارامترهای موثر بر زمان مربوطه به غلظت ماکسیمم در چاه بهره برداری به ترتیب 1)هدایت هیدرولیکی 2)ضریب توزیع 3)تخلخل 4)ضریب توزیع عرضی 5)ضریب کاهشی 6)پخشیدگی طولی می باشند.

کلیدواژه‌ها


Bakker M., Post V., Hughes J., Langevin C., Franc´es A., White J., (2013). “Enhanced FloPy scripts for constructing and running MODFLOW-based models”, In: Proceedings of the 2013 MODFLOWand More Conference.

Doherty J., Hunt R.J., (2009), “Two statistics for evaluating parameter identifiability and error reduction”, J Hydrol 366(1):119–127.

H. Delottier, A. Pryet, A. Dupuy (2016), “Why Should Practitioners be Concerned about Predictive Uncertainty of Groundwater Management Models?”, Water Resources Management.

Hadis Mohajerani, Majid Kholghi, Markus Casper, Abolfazl Mosaedi, Raziyeh Farmani-Amir Sadoddin, (2017), “Application of Bayesian Decision Networks for Groundwater Resources Management Under the Conditions of High Uncertainty and Data Scarcity”, Water Resources Management

Hill M.C., Kavetski D., Clark M., Ye M., Arabi M., Lu D., Foglia L., Mehl S., (2015), “Practical use of computationally frugal model analysis methods”, Groundwater

Jon C. Helton, (1993), “Uncertainty and sensitivity analysis techniques for use in performance assessment for radioactive waste disposal”, Reliability Engineering & System Safety.

Mays, L. W., and Y. K. Tung, (1992), “Hydrosystems Engineering and Management”, McGraw-Hill, New York.

Michele Remonti, Piero Mori, (2016), “The Stochastic Approach in Groundwater Modeling for the Optimization of Hydraulic Barriers”, Remediation Journal.

Pryet A., Atteia O., Delottier H., Cousquer Y., (2015), “Flexible Environmental Modeling with Python and Open-GIS”, In: EGU General Assembly Conference Abstracts, vol 17, p 9733.

Rojas, R., Feyen, L., Dassargues, A., (2008), “Conceptual model uncertainty in groundwater modeling: combining generalized likelihood uncertainty estimation and Bayesian model averaging”, Water Resour. Res. 44 (12), W12418.

Zheng C., Wang P., (1999), “MT3DMS, A modular three-dimensional multispecies transport model for simulation of advection, dispersion and chemical reactions of contaminants in groundwater systems”, (Release DoD_3.50. A), Documentation and User’s Guide.

Zhu K., Cui Z., Jiang B., Yang G., Chen Z., Meng Q., Yao Y., (2013), “A DEM-based residual kriging model for estimating groundwater levels within a large-scale domain: a study for the Fuyang River Basin”, Clean Techn Environ Policy 15:687–698.