با همکاری انجمن هیدرولیک ایران

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

عنوان مقاله [English]

Uncertainty Analysis of Solute Contaminant Transport Simulation in Groundwater

نویسندگان [English]

  • nahid sadat jafary 1
  • saeed alimohammady 2

1 SBU university tehran

2 SBU university tehran

چکیده [English]

Groundwater is one of the main sources for supplying needs, including drinking water and agriculture.With increasing human and climate pressures on groundwater resources, accurate forecasts of groundwater flow and quality for sustainable management are essential. Underground water quality modeling is a useful tool for identifying how to transfer pollutants in a the porous aquifer. These models include several parameters that are often estimated based on previous studies or expert judgment, Or in the best cases, based on Measurements in plaeses . In conclusion, the input data to the simulation models are not accurate and are accompanied by errors, so it is necessary to first define the effective and sensitive parameters relative to the outputs of the model.In this paper, a problem with the MODFLOW-2010 and MT3DMS programs was first simulated and the desired pollutant concentrations in wells were estimated according to the parameters given over a two-year period. Sensitivity analysis for time outs and Maximum concentration has been done during these two years. According to the statistical characteristics of the outputs, effective parameters are estimated on the maximum concentration and time. The results show that the effective parameters on the concentration of solute pollutants in the wells are 1 ) Reduction coefficient 2) Distribution coefficient 3) Longitudinal diffusion 4) Hydraulic conductivity 5) Transverse diffusion coefficient 6) Porosity Respectively.effective parameters on the time associated with the maximum concentration in the well operation are 1) Hydraulic conductivity 2) Distribution coefficient 3) Porosity 4) Transverse distribution coefficient 5) Reduction coefficient 6) Longitudinal diffusion.

کلیدواژه‌ها [English]

  • Groundwater
  • Solute Contaminants
  • Sensitivity Analysis
  • MOFLOW
  • MT3DMS
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.