بهره‌برداری بهینه از مخزن سدها به منظور کاهش خسارت ناشی از سیلاب‌ (مطالعه موردی: سد کرخه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی منابع آب، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.

2 گروه مهندسی محیط زیست، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.

10.22059/jwim.2025.390592.1209

چکیده

با توجه به پتانسیل بالای وقوع سیل در ایران، مدیریت بهینه مخازن سدها برای کاهش خسارات ناشی از سیلاب اهمیت زیادی دارد. این مطالعه به‌منظور ارائه مدل بهینه‌سازی برای مدیریت بهره‌برداری از مخزن سدها در زمان سیلاب انجام شده است. در این تحقیق، سد کرخه و سیلاب ۱۳۹۸ به‌عنوان مطالعه موردی انتخاب شدند. الگوریتم بهینه‌سازی ازدحام ذرات برای کمینه‌سازی تفاضل بین دبی رهاسازی و دبی مجاز (آستانه خسارت پایین‌دست) استفاده شد. متغیرهای تصمیم، مقادیر رهاسازی روزانه از مخزن در طول دوره سیلابی بودند. نتایج نشان داد که با استفاده از مدل بهینه‌سازی، مقدار تابع هدف (تفاضل از دبی مجاز) به‌طور چشمگیری بهبود یافت. برای دبی‌های مجاز ۴۰۰، ۶۰۰ و ۸۰۰ مترمکعب بر ثانیه، بهبود تابع هدف به‌ترتیب ۱۱، ۱۷ و ۳۷ درصد بود. همچنین، حداکثر دبی رهاسازی از حدود ۲۵۰۰ مترمکعب بر ثانیه در بهره‌برداری واقعی، به حدود ۱۹۰۰ مترمکعب بر ثانیه کاهش یافت. تحلیل حساسیت نشان داد که افزایش حداکثر حجم مجاز ذخیره در مخزن می‌تواند به کاهش بیشتر خسارات کمک کند. این مطالعه نشان می‌دهد که با بهره‌برداری بهینه از مخازن سدها می‌توان خسارات ناشی از سیلاب را به‌طور قابل توجهی کاهش داد. همچنین، کاهش حجم ذخیره مخزن قبل از وقوع پیک بارش‌ها و رهاسازی تدریجی آب از جمله راهکارهای پیشنهادی است. نتایج این تحقیق می‌تواند به بهبود سیاست‌های بهره‌برداری از مخازن سدها کمک کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Optimal operation of the reservoir to reduce the flood damage (case study: Karkheh dam)

نویسندگان [English]

  • Amir Hatamkhani 1
  • Ali Moridi 2
1 Department of Water Resources Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran.
2 Department of Environmental Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran.
چکیده [English]

Given the high potential for flooding in many regions of Iran, optimal reservoir management for reducing flood-related damages is of significant importance. This study aims to provide an optimization model for managing reservoir operations during flood events. In this research, the Karun Dam and the 2019 flood were selected as the case study. A Particle Swarm Optimization (PSO) algorithm was used to minimize the difference between the release discharge and the permissible discharge (damage threshold downstream). The decision variables were the daily release values from the reservoir during the flood period. The results showed that using the optimization model significantly improved the objective function (the difference from permissible discharge). For permissible discharges of 400, 600, and 800 cubic meters per second, the improvement in the objective function was 11%, 17%, and 37%, respectively. Additionally, the maximum release discharge decreased from about 2,500 cubic meters per second in the actual operation to around 1,900 cubic meters per second in the optimized model. Sensitivity analysis indicated that increasing the maximum permissible storage volume in the reservoir could further reduce damages. This study demonstrates that optimal reservoir operation can significantly reduce flood-related damages. Furthermore, reducing reservoir storage before peak rainfall events and gradual water release are among the proposed strategies. The findings of this study can assist in improving reservoir operation policies.

کلیدواژه‌ها [English]

  • PSO
  • Optimal reservoir operation
  • Flood control
  • Optimization model

مراجع

  1. Afshar, A., Shafii, M., & Haddad, O. B. (2011). Optimizing multi-reservoir operation rules: an improved HBMO approach. Journal of Hydroinformatics, 13(1), 121-139.
  2. Afshar, M. H., Azizipour, M., Oghbaeea, B., & Kim, J. H. (2017). Exploring the efficiency of harmony search algorithm for hydropower operation of multi-reservoir systems: a hybrid cellular automat-harmony search approach. In Harmony Search Algorithm: Proceedings of the 3rd International Conference on Harmony Search Algorithm (ICHSA 2017) 3 (pp. 252-260). Springer Singapore.
  3. Afshar, M. H., rezai, A., & Moeini, R. (2012). Optimal Reservoir Operation using Deterministic Adaptive Refinement mechanism for Ant Algorithm. Ferdowsi Civil Engineering, 23(1), 65-84. (In Persian)
  4. Banibashar, M., Alami, M., & Abbasi, H. (2011). Optimum Exploitation of Multi- purpose Alavian Dam Reservoir Using Ant Colony Algorithm. Water and Soil Science, 20(4), 1-13. (In Persian)
  5. Bozorg Haddad, O., Afshar, A., & Mariño, M. A. (2008). Honey-bee mating optimization (HBMO) algorithm in deriving optimal operation rules for reservoirs. Journal of Hydroinformatics, 10(3), 257-264.
  6. Cai, X., McKinney, D. C., & Lasdon, L. S. (2001). Solving nonlinear water management models using a combined genetic algorithm and linear programming approach. Advances in Water Resources, 24(6), 667-676.
  7. Diaz, G.E., & Fontane, D.G. (1989). Hydropower optimization via sequential quadratic programming. Water Resources Planning and Management, 115(6), 715-733.
  8. Ding, W., Wei, G., & Zhou, H. (2023). Improving flood resilience through optimal reservoir operation. Journal of Hydrology, 620, 129494.
  9. Eberhart, R., & Kennedy, J. (1995, November). Particle swarm optimization. In Proceedings of the IEEE international conference on neural networks (Vol. 4, pp. 1942-1948).
  10. Hatamkhani, A., & Moridi, A. (2019). Multi-objective optimization of hydropower and agricultural development at river basin scale. Water Resources Management, 33, 4431-4450.
  11. Hatamkhani, A., Moridi, A., & Yazdi, J. (2020). A simulation–Optimization models for multi-reservoir hydropower systems design at watershed scale. Renewable Energy, 149, 253-263.
  12. Hatamkhani, A., Shourian, M., & Moridi, A. (2021). Optimal design and operation of a hydropower reservoir plant using a WEAP-Based simulation–optimization approach. Water Resources Management, 35(5), 1637-1652.
  13. JanatRostami, S., Kholghi, M., & Bozorg Haddad, O. (2010). Management of Reservoir Operation System Using Improved Harmony Search Algorithm. Water and Soil Science, 20(3), 61-71. (In Persian)
  14. Kennedy, J., & Eberhart, R. (1995, November). Particle swarm optimization. In Proceedings of ICNN'95-international conference on neural networks(Vol. 4, pp. 1942-1948). ieee.
  15. Oliveira, R., & Loucks, D.P. (1997). Operating rules for multireservoir systems. Water resources research, 33(4), 839-852.
  16. Ostadrahimi, L., Mariño, M.A., & Afshar, A. (2012). Multi-reservoir operation rules: multi-swarm PSO-based optimization approach. Water Resources Management, 26(2), 407-427.
  17. Bayat, B., Mousavi, S. J., & Namin, M. M. (2011). Optimization–simulation for short-term reservoir operation under flooding conditions. Journal of Water Supply: Research and Technology—AQUA, 60(7), 434-447.
  18. Ren, M., Zhang, Q., Yang, Y., Wang, G., Xu, W., & Zhao, L. (2022). Research and application of reservoir flood control optimal operation based on improved genetic algorithm. Water, 14(8), 1272.
  19. SaberChenari, K., Abghari, H., & Tabari, H. (2016). Application of PSO algorithm in short-term optimization of reservoir operation. Environmental monitoring and assessment, 188, 1-11.
  20. Shenava, N., & Shourian, M. (2018). Optimal reservoir operation with water supply enhancement and flood mitigation objectives using an optimization-simulation approach. Water resources management, 32(13), 4393-4407.
  21. Shi, Y. (2001). Particle swarm optimization: developments, applications and resources. Proceedings of the 2001 congress on evolutionary computation (IEEE Cat. No. 01TH8546). Vol. 1. IEEE.
  22. Song, Y., Shen, C., & Wang, Y. (2023). Multi-objective optimal reservoir operation considering algal bloom control in reservoirs. Journal of Environmental Management, 344, 118436.
مدیریت آب و آبیاری
دوره 15، شماره 2
شهریور 1404
صفحه 265-277

فایل ها

هم رسانی

ارجاع به این مقاله

آمار