River Flood Routing using The Multiple-reach Muskingum Model

Document Type : review paper

Authors

1 Gorgan University of Agricultural Sciences and Natural vXhgesources

2 Lamei Gorgani

3 Gorgan University of Agricultural Sciences and Natural Resources

Abstract

The hydrological flood routing methods have many applications due to their simplicity and accuracy. Amongst these methods, the Muskingum routing model is more commonly used for river flood routing. In this model, it is assumed that the coefficients and parameters are spatially and temporally constant for a specific river. In this study, it has been shown that to increase the accuracy of traditional or single-reach Muskingum model results, a river may be split to several reaches and for each reach, the Muskingum procedure can be implemented separately. In this case, the multiple-reach Muskingum parameters will be obtained. The optimum number of reaches for a river are different and is probably dependent on the geometrical and bed slope changes through the river and should be obtained by optimization. By implementing the multiple-reach Muskingum model for the Karoun river, between Karoun and Gotvand hydrometric stations, it was shown that in this river the three-reach Muskingum model has considerably more accuracy than the single-reach method which causes the sum of squared error to decrease from 1750000 to nearly 1000000 (m3/s)2.

Keywords


براتی، ر. و اکبری، غ. 1391. مقایسه مدل‏ های هیدرولوژی روندیابی سیل در رودخانه‏ ها. مجله پژوهش آب ایران، 6(11): 105 تا 114.
رجبی، د.، کرمی، ح.، حسینی، خ.، موسوی، س.ف. و هاشمی، س.ع.ا. 1394. تخمین پارامترهای بهینه مدل روندیابی ماسکینگام غیرخطی با استفاده از الگوریتم رقابت استعماری. نشریه علوم آب و خاک، 19(73): 321 تا 333.
ظهیری، ع، شریفان، ح. و تمدنی کناری، س. 1391. بهینه ‏سازی روش ماسکینگام در روندیابی سیل در رودخانه‌های سیلابی. پژوهش‏نامه مدیریت حوزه آبخیز، 3(6): 1 تا 14.
عروجی، ح.، بزرگ‏ حداد، ا. و فلاح مهدی‏ پور، ا. 1392. الگوریتم بهینه‏ سازی جهش قورباغه در تخمین ضرایب مدل روندیابی سیلاب. مجله پژوهش آب ایران، 7(13): 167 تا 174.
محمدی قلعه‏ نی، م.، بزرگ حداد، ا. و ابراهیمی، ک. 1389. بهینه‏ سازی فراسنج‏ های شبه‏ غیرخطی ماسکینگام با استفاده از الگوریتم بهینه ‏سازی نورد شبیه‏ سازی شده. نشریه آب و خاک، 24(5): 908 تا 919.
محمدی قلعه‏ نی، م.، و ابراهیمی، ک. 1391. ارزیابی الگوریتم ‏های جستجوی مستقیم و ژنتیک در بهینه‏ سازی پارامترهای مدل غیرخطی ماسکینگام- یک سیلاب از کارون. مدیریت آب و آبیاری، 2(2): 1 تا 12.
Barati R. 2013. Application of excel solver for parameter estimation of the nonlinear Muskingum models. KSCE Journal of Civil Engineering, 17(5): 1139-1148.
Bozorg-Haddad O., Hamedi F., Fallah-Mehdipour E., Orouji H. and Mariño M.A. 2015. Application of a hybrid optimization method in Muskingum parameter estimation. J. Irrigation and Drainage Engineering, 140: 15-26.
Chu H.J. 2009. The Muskingum flood routing model using a Neuro-Fuzzy approach. J. Civil Eng., KSCE, 13: 371-376.
Dooge J.C.I. 1973. Linear theory of hydrologic systems. USDA, Agric. Res. Serv., Tech, Bull., No. 1468.
Hosseini, S. M. 2009. Application of spreadsheets in developing flexible multiple-reach and multiple-branch methods of Muskingum flood routing. Computer Applications in Engineering Education, 17(4): 448–454.
Karahan H. 2012. Predicting muskingum flood routing parameters using spreadsheets. Computer Applications in Engineering Education, 20(2): 280–286.
Lasdon L., Fox R. and Ratner M. 1974. Nonlinear optimization using the generalized reduced gradient method. Oprations Research, 8(3): 73-103.
Mohan S. 1997. Parameter estimation of nonlinear Muskingum models using genetic algorithm. J. Hydrul. Eng., ASCE, 123(3): 137-142.
Perumal M. 1994. Hydrodynamic derivation of a variable parameter muskingum method: 2. Verification. Hydrological Sciences Journal, Oxford, U.K., 39)5): 431-441.
Singh V.P. 1988. Hydrologic systems. Vol. 1: Rainfall-runoff modeling. Prentice Hall, N.J.
Samani H.M.V. and Shamsipour G.A. 2004. Hydrologic flood routing in branched river systems via nonlinear optimization. J. Hydraul. Res., IAHR, 42:(1): 55-59.
Wilson, E.M. 1974. Engineering hydrology. Macmillan, London.
Yang C.C. and Chang L.C. 2001. Enhanced efficiency of the parameter estimation of Muskingum model using artificial neural network. J. Hydroscience and Hydraulic Engineering, 19(2): 47-55.
CAPTCHA Image