تأثیر عوامل محیطی در شبیه سازی عددی کلیفرم در سیستم های رودخانه ای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد گروه سازه‌های آبی، دانشکده مهندسی علوم آب، دانشگاه شهید چمران، اهواز

2 استاد، دانشکده مهندسی علوم آب، دانشکده شهید چمران، اهواز

چکیده

مدل‌سازی دینامیکی کلیفرم گوارشی، مسئله‌ای بسیار مهم برای مدیران محیط زیست است، به‌‌طوری‌که عاری بودن جریان از این ارگانیسم، دلیلی بر پاک بودن آب از آلودگی‌های بیولوژیکی و مورد تأیید استانداردهای جهانی است. تخمین نرخ زوال کلیفرم گوارشی، بخش اصلی شبیه‏سازی باکتری‌های این کلیفرم است. در بسیاری از مدل‌های تجاری، کاربران برای شبیه‌سازی آلودگی فقط می‌توانند از ضریب ثابت نرخ زوال استفاده کنند، در حالی که مقدار ضریب زوال به‌ عوامل محیطی همچون شوری، کدورت، دما و pH وابسته است. در این تحقیق رودخانه کارون (بازه ملاثانی- فارسیات) به‌عنوان مطالعه موردی انتخاب شد و از مدل هیدرودینامیکی و کیفی فاستر برای پیدا کردن رابطه‌ای بین ضریب زوال و پارامترهای زیست‌محیطی استفاده شد. یک دوره سه ساله (87-85) برای واسنجی مدل و تعیین روابط و همچنین یک دوره یک ساله (89-88) برای صحت‌سنجی مدل در نظر گرفته شد. مقایسه نتایج اندازه‌گیری شده و پیش‌بینی شده کلیفرم گوارشی در مراحل واسنجی و صحت‏سنجی نشان داد که استفاده از ضریب زوال متغیر به‌عنوان تابعی از عوامل محیطی (کدورت و دما) می‌تواند میزان خطای مدل را در این مراحل به‌ترتیب 23 و 20 درصد در مقایسه با استفاده از ضریب زوال ثابت ((1/hr) 05/0) کاهش دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Effect of Environmental Factors on Numerical Simulation of Coliform in Riverine Basins

نویسندگان [English]

  • siavash mohammadi 1
  • seyed mahmood kashefipour 2
1 Water Engineering Faculty- Shahid Chamran University- Ahwaz
چکیده [English]

Dynamic modelling of fecal coliform is now very important to the environmental managers, since keeping the concentrations of those pathogens around the accepted and universal standard values is one of the essential principles for healthy biological environment. One of the main parts of modelling FC is an accurate estimation of mortality rate. In many commercial numerical models, the users are only able to define a constant value for this coefficient for the whole simulation time. But the mortality rate or decay coefficient is highly dependent on the environmental conditions, such as temperature, turbidity, pH, EC, and etc. In this research Karoon River (Mollasani-Farsiat reach) is selected as a case study and the hydrodynamic and water quality numerical FASTER model was used to find the best relationship between the decay coefficient and environmental parameters. A 3 year period (2006-2009) was used for model calibration and developing of those relationships, and a 1 year period (2009-2010) was used for model verification. Comparison of the measured and predicted FC values for the both calibration and verification periods showed that, using the dynamic variable decay coefficient as a function of environmental parameters (turbidity and temperature) was able to improve the model accuracy more than 23% and 20% in error estimation of FC concentration values in comparison with the corresponding results obtained for a constant decay coefficient (0.05 (1/hr)).

کلیدواژه‌ها [English]

  • Karoon river
  • Numerical modelling
  • Fecal coliform
  • Dynamic Mortality Coefficient
1.Karamouz, M., and Kerachian, R. (2003). Water quality planning and management, Amirkabir University Press, Tehran. (In Persian)

2.U.S. Environmental Protection Agency. (1986). Ambient waterquality criteria for bacteria, EPA-440-5-84-002, Office of Water Regulationsand Standards, Washington, DC.

3.Torabian, A., and Hashemi, S.H. (2002). Rates, constant and kinetics formulations in surface water quality modeling, 2nd Ed., Tehran University Press, Tehran. (In Persian)

4.Bitton, G. (1980). Introduction to environmental virology, John Wiley and sons, New York.

5.Sarikaya, H.Z., and Saatci, A.M. (1987). “Bacteria die-off in waste stabilizationponds.” J. of Environmental Engineering, 113 (2), 366-382.

6.Mayo, A. W., and  Gondwe, E. S. (1989). “Quality changes in ponds with different pond depths and hydraulic retention times.” Water Quality Bull, WHO Collaborating Ctr. on Surface and Ground Water Qualitv, 14(3), 155-159.

7.Curtis, T. P., Mara, D. D., and Silva, S. A. (1992). “The effect of sunlight on faecal coliforms in ponds: Implications for research and design.” Water Sci. and  Technol., 26(7-8), 1729-1738.

8.Mayo, A.W. (1995). “Modelling coliform mortality in waste stabilization ponds.” J. of Environmental Engineering, 121(2), 6221.

9.Barcina, J. M., Oteiza, M., and Sota, A. (2002). Modelling the faecal coliform concentration in the Bilbao enstuary, Kluwer Academic Pub., Netherlands.

10.Falconer, R.A., and Lin, B. (2003). “Hydro-environmental modelling of riverine basins using dynamic rate and partitioning coefficients.” International Journal of River Basin Management, 1(1), 81-89.

11.Kashefipour, S.M., Lin, B., and  Falconer, R.A. (2006). “Modelling the fate of faecal indicators in a coastal basin.” Water Research, 40 (7), 1413-1425.

12.Manache, G., Melching, C.S., and Lanyon, R. (2007). “Calibration of a continuous simulation fecal coliform model based on historical data analysis.” J. of Env. Eng., 133(7), 681-691.

13.Jagupilla, S.C., Vaccari, D.A, and Hires, R.A. (2010). “Multivariate polynomial time-series models and importance ratios to qualify fecal coliform sources.” J. of Environmental Engineering, 136(7), 657-665.

14.Davies-Colley, R.J., Donnison, A.M., Speed, D.J., and Ross, C.M. (1999). “Nagels JW. Inactivation of fecal indicator microorganisms in waste stabilisation ponds: Interactions of environmental factors with sunlight.” J. of Water Research, 33(5), 1220-1230..

15.Kashefipour, S.M. (2001). “Modelling flow, water quality and sediment transport processes in riverine basins.” Ph.D Thesis, Cardiff University, Cardiff, UK.

16.Cunge, J.A., Holly, F.M., and Verwey, A. (1980). Practical aspects of computational river hydraulics, Pitman Publishing Limited, London.

17.Hoffman Joe, D. (2001). Numerical methods for engineers and scientists, 2nd Ed., Marcel Dekker, New York.

18.Kashefipour, S.M., and  Falconer, R.A. (2002). “Longitudinal dispersion coefficient in natural channels.” J. of Water Research, 36(6), 1596-1608.

19.Mohammadi, S., and Kashefipour, S.M. (2012). Numerical modeling of flow using an improved dynamic roughness coefficient (Case study: Karun River), Iranian Soc. of Irrig. and Wat. Eng., Kerman. (In Persian)

20. Mohammadi, S., and Kashefipour, S.M. (2012). “Modeling water elevation in natural rivers using variable manning coeficient.” J. Ecology, Environment and Conservation, 18(3), 505-510.

21.Fathi-Moghadam, M., Kashefipour, S. M., Ebrahimi, N., and Emamgholizadeh, N. (2011). “Physical and numerical modeling of submerged vegetation roughness in rivers and flood plains.” J. Hydraul. Eng., 16(11), 858-864.