Egy dimenziós hidrodinamikai modell fejlesztése a Tisza hazai szakaszára
Absztrakt
mbe saját fejlesztésű 1 dimenziós hidrodinamikai modelljét a Duna hazai szakaszára és a 2023 év elejére elkészült a Tisza modellje is. A cél az évtizedek óta használatban lévő kaszkádmodell (DLCM) támogatása egy hidrodinamikai alapú megközelítéssel, ami pon-tosabb előrejelzés alapja lehet. Az elkészült modell tartalmazza a Tiszát Tiszabecstől Törökbecséig (Novi Bečej), valamint a mellék-vízfolyásainak hazai szakaszát, és folyamatban van a külföldi folyószakaszokra történő adatgyűjtés és kiépítés. A Tisza vízgyűjtő hidrológiája komplex, emiatt különböző szakaszain egyidejű tetőzések alakulnak ki. Ennek oka többek között, hogy mellékvízfolyá-sainak vízjátéka igen nagy és akár egy időben is számottevő vízhozamot hozhatnak részvízgyűjtőikről. A vízrendszer természetes lefolyási viszonyai a vízlépcsők hatására megváltoztak, így mind a mellékág torkolatok környéki, mind pedig a vízlépcsők feletti duzzasztott szakaszok figyelembe vétele szükséges az árhullámok megfelelő transzformációjához. Ez magával hozza a vízszintszabá-lyozó műtárgyak helyes leképezését olyan hidraulikai egyenletek formájában, amelyek behelyettesíthetők a Saint Venant egyenletek-ből álló egyenletrendszerbe. A tanulmányban bemutatjuk a modell felépítését, a modellépítés során felmerült nehézségeket, az elért eredményeket, azok összehasonlítását a Tisza-völgyi Árvízvédelmi Elemző Központ HEC-RAS modelljének eredményeivel, valamint az OVSZ által kiadott előrejelzésekkel és szimulációs eredményekkel. Részletezzük azokat a kihívásokat, melyekkel egy ilyen modell operatív használata során szembesül az előrejelző.
Hivatkozások
Abbott, M.B. (1979). Computational Hydraulics. Pittman Publishing Limited, Boston. London, Melbourne.
Abbott, M.B., Basco, D.R. (1989). Computational Fluid Dynamics. Longman Scientific & Technical, Harlow.
Bathe, K.J., Wilson, E.L. (1976). Numerical Methods in Finite Element Analysis. Prentice Hall, Upper Saddle River.
Cammalleri C., Naumann G., Mentaschi L., Formetta, G.(a), Forzieri, G., Gosling, S.(b), Bisselink, B., De Roo, A., Feyen, L. (2020). Global warming and drought impacts in the EU, EUR 29956 EN, Publications Office of the European Union, Luxembourg, 2020, ISBN 978-92-76-12947-9. https://data.europa.eu/doi/10.2760/597045
Chang, F.J., Chang, L.C., Chen, J.F. (2023). Artificial Intelligence Techniques in Hydrology and Water Resources Management. Water 2023, 15, 1846. https://doi.org/10.3390/w15101846
Cunge, J.A., Holly, F.M., Verwey, A. (1980). Practical Aspects of Computational River Hydraulics. London: Pitman.
Di Nunno, F., de Marinis, G., Granata, F. (2023). Short-term forecasts of streamflow in the UK based on a novel hybrid artificial intelligence algorithm. Sci Rep 13, 7036 (2023). https://doi.org/10.1038/s41598-023-34316-3
Fread, D.L., Lewis, J.M. (1998). NWS FLDWAV MODEL. NOAA, Hydrologic Research Laboratory, Office of Hydrology.
Kalinin, G.P., Milyukov, P.I. (1957). Raschete neustanovivshego- sya dvizheniya vody v otkrytykh ruslakh. On the computation of un- steady flow in open channels. Met. i Gydrologia Zhurnal, 10, pp.10-18. Leningrad.
Lhotka, O., Trnka, M., Kysely, J., Markonis, Y., Balek, J., Mozny, M. (2020). Atmospheric Circulation as a Factor Contributing to Increasing Drought Severity in Central Europe. JGR Atmospheres, 18. 125. https://doi.org/10.1029/2019JD032269
Liptay Z.Á., Gauzer, B. (2021). Operational river ice and water temperature forecasting on the Hungarian Danube reach, In: Science and practice for an uncertain future. https://doi.org/10.3311/FloodRisk2020.17.11
Liptay Z.Á. (2022). Neurohydrological prediction of water temperature and runoff time series. Acta Hydrologica Slovaca. 23. pp. 190-196. https://doi.org/10.31577/ahs-2022-0023.02.0021
Nash, J.E. (1960). A unit hydrograph study, with particular reference to british catchments. Hydraulics Research Station, Department of Scientific and Industrial Research, p. 6433. https://doi.org/10.1680/iicep.1960.11649
Nearing, G., Cohen, D., Dube, V., Gauch, M., Gilon, O., Harrigan, S., Hassidim, A., Kratzert, F., Metzger, A., Nevo, S., Pappenberger, F., Prudhomme, C., Shalev, G., Shenzis, S., Tekalign, T., Weitzner, D., Matias, Y. (2023). AI Increases Global Access to Reliable Flood Forecasts. Environmental Science, Computer Science, Engineering, arXiv.org 30 July 2023. https://doi.org/10.48550/arXiv.2307.16104
Preissmann, A. (1961). Propagation des intumescences dans les canaux et rivières. First Congress of the French Association for Computation, Grenoble, pp. 433-442.
Stagge, J.H., Kingston, D.G., Tallaksen, L.M., Hannah, D.M. (2017). Observed drought indices show increasing divergence across Europe. Sci Rep 7, 14045. https://doi.org/10.1038/s41598-017-14283-2
Szilagyi J., Laurinyecz P. (2014). Accounting for Backwater Effects in Flow Routing by the Discrete Linear Cascade Model. Journal of Hydrologic Engineering. 19. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000771
Szilágyi J., Szöllősi-Nagy A. (2008). Streamflow forecasting using a physically based state-space approach to flow routing. Budapest, Budapest University of Technology and Economics.
Szöllősi-Nagy A. (1982). The discretization of the continuous linear cascade by means of state-space analysis. J. Hydrol., 58. pp. 223-236. https://doi.org/10.1016/0022-1694(82)90036-1
Copyright (c) 2024 Liptay Zoltán Árpád
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.