شناسایی منابع آلاینده چندگانه در رودخانه در دامنه یک‌بعدی تحت شرایط واقعی

بحث شناسایی و بازیابی تابع شدت منابع آلاینده ناشناخته، یکی از مهم‌ترین مسائل و چالش‌های زیست‌محیطی در رودخانه‌ها است. از این‌رو لزوم بهره‌گیری از روش‌های مطمئن و دقیق جهت بازیابی اطلاعات مربوط به شدت زمانی و زمان رهاسازی آلودگی از منابع آلاینده در رودخانه اجتناب‌ناپذیر است. در هرکدام از روش‌های حل معکوس معادله جابه‌جایی پراکندگی در رودخانه، محدودیت‌ها و نقاط ضعفی وجود دارد، بنابراین روشی موردنیاز است که علاوه بر دقت و کاهش محدودیت‌ها، پیچیدگی‌های شرایط واقعی رودخانه را نیز از لحاظ شرایط جریان و منابع آلاینده مورد بررسی قرار دهد. بر همین اساس یک مدل عددی مبتنی بر رویکرد ریاضی ماتریس معکوس برپایه روش تنظیم تیخونف و نتایج حاصل از اصل برهم‌نهی ارائه‌ شده است. این مدل به بازیابی توابع شدت زمانی منابع چندگانه آلاینده در حالت‌ پیچیده پرداخته و با استفاده از داده‌های واقعی رودخانه کارون در فاصله ایستگاه ملاثانی تا ایستگاه فارسیات در حالت یک بعدی و شرایط جریان غیرماندگار صحت سنجی شده است. در پایان علاوه بر ارائه چارچوب، نتایج محاسبات نشان می‌دهد که مدل معکوس مذکور به خوبی قادر است با کم ترین اطلاعات مشاهدات پایین‌دست و تنها با یک مرتبه اجرا تمامی توابع شدت منابع آلاینده در هر نقطه از رودخانه را بازسازی کند.

Identification of Multiple Pollutant Sources in Rivers in One-Dimensional Domain under Real Conditions

It is almost three decades that finding the release time and location of pollutant sources in rivers has attracted the researchers’ and pundits’ attention. In most of the current studies related to finding the release time and the location of pollutant sources, each of the researchers has considered their own specific circumstances in kind of hypotheses and problem solution methods. In a more general study, in previous studies researchers have used three approaches for solving the inverse problem of the pollutant transport equation. The first approach (simulationoptimization methods) includes characteristics such as combining an optimization algorithm with other numerical methods of solving transport and hydrodynamic equations. The need to use computers with strong processors for solving inverse problem is a type of computational costs that can be counted as a weakness for this method (Mazaheri et al., 2015). The second approach (probabilistic and geostatistical methods) focuses on using probabilistic and geostatistical distribution. Furthermore, using this method would assist to decrease computational volume for finding inverse problem answers, and finally would reduce number of simulations. So, that is an advantage for this method.