انجام تحقيقاتي جامع پيرامون کيفيت آب رودخانه ها با استفاده از ابزارهاي مديريتي همچون مدل هاي رياضي و کامپيوتري به منظور آگاهي از روند تغييرها و پيش بيني کيفيت آب آنها با توجه به برنامه هاي آينده توسعه شهري، کشاورزي، وصنعتي امري ضروري بنظر مي رسد. در خصوص آلودگي رودخانه ها مدلهاي فراواني وجود دارد که کاربرد و محدوديت هر کدام با توجه به اهداف پيش بيني شده در مدل مشخص مي شود. آنچه که بسیار اهمیت دارد و در بین مدل های پيرامون کيفيت آب مشترک است، گامهای شبیه سازی کیفیت آب بدنههای آبی می باشد. برای یافتن این پرسش تا آخر با ما همراه باشید.
گام اول (شناسایی مسئله)
در این گام مدلساز باید دقیقاً خواستهی مشتری، محدودیتها، گزینههای کنترلی و اطلاعات موجود (فیزیکی، شیمیائی و بیولوژیکی بدنهی آبی) را شناسایی نماید. درنهایت با وجود این اطلاعات، ایدهی اولیهی خود را برای حل مسئله، گام زمانی و مکانی موردنیاز و کنتیک واکنشها مشخص نمای.
گام دوم (انتخاب یا ساخت مدل)
معمولاً یک بستهی نرمافزاری برای مدلسازی انتخاب میگردد. در مواردی برای شرایط خاص مسئله ممکن است بسته نرمافزاری خاصی موجود نباشد. به این معنی که گام زمانی و مکانی موردنیاز حل مسئله و یا فرآیند خاص حاکم بر مسئله به گونهای باشد که نرمافزاری قابلیت شبیهسازی این موارد را نداشته باشد. در این صورت با شناخت مناسب از مسئله و دانش شبیه سازی کیفیت آب ، ساخت یک مدل عددی برای حل مسئله آغاز میشود.
مدلهاي کیفی منابع آب سطحي مدتهاست كه دستخوش توسعه و تغييرات بوده است. از زمان Streeter و Phelps كه اولين مدل كيفي منابع آب را به نام S-P model ساختند تا كنترل آلودگي رودخانهاي در ايالت اوهايو آمريكا را مورد بررسي قرار دهند، مدلهاي كيفي منابع آب سطحي پيشرفتهاي بسياري را به خود ديدهاند. بهطورکلی مدلهاي كيفي منابع آب سطحي سه دوره مهم را از سال 1925 تاكنون پشت سر گذاشتهاند.
- پيدايش مدلهاي كيفي منابع آب سطحي (1925 تا 1965)
- توسعه مدلهاي كيفي منابع آب سطحي (1965 تا 1995)
- تعميق مدلهاي كيفي منابع آب سطحي (1995به بعد)
بعضي از مدلهاي شبیه سازی کیفیت آب بر روي زمينهي خاصي از مسئله (متغير خاصي از کيفيت آب) تمرکز دارند ، مانند اکسيژن محلول يا مقدار مواد آلي. مدلهاي ديگر که عمومیت بیشتری دارند قادر به شبيهسازي چندين متغير کيفي آب هستند. همچنين بعضي از مدلها براي پهنهي خاصي از منابع آبي مانند رودخانهها، درياچهها و خورها طراحي شدهاند و مدلهاي عموميتر براي منابع آبي مختلف، قابلاجرا و اعمال هستند. هر مدل کيفيت آبي نيازمند دستهاي از اطلاعات و خصوصيات مسئله ميباشند. از اين رو بهرهوري درست و صحيح از اين مدلها در مرحلهي اول مستلزم مطالعه عميق و بررسي است، و در مرحلهي بعدي نيازمند آگاهي از نقاط قوت، ضعف و همچنين محدوديتهاي مدل موردنظر ميباشد. انتخاب مدل مناسب بستگی به هدف مطالعات و پروژه مورد نظر دارد. بهترین معیار جهت انتخاب مدل، انتخاب سادهترین مدل است که در مسئله مورد نظر کاربرد قابل ملاحظهای داشته باشد.
گام سوم (اجرای اولیه مدل)
ممکن است که دادههای موردنیاز مدل هنوز کامل نباشد، اما اجرای اولیهی مدل صورت میگیرد و نتایج اولیه به مدلساز نشان میدهد که کمبود دادهها و یا نقص در فرآیندهای حاکم در مسئله چگونه است. همچنین این مرحله میتواند به شناخت پارامترهای مهم (اثرگذارتر) در شبیهسازی کمک کند. زمانی که طرح با محدودیتهای مالی همراه است، شناخت پارامترهای مهم در مدلسازی امری ضروری است. یکی از راههای شناسایی پارامترهای مهم آنالیز حساسیت است. تحلیل حساسیت بهمنظور شناسایی پارامترهایی است که بیشترین تأثیر را روی خروجیهای مدل ساخته شده دارند. مرور منابع موردبررسی نشان میدهد که در اغلب مدلسازیهای کیفی رودخانه، تحلیل حساسیت مدل اکسیژن محلول بهعنوان متغیر کیفی شاخص بررسی شده است.
گام چهارم (کالیبراسیون مدل)
این مرحله شامل تغییر پارامترهای مدل برای رسیدن به یک مقبولیت بهینه بین خروجیهای مدل و دادههای اندازهگیری شده میباشد. جمعآوری دادههای کالیبراسیون مدل باید برای شرایط مسئله انجام شود. برای مثال، اگر هدف آنالیز تخلیهی پساب در رودخانه است، بحرانیترین حالت کیفی در زمان دبی حداقل رودخانه اتفاق میافتد. بنابراین دادههای مورد استفاده برای کالیبراسیون باید در تابستان که حداقل جریان در رودخانه برقرار است، جمعآوری شود. کالیبراسیون با چنین دادههایی مفید خواهد بود، اما اگر از دادههای جمعآوری شده در بهار (در زمان وقوع سیلابها) استفاده کنیم، از این مدل کالیبره شده برای هدف قبلی نمیتوان استفاده کرد و نتایج آن قابل اعتماد نمیباشد.
نگرش مهندسی و دانش کیفیت آب مدلساز در مرحلهی کالیبراسیون بسیار مهم است. شبیهساز باید از محدودهی تغییرات ضرایب کالیبراسیون اطلاع داشته باشد و علل احتمالی تغییرات نامعقول آنها را بیاید، برخی از ضرایب را با توجه به شرایط مسئله و واقعیت، ثابت فرض نماید و با تغییر در سایر ضرایب در محدودهی درست، کالیبراسیون مدل را انجام دهد. لازم به ذکر است که تطابق بین دادههای اندازهگیری شده و نتایج مدل در مرحلهی کالیبراسیون، دلیل کافی برای تأیید کالیبراسیون صحیح مدل نمیباشد. علاوه بر تطابق بین دادههای اندازهگیری شده و شبیهسازیهای مدل، باید ضرایب کالیبراسیون در محدودهی درست قرار داشته باشند و همچنین مدل کالیبره شده در مرحلهی صحتسنجی به درستی پاسخ دهد.
گام پنجم (صحت سنجی مدل)
مدل کالیبره شده، تنها برای یک سری داده پاسخ مناسبی داشته است. برای استفادهی مطمئن از مدل در پیشبینیهای آینده، نیاز به صحتسنجی مدل کالیبره شده میباشد. در این گام، مدل کالیبره شده برای یک سری دادهی جدید(یا ایده آل، برای چند سری دادهی جدید) اجرا میشود. در این مرحله، تابع تحریک و پارامترهای فیزیکی تغییر میکنند. در مقابل، ضرایب کالیبره شده، بدون تغییر و برابر با همان مقداری که از کالیبراسیون اصلی به دست آمدهاند، در نظر گرفته میشوند. اگر در این مرحله، تطابق خوبی بین دادههای مشاهداتی و شبیهسازی شده وجود داشته باشد، مدل برای استفاده در هدف مورد نظر مناسب است.
گام ششم (استفاده از مدل، بررسی مشکل و راهکارها)
مدل پس از کالیبره و صحتسنجی، برای مسئلهای خاص مورد استفاده قرار میگیرد. مطالعات مدلسازی که تاکنون صورت گرفته، منجر به ارائهی راهکارهای مفید برای حل مشکلات کیفی شده است. برای مثال، ممکن است، یک تصفیهخانهی فاضلاب ساخته شود و یا توانایی تصفیهی آن ارتقاء یابد، یا اینکه بهبود زیستمحیطی مانند، هوادهی، لایروبی یا رهاسازی جریان بهکاربرده شود. تأثیرگذاری هر یک از این راهکارها یا سایر راهکارهای دیگری که برای حل مشکل کیفی وجود دارد را میتوان با اجرای مدل ارزیابی و درنهایت با مقایسهی کارایی هریک از راهکارها، هزینهی هرکدام، مزایا و معایب، محدودیتها و سایر عوامل دیگر، بررسی و سپس راهکار بهینه را برای حل مشکل انتخاب نمود.
گام هفتم (پایش پس از اجرای طرح)
پس از اجرای راهکار بهینه برای حل مشکل، بررسی پاسخ واقعی سیستم به این راهکار میتواند اعتبار پیشبینی که بهواسطهی مدلسازی انجام شده بود را نشان دهد. در موارد بسیار کمّی، پایش کیفی تطابق بین نتیجهی واقعی و نتیجهی پیشبینی شده را نشان میدهد و در بسیاری از موارد تفاوتهایی وجود دارد. گرچه این تفاوتها میتواند مدل اصلی را تخریب کند، اما این اختلافات بسیار مفید است و اغلب سرنخهایی را از مکانیزمها و دادههای گم شده به ما میدهد و در نهایت میتوان، با استفاده از آنها یک مدل توسعهیافته با کارایی بهتر برای آینده ساخت.