Application of a new hybrid non-linear Muskingum model to flood routing

Abstract

This paper introduces a hybrid non-linear Muskingum model for flood routing. The proposed hybrid model has more degrees of freedom for fitting observed data than other non-linear Muskingum models. The main goal of this work is to develop a comprehensive model for outflow routing. The proposed hybrid model's predictive skill is evaluated with experimental, real and multimodal hydrograph-routing problems. The results confirm the predictive skill of the hybrid model based on the minimisation of the sum of the square deviation (SSD) between observed and routed outflows, the sum of the absolute value of the deviations (SAD) between the observed outflow and the computed outflow, and the deviations between the peak of the routed and actual outflows (DPO). Results from this study show the hybrid model improved the SSD by 79, 15 and 5%, SAD by 50, 2 and 5%, and the DPO by 77, 4 and 34% compared with the best alternative Muskingum model in solving the experimental, real and multimodal example problems, respectively.

Estimación Del Tránsito De Avenidas Empleando El Método De Muskingum en La Estación El Tambo De La Cuenca Chicama, Perú

“…Las diversas investigaciones sobre el tránsito de avenidas indican que por medio de este proceso se puede saber los procesos hidrológicos que ocurren en una cuenca y se pueda prevenir futuras inundaciones (Abbes & Meddi, 2016;Zang et al, 2020), también permite determinar un hidrograma de salida empleando por ejemplo el método de Muskingum (Bhuyan et al, 2015), pues a pesar de que el método tenga más de 75 años sigue siendo un tema de interés para la investigación en la hidrología (Gąsiorowski & Szymkiewicz, 2018), así mismo permite estudiar el movimiento de las olas de crecidas y propagación en ríos (Yadav et al, 2015;Reggiani et al, 2016;Yang et al, 2019) inclusive hasta la incorporación de más parámetros al ya establecido por el propio método (Moghaddam et al, 2016) que comúnmente se calibra en base a modelos no lineales (Haddad et al, 2015;Kang et al, 2017) y con la inclusión de más ecuaciones de almacenamiento optimizadas a partir del método de Muskingum original (Bozorg et al, 2019). De igual forma a este modelo se pueden agregar aportes del flujo lateral (Karahan et al, 2015;Ayvaz & Guraslan, 2017), con mayor cantidad de parámetros como los de tipo exponencial (Zhang, Kang et al, 2017;Niazkar & Afzali, 2017;Gąsiorowski & Szymkiewicz, 2020) y con aplicación de algoritmos (Khalifeh et al, 2020) que optimizan mejor el tránsito contínuo mejorando el modelo original (Vatankhah, 2017) y con otras variantes basadas en criterios hidrodinámicos (Perumal et al, 2017), a pesar de ello la estimación de los parámetros del tránsito de avenidas es todo un reto sobre todo durante la secuencia de diferentes períodos de inundaciones (Afzali, 2016), en el proceso de calibración con datos hidrométricos de campo (Niazkar & Afzali, 2016;Barbetta et al, 2017;Bozorg et al, 2020), con cuantificadores de datos a nivel de cuenca (Farahani et al, 2019) como el tiempo de concentración y el volumen de almacenamiento (Yoo et al, 2017), sin embargo los modelos actuales tienden a la aplicación de ecuaciones unidimensionales y métodos numéricos que describen con mejores estimaciones el movimiento del tránsito del flujo como las aplicaciones de…”

Multi-Criteria Decision Analyses for the Selection of Hydrological Flood Routing Models

“…Similar findings can also be drawn for other datasets used in this study. For the Viessman and Lewis flood dataset (DS5), the reported SSE values were 71,708 in [45], 65,324 in [44], 28,855 in [50], and 8449 in [49]. However, the implemented routing model with the WCOA in this study provided notably smaller SSE values using the examined models except for M4, as shown in Table A1.…”

“…The Wilson river flood dataset (DS1) has been studied by several researchers. The reported SSE values (in (m 3 /s) 2 ) for this dataset were obtained as 39.8 by [44], 17.55 by [45], 9.82 by [11], 7.67 by [2], 5.124 by [46], 4.11 by [47], 4.04 by [25], 1.92 by [31], 1.092 by [48], 0.799 by [49], and 0.65 by [50]. In this study, the SSE value for DS1 with the WCOA was found to be 7.66.…”

A new method for dividing flood period in the variable-parameter Muskingum models

“…In addition, the value of SSQ obtained from the proposed RS method is 0.6148. The lowest SSQ value ever obtained is 0.65 using Excel Solver by Bozorg-Haddad et al (2020). As it turns out, the RS method has reduced the SSQ value by 5%.…”