Evaluation of Discharge Coefficient in Sharp Crested Side Weirs with Rectangular and Triangular Cross Sections

Document Type : Research Paper

Authors

Abstract

Side weirs are flow diversion and protection devices that are widely used in irrigation, land drainage and urban sewage systems. This study investigates the discharge coefficient of rectangular and triangular sharp crested side weirs and identifies the effective factors on this parameter by using dimensional analysis and statistical approaches. In addition to calculating the discharge coefficient, equations with 5 percent error for rectangular and 3 percent error for triangular shape have been proposed. For checking the effect of factors on this parameter sensitivity analysis is performed. The results demonstrate that the most important effective factors on discharge coefficient of the rectangular and triangular weirs are Froude number and dimensionless ratio of the main channel wide to the depth of flow in the upstream of the weir, respectively. Error of discharge coefficient (Cd) can be increased up to 7 percent for rectangular weir and 4 percent for triangular side weir with ignoring these factors. Also accurate estimation of discharge coefficient, merely with considering the upstream hydraulic condition, is not correct. The geometry of the cross section should be considered as an effective factor for determination of discharge coefficient, and this approach, decreases error of the calculation up to 3 percent.

Keywords


منابع مورد استفاده
بانژاد ح، کمالی م، امیر مرادی ک و علیائی ا، 1392. تخمین برخی پارامترهای کیفی رودخانه‌ها با استفاده از مدل هیبرید شبکه‌های عصبی-موجکی (منطقه مطالعاتی: رودخانه جاجرود تهران و قره سو کرمانشاه). مجله سلامت و محیط، جلد 6، شماره 3، صفحه‌های 277 تا 294.
بذرافشان ا، سلاجقه ع، مهدوی م، بذر افشان ج و فاتحی مرج ا، 1393. بررسی کارآیی مدل‌های هیبرید شبکه عصبی مصنوعی-استوکاستیک در پیش‌بینی خشک‌سالی‌های هیدرولوژیکی با استفاده از آماره کاپا (مطالعه موردی: حوزه آبخیز رودخانه گاماسیاب). علوم ومهندسی آبخیزداری ایران، جلد 8، شماره 27، صفحه‌های 35 تا 48.
ستاری م‌ت، عباسقلی نائب‌زاد م و میر عباسی نجف آبادی ر، 1393. پیش‌بینی کیفیت آب‌های سطحی با استفاده از روش درخت تصمیم. مهندسی آبیاری و آب، جلد 4، شماره 15، صفحه‌های 76 تا 88.
شهرابی ج و ذوالقدر شجاعی ع، 1390. داده‌کاوی پیشرفته، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر.
میرزاوند م، قاسمیه ه، ساداتی‌نژاد س‌ج و اکبری م، 1394. مقایسه مدل‌های شبکه عصبی مصنوعی و رگرسیون چندمتغیره در تخمین تغییرات کیفی آب‌ زیرزمینی (مطالعه موردی: آبخوان کاشان). دانش آب و خاک، جلد 25، شماره 2، صفحه‌های 207 تا 220.
Anonymous, 1954. Diagnosis and Improvement of Saline and Alkali Soils: U.S. Dept. Agric. Handbook No.60, 160 p.
Chebud Y, Naja GM, Rivero RG and Mellese AM, 2012. Water quality monitoring using remote sensing and artificial neural network. Water, Air and Soil Pollution 223: 4875-4887.
Dogan E, Sengorur B and Koklu R, 2009. Modeling biological oxygen demand of the Melen river in Turkey using an artificial neural network technique. Journal of Environmental Management 90: 1229-1235.
Kumar MN, Murthy CS, Sesha Sai MVR and Roy PS, 2009. On The use of standardized precipitation index (SPI) for drought intensity assessment. Meteorological Applications 16: 381- 389.
Modaresi F, Araghinejad S, 2014. A comparative assessment of support vector machines, probabilistic neural networks and K-nearest neighbors algorithms for water quality classification. Water Resources management 28: 4095-4111.
Saghebian SM, Sattari MT, Mirabbasi R and Pal M, 2014. Ground water quality classification by decision tree method in Ardebil region, Iran. Arabian Journal of Geosciences 7(11): 4767-4777.
Sahu M, Mahapatra SS, Sahu HB and Patel RK, 2011. Prediction of water quality index using neuro fuzzy inference system. Water Quality, Exposure and Health 3: 175-191.
Sattari MT, Rezazazadeh Joudi A and Kusiak A, 2015. Estimation of water quality parameters with data-driven models. American Water Works Association 108(4): 232-239.
Sengorur B, Koklu R and Ates A, 2015. Water quality assessment using artificial intelligence techniques: SOM and ANN- A case study of Melen River. Water Quality, Exposure and Health 7(4): 469-490.
Vapnik VN, 1995. The Nature of Statistical Learning Theory. Springer-Verlag, New York.
Yang Su M, 2011. Real-Time anomaly detection systems for denial-of-service attacks by weighted K-nearest neighbor classifiers. Expert Systems with Applications 38: 3492–3498.