基于辽河中下游来水来沙特点的分析研究

辽河是中国七大江河之一,同时辽河也是一条多沙河流。据统计,1954—2010年系列辽河下游六间房站多年平均含沙量达3.32 kg/m3,辽河中下游的泥沙淤积是一个亟待解决的问题。为对辽河中下游水沙特点更好的研究,摸清辽河中下游泥沙冲淤演变规律,特对辽河中下游各主要支流选取一个水文站作为控制,得出了辽河来水来沙特点是东部水量大,且西辽河是辽河干流泥沙最主要的来源。     

加压液化输沙技术与“浑水水力分离清水装置”结合的实验研究

本文通过物理模型实验的研究方法,通过不同含沙浓度的浑水,以不同进流流量的工况下,所得的清水溢流流量的汇总,拟合得出一定含沙浓度浑水不同进流流量时,清水溢流出口的计算公式。为工程使用中,初步确定装置的尺寸与工作工况提供参考。     

一座黄河边沉沙池水力计算

应用一度流超饱和输沙法对一座以黄河水为水源的提水工程首部的沉沙池进行沉降淤积计算,对沉沙池沉降效率、出池和淤积泥沙粒径的计算结果进行分析,验证了此座沉沙池设计的合理性,并为类似沉沙池的设计计算提供参考。     

堰塞坝局部溃决输沙率试验研究

本文设计9组堰塞坝溃决的水槽试验,用摄影记录坝体变形的过程,通过录影数据分析,将坝体变形过程数值化,研究坝体级配、坝体内坡和初始溃口宽度对最大输沙率的影响.根据观察到的现象,可以总结以下规律:内坡坡度越大,最大输沙率越大,峰现时刻越早出现;拣选系数越大,最大输沙率先增大,随着粗沙继续增加,反而减小;初始溃口宽度越小,最大输沙率越大,峰现时刻越晚出现.     

维持黄河下游主槽不萎缩的塑槽需水量

以滑动平均水量和滑动平均沙量为参数,建立了黄河下游汛期塑槽需水量的计算公式,包括上限需水量和下限需水量,构成塑槽需水量的变化区间。以平滩流量4000m3／s为例,在三黑小汛期来沙量8亿t时,汛期需水量区间为166～202亿m3。资料分析和公式计算均表明,汛期塑槽需水量与汛期来沙量及平滩流量均成正比关系,反映了来沙量对塑槽需水量的影响。考虑到平滩流量是连续4年汛期水沙条件累积作用的结果,对于给定平滩流量,不能只看当年汛期来水来沙量的大小,关键要看包括当年在内的前期连续4年滑动平均汛期水量的大小,允许个别年份的来水量小于平均值。     

小浪底水库射流冲吸式清淤设备研究

针对小浪底水库泥沙淤积情况,提出了利用射流泵冲吸库底泥沙、经排沙洞排到下游的清淤方案,并设计了移动模拟试验装置.结果表明:每套射流清淤系统的泥沙吸入量为5 t/s,最大作业水深为80 m,其单位能耗为0.156 kW·h/t.     

蚂蚁河莲花（二）站单样位置分析

根据莲花（二）站测站特性、水流情况、沙量变化的特点,以2010年实测输沙率资料,对单样含沙量位置代表性进行了分析。在分析结果评定中比例系数接近1.00。说明分析结果适合本站的单沙测验位置要求。     

沙河立新站水沙关系探讨

由于沙河实测泥沙监测资料比较匮乏,作为沙河上唯一的控制站,立新水文站近两年新增了泥沙测验任务。利用施测含沙量资料尝试建立实测流量～输沙率经验公式,对沙河泥沙测验和水沙关系进行分析。本文对研究河段冲淤情况进行了一些初步分析,并论述了河道水流挟沙力的推求方法。     

韩墩引黄灌区泥沙研究与治理措施综述

韩墩引黄灌区是兴建于1958年的大型灌区,位于黄河下游左岸,距黄河入海口约120km处。灌区从始灌起,就受到泥沙淤积问题的困扰。先是停水期间引黄闸前滩内引渠的严重淤积问题;二是总干渠全程较严重的淤积问题。为了治理泥沙带来的危害,韩墩灌区不断对泥沙问题进行研究探索,在认识的基础上采取了在渠首设置拦沙闸、对总干渠实行远距离输沙技术改造等有效工程措施,并辅助一定的管理措施,收到了良好的治理效果。因为泥沙问题的复杂性,对今后可能遇到的泥沙方面的新情况进行了预测,并指出了相应的治理措施。     

Evaluation of suspended load transport rate using transport formulas and artificial neural network models （Case study： Chelchay Catchment）＊

Accurate estimation of sediment load or transport rate is very important to a wide range of water resources projects. This study was undertaken to determine the most appropriate model to predict suspended load in the Chelchay Watershed, northeast of Iran. In total, 59 data series were collected from four gravel bed-rivers and a sand bed river and two depth integrating suspended load samplers to evaluate nine suspended load formulas and feed forward backpropagation Artificial Neural Network (ANN) structures. Although the Chang formula with higher correlation coefficient (r = 0.69) and lower Root Mean Square Error (RMSE = 0.013) is the best suspended load predictor among the nine studied formulas, the ANN models significantly outperform traditional suspended load formulas and show their superior performance for all statistical parameters. Among different ANN structures two models including 4 inputs, 4 hidden and one output neurons, and 4 inputs, 4 and one hidden and one output neurons provide the best simulation with the RMSE values of 0.0009 and 0.001, respectively.