Flow resistance equations for mountain rivers

Abstract

Three models of flow resistance (a Keulegan-type logarithmic law and two models developed for large-scale roughness conditions: the full logarithmic law and a model based on an inflectional velocity profile) were calibrated, validated and compared using an extensive database (N = 1,533) from rivers and flumes, representative of a wide hydraulic and geomorphologic range in the field of gravel-bed and mountain channels. It is preferable to apply the model based on an inflectional velocity profile in the relative submergence (y/d90) interval between 0.5 and 15, while the full logarithmic law is preferable for values below 0.5. For high relative submergence, above 15, either the logarithmic law or the full logarithmic law can be applied. The models fitted to the coarser percentiles are preferable to those fitted to the median diameter, owing to the higher explanatory power achieved by setting a model, the smaller difference in the goodness-of-fit between the different models and the lower influence of the origin of the data (river or flume).

Se han calibrado, validado y comparado tres modelos de resistencia al flujo (una ley logarítmica tipo Keulegan y dos modelos desarrollados para condiciones de alta rugosidad: la ley logarítmica completa y un modelo basado en un perfil de velocidad inflexional) empleando para ello una extensa base de datos (N = 1,533) de río y de laboratorio, representativa de un amplio intervalo hidráulico y geomorfológico en el ámbito de cauces de grava y de montaña. El modelo basado en un perfil de velocidad inflexional es preferible para su aplicación en el intervalo de sumersión relativa (y/d90) comprendido entre 0.5 y 15, mientras que la ley logarítmica completa es preferible para valores inferiores a 0.5. Para sumersión relativa alta, por encima de 15, es posible aplicar indistintamente la ley logarítmica y la ley logarítmica completa. Son preferibles los modelos ajustados con los percentiles más gruesos que los ajustados con el diámetro mediano, debido a: la mayor capacidad explicativa alcanzada fijado un modelo, la menor diferencia en la bondad de ajuste entre los diferentes modelos y la menor influencia del origen de los datos (río o laboratorio).