در سدهای بتنی قوسی، هندسه سازه، از یک سو در هزینه و ایمنی طرح نقش بسزا و تعیین کننده ای دارد و از سوی دیگر یک عامل مهم در پایداری سد میباشد. امروزه تعداد زیادی از سدهای قوسی در نواحی لرزه خیز ساخته میشوند که علیرغم عملکرد قابل قبول آنها تحت بارگذاری دینامیکی، هنوز نیاز به بهبود در رفتار سازه و افزایش ایمنی آنها در طی بروز حرکات شدید زمین، دیده میشود.همچنین میتوان با بهبود عملکرد سازه در مقابل بارگذاری دینامیکی، هزینه ساخت طرح را از بسیاری وجوه مانند حجم بتن ریزی، کاهش داد. هدف این تحقیق ارائه یک مدل ریاضی کاربردی و عملی و پیشنهاد یک الگوریتم برای بهینه سازی شکل سدهای بتنی قوسی به منظور بهبود عملکرد لرزه ای آنها و کاهش هزینه های ساخت پروژه میباشد. در این تحقیق حجم بدنه سد به عنوان تابع هدف در نظر گرفته شده و قیود هندسی و رفتاری به منظور انطباق بیشتر مدل با حالات عملی طرح در نظر گرفته شده است. هر دو حالت بارگذاری استاتیکی و دینامیکی مورد مطالعه قرار گرفته اند. در بارگذاری لرزه ای، اندرکنش دینامیکی سیستم سد-پی و اثر مخزن در نظر گرفته شده است . همچنین برای تحلیل مدل از روش تاریخچه زمانی المان محدود استفاده شده است. برای مدلسازی سیستم سد-پی-مخزن انجام آنالیزها از زبان طراحی پارامتری نرم افزار ansys موسوم به apdl و در بهینه سازی از روش تقریب خطوط مجانب متحرک استفاده شده است. نتایج حاصل از استفاده این مدل در مورد سد بتنی دز نشان میدهد که اصلاح و بهینه سازی شکل علاوه بر اقتصادی کردن حجم بدنه سد و کاهش هزینه ها نقش بسیار مهمی در افزایش ایمنی آن در مقابل بارهای طراحی و بهبود توزیع تنش در بدنه سد دارد.

آلیاژهای حافظه دار موادی هستند که می توانند به تغییرات محیط به بهترین شکل ممکن پاسخ داده و رفتار خود را نسبت به تغییرات تنظیم نمایند. پدیده هیسترسیس یک پدیده غیرخطی است که وابستگی یک سیستم را به شرایط قبلی آن سیستم نشان می دهد و اثرات قوی آن در تمامی مواد هوشمند یافت می شود. مدل هیسترسیس پریساچ شناخته شده ترین مدل پدیده شناسی بر پایه عملگرها برای بررسی پدیده هیسترسیس در مواد هوشمند است. در این پایان نامه از یک شبکه عصبی چند لایه با الهام از مدل پریساچ با یک ورودی، یک خروجی و دو لایه پنهان، استفاده شده که آن را شبکه عصبی پریساچ می نامند. این مدل پیچیدگی های مدل پریساچ را آسان نموده است و به مدلی کارا برای مدل سازی انواع غیرخطی های هیسترسیس تبدیل شده است. با کنترل برخی پارامترها و استفاده از تکنیک های مختلف می توان دقت، سرعت و کارایی این روش را بهبود بخشید. استفاده از الگوریتم ژنتیک برای تخمین اولیه وزن ها، اضافه نمودن نرون بایاس برای افزایش توانایی در مدل سازی انواع هیسترسیس، کنترل بازه انتخاب وزن ها برای افزایش سرعت و دقت یادگیری، استفاده توام از دو تابع معیار برای الگوریتم بهینه سازی، کنترل تعداد نرون های مورداستفاده در لایه پنهان اول و دوم و کنترل تعداد تکرار در حین فرایند بهینه سازی و اضافه کردن توانایی یادگیری هیسترسیس وابسته به زمان مواردی هستند که در این پایان نامه به آن ها پرداخته شده است. همچنین به منظور بررسی قابلیت یادگیری، این شبکه عصبی به نتایج آزمایشگاهی موجود در سایر تحقیقات اعمال شده است و نتایج به دست آمده نشان دهنده قابلیت بالای یادگیری رفتار هیسترتیک در این مدل می باشند.

. الگوریتم وراثتی که یکی از روشهای بهینه سازی الهام گرفته از طبیعت است که می توان به کمک این الگوریتم همزمان با متغیرهای گسسته و پیوسته کار کرد. به منظور نیل به اهداف فوق اقدام به نوشتن برنامه ای به کمک نرم افزار متلب گردیده که کلیه مراحل تحلیل، طراحی و بهینه سازی صفحات کامپوزیت را با در نظر گرفتن شرایط اخیر بوسیله الگوریتم وراثتی انجام می دهد.