در این رساله برای طراحی پوسته هوشمند ساختمانی از سیستمهای کش بستی که در مقایسه با سایر سیستمهای ساختمانی از قابلیت بالایی در تغییر فرم پذیری برخوردار میباشند استفاده شده است. در این تحقیق ضمن بررسی روشهای مختلف مورد استفاده در پروسه فرم یابی، روش جرم و فنر را که تا کنون بیشتر برای سازه های پاشامی بکار می رفته است، برای فرم یابی سیستمهای کش بستی که قابل استفاده توسط مهندسین معمار و طراحان را دارد،گسترش داده و قابلیتهای بسیار ارزشمندی از جمله، فرم یابی استاتیکی و دینامیکی، تخمین نیروهای موجود در عناصر سازه ایی، مشاهده لحظه به لحظه تغییرات( شکلی و عددی) و تغییر دلخواه پارامتر های تاثیر گذار در فرم یابی، با طراحی آلگوریتم هایی که توسط نگارنده و در محیط افزونه کانگارو که با نرم افزاری راینو کار میکند و برای اولین بار در این سطح به کار رفته است، مورد بررسی قرار گرفته و با نمونه های فیزیکی حقیقی صحت روش جرم و فنر با آلگوریتمهای ابداعی در پروسه فرم یابی استاتیکی، با طراحی و ساخت یک آرک کش بستی به عنوان سر در ورودی دانشگاه هنر اسلامی تبریز مورد بررسی قرار گرفت و با تائید صحت عملکرد آلگوریتمهای طراحی شده، نمونه های مختلف پوسته های کش بستی با قابلیت تغییر فرم پذیری مورد استفاده قرار گرفته و نتایج به دست آمده از آن منجر به طراحی پوسته کش بستی تغییر فرم پذیر گردید، که در آن میتوان تنها با تغییر طول تعداد محدودی کابل که مجهز به یک بازوی پنوماتیک میباشند به طور خودکار و کنترل از راه دور به تغییر فرم دلخواه دست یافت. با قرار گیری سنسورهایی در نقاط مختلف سازه به طور هدفمند میتواند داده های محیطی مورد نیاز طراح را جمع آوری کرده و به عنوان محرک سیستم کنترلی فوق الذکر، یک پوسته کامل هوشمند طراحی نمود

مقاومت بتن به عنوان یکی از مهمترین پارامترهای لازم برای طراحی به عوامل بسیار زیادی از قبیل طرح اختلاط بتن ،جنس مواد تشکیل دهنده بتن، شرایط آزمایشگاهی، مهارت های فرد آزمایش کننده، خطاهای آزمایشگاهی و ... بستگی دارد از آنجایی که بسیاری از این عوامل نامعلوم بوده و نمی توان به فرمولاسیون خاص و نسبتا دقیقی برای مقاومت بتن دست یافت، لذا بکاربردن روشی که ورای فرمول های معمول ریاضی بتواند تا حد قابل قبول مقاومت بتن را پیش بینی کند، حائز اهمیت خواهد بود. امروز استفاده از شبکه های عصبی که الهام گرفته از رفتار مغز ونرون های عصبی است در مسائلی که ماهیتا دارای مجهولات زیادی بوده و در مواردی دسترسی به حل آنها ناممکن می نماید رو به افزایش است.در بخش اول این تحقیق با در دست داشتن نتایج تعداد بسیار زیادی نمونه آزمایشگاهی (شامل درصدهای اجزای تشکیل دهنده نمونه و مقاومت نمونه مورد نظر) شبکه عصبی سه لایه با الگوریتم آموزش پس انتشار خطا و با استفاده از توابع انتقال سیگوئید و خطی در لایه های میانی و خروجی ، آموزش داده خواهد شد. پس از آزمایش شبکه این قابلیت را خواهد داشت که با داشتن اوزان اجزای تشکیل دهنده یک متر مکعب بتن مقاومت فشاری آن را پیش بینی کند. در بخش دوم این تحقیق با استفاده ار الگوریتم های ژنتیک در یک فضای چند بعدی که هر بعد آن یکی از اجزای تشکیل دهنده بتن با مقاومت بالا می باشد به جستجو می پردازیم تا به نقطه مورد نظر که دارای مقاومت بیشینه خواهد بود برسیم . الگوریتم های ژنتیک الگوریتم های جستجویی هستند که بر اساس سازو کار انتخاب طبیعی و ژنتیک طبیعی بنا نهاده شده اند. این الگوریتم ها مناسب ترین رشته ها را از میان اطلاعات تصادفی سازماندهی شده با روش جستجوی آسانی انتخاب می کنند. در هر نسل یگ گروه جدید رشته ها با استفاده از بهترین قسمتهای دنباله های قبلی و بخش جدید اتفاقی برای رسیدن به یک جواب مناسب بوجود می آید. هنگام پیشامدسازی الگوریتم های وراثتی عمل پیشامد سازی ساده را نمی پیمایند بلکه آنها داده های پیشین را با تفکر انتخاب نقاط جستجوی جدید برای رسیدن به پیشرفت مورد نظر توام می کند. تابع برازش مورد استفاده در الگوریتم ژنتیک بکار رفته در این تحقیق شبکه عصبی سه لایه ای است که دارای یک نرون در لایه خروجی و ده نرون در هر یک از دو لایه پنهان میانی بوده و با استفاده از الگویتم آموزش پس از انتشار خطا در بخش اول تحقیق آموزش داده شده است.