رسوبگذاری در مخازن سدها امری اجتناب ناپذیر است. این پدیده آثار نامطلوب زیادی در مخازن از جمله مانند کاهش حجم مفید مخزن، کاهش پایداری سد، عملکرد نامناسب دریچه های بهره برداری و کاهش حجم کنترل سیلاب. شناخت از نحوه و میزان رسوب گذاری در مخازن می تواند تا حدود زیادی می تواند در موثر بودن راهکارهای کاهش این خسارات مفید واقع شود. استفاده از مدل ها ریاضی به دلیل وقت گیر بودن و پرهزینه بودن مدل های فیزیکی در شبیه سازی رودخانه و مخازن اخیرا بیشتر شده است. در این تحقیق به منظور کمینه سازی رسوب گذاری در مخزن سد سیمره از مدل ریاضی gstars3 که از جدیدترین مدل های شبیه ساز آب و رسوب می باشد استفاده شد. بهترین رابطه انتقال رسوب پس از واسنجی مدل برای شرایط هیدرولیکی و رسوبی منطقه ، تابع یانگ انتخاب گردید و مدل برای سناریوی مختلف مورد اجرا و نتایج آن بررسی شد. براساس نتایج مدل80 درصد مخزن سد سیمره بعد از گذشت 112 سال پر شده و عملا عمر مفید آن به اتمام می رسد. نتایج نشان داد که تغییرات تراز آب در مخزن تاثیر بسزایی در میزان رسوبگذاری درمخزن ندارد. اما فاصله رسوبات به شدت تحت تاثیر تراز آب بوده و هر چقدر تراز بالاتر باشد، فاصله رسوبات از پای سد بیشتر می باشد. بهینه ترین ترازهای سطح آب و مکان قرارگیری دریچه ها و دبی خروجی از تخلیه کننده های تحتانی نیز پس از تحلیل نتایج خروجی مدل تعیین شد.

در این پایان نامه اثر پاسخ های مختلف در روش های عیب یابی مبتنی بر شبکه عصبی بررسی شده است. همچنین یک روش جدید برای عیب یابی سازه ها ارائه می شود. روش پیشنهادی دارای دو مرحله می باشد. در مرحله اول توسط شبکه عصبی تابع بنیادی شعاعی به خاطر سرعت یادگیری بالا، مکان های آسیب دیده شناسایی می شود. در مرحله دوم عیب یابی، محل دقیق و شدت آسیب اعضای سازه با بکارگیری شبکه عصبی انتشار برگشتی بخاطر قدرت یادگیری بالا بدست می آید.