fa تخمین فشار آب حفره‌ای در بدنه ‌سدهای‌ خاکی‌ در حین ساخت با مدل‌های هوشمند مدیریت پروژه و روش اجرا مدیریت پروژه و روش اجرا پژوهشي Research یکی از &nbsp;موارد مهم در مدیریت پایداری سدهای خاکی، تخمین دقیق مقدار فشار آب حفره‌ای در بدنه سد در حین ساخت آن است. در این تحقیق از سه مدل متفاوت شبکه‌ی عصبی مصنوعی (<span dir="LTR">ANN</span>)، سیستم استنتاج عصبی- فازی تطبیقی (<span dir="LTR">ANFIS</span>) و برنامه‌نویسی بیان ژن (<span dir="LTR">GEP</span>) برای تخمین فشار آب حفره‌ای در بدنه سدهای خاکی کبودوال استان گلستان در زمان ساخت مورد مطالعه و مقایسه قرار گرفت. پنج ویژگی شامل تراز خاک ریزی، زمان ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی در طول دوره آماری 1388-1391 یا 4 ساله به عنوان ورودی مدل‌ها در 4 پیزومتر نصب‌شده در بدنه سد استفاده شده است. سه ویژگی نخست با توجه به تابع همبستگی متقابل موثرترین ورودی‌ها بودند. نتایج نشان داد که شبکه عصبی مصنوعی در دو پیزومتر با توجه به شاخص‌های آماری، جواب‌های دقیق‌تری نسبت به برنامه‌ریزی بیان ژن ارائه کرده است ولی در دو پیزومتر دیگر این امر برعکس بود. همچنین مدل‌های <span dir="LTR">ANFIS</span> و <span dir="LTR">GEP</span> در پیزومترهایی که دارای پراکندگی بیشتری بودند جواب‌های دقیق‌تری نسبت به مدل <span dir="LTR">ANN</span> ارائه کردند. در نهایت بر اساس مدل <span dir="LTR">GEP</span> روابط ریاضی بین متغیرهای ورودی و متغیر خروجی استخراج شد که برتری این مدل را نسبت به دیگر مدل‌ها نشان می دهد. One of the basic measures in managing the stability of earth dams is to accurately estimate the amount of pore water pressure in the body of the dam during and after its construction. In this study, three different models of artificial neural network (ANN), adaptive neural-fuzzy inference system (ANFIS) and gene expression programming (GEP) to estimate the pore water pressure in the body of Kabudwal earthen dams at the time of construction have been studied and compared. Five features including fill level, construction time, reservoir level, impounding rate and fill speed have been used during the 4-year statistical period as input of models in 4 piezometers installed in the dam body. The first three features were the most effective inputs according to the cross-correlation function. In this study, the results obtained from artificial neural network (ANN) in two piezometers according to statistical indicators, provided more accurate answers than gene expression programming (GEP) and ANFIS, but in the other two piezometers it was the opposite. Also, ANFIS and GEP models provided more accurate answers in piezometers that had higher data scatter than ANN model. Finally, based on the GEP model, mathematical relationships between input features and output variables were extracted. سد خاکی, شبکه‌ی عصبی مصنوعی (ANN), سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) و برنامه‌نویسی بیان ژن (GEP), فشار آب حفره‌ای. Earth dam, artificial neural network (ANN), adaptive neural-fuzzy inference system (ANFIS) and gene expression programming (GEP), pore water pressure. 55 69 http://journal.hydropower.org.ir/browse.php?a_code=A-10-881-3&slc_lang=fa&sid=1 Hossein Hakimi Khansar حسین حکیمی خانسر hakimi1904@yahoo.com 6309873245 10031947532846003830 Yes Ph.D Candidate, University of Tabriz / Department of Water Engineerin دانشجوی دکترا، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران Javad Parsa جواد پارسا jparsa78@gmail.com 1 10031947532846003831 No Assistant Professor, Department of Water Engineering, University of Tabriz, Iran استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران Ali Hosseinzadeh Dalir علی حسین زاده دلیر ahdalir1@yahoo.co.uk 1 10031947532846003832 No Professore, Department of Water Engineering, University of Tabriz, Iran استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران Jalal Shiri جلال شیری j_shiri2005@yahoo.com 1 10031947532846003833 No Associate Professor, Department of Water Engineering, University of Tabriz, Iran دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران