fa پیش‌بینی ضریب فشار آب حفره‌ای در بدنه ‌سد‌های ‌خاکی‌ در زمان ساخت و تعیین ویژگی‌های مؤثر بر آن با استفاده از الگوریتم هیبریدی WCA-ANN کنترل و ابزار دقیق کنترل و ابزار دقیق پژوهشي Research در این مطالعه قابلیت الگوریتم هیبریدی <span dir="LTR">WCA-ANN</span> در زمینه مدل‌سازی ضریب فشار آب حفره‌ای در بدنه سد کبودوال (مطالعه موردی) در زمان ساخت و تعیین ویژگی‌های مؤثر بر آن ارزیابی شده است. در این راستا از پنج ویژگی شامل تراز خاک ریزی، زمان ‌ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی در طول دوره آماری 4ساله به عنوان ورودی مدل هیبریدی انتخاب شدند. با اجرای الگوریتم هیبریدی و روش انتخاب ویژگی، دو ویژگی تراز خاک ریزی و زمان ساخت در نقاط RU19.1 &nbsp;و RU19.2 &nbsp;بیش‌ترین تأثیر را بر مدل‌سازی ضریب فشار آب حفره‌ای خاک دارند. علاوه بر دو ویژگی فوق، در نقاط محور میانی و مرکز مقطع عرضی، ویژگی‌های سرعت خاک ریزی و تراز آبگیری با مقدار خطا (<span dir="LTR">MSE</span>) برابر 00006/0 و در نقاط نزدیک مخزن ویژگی های تراز آبگیری و سرعت آبگیری با مقدار خطا برابر 00004/0، بر مدل‌سازی ضریب فشار آب حفره‌ای موثر هستند. در نهایت می توان گفت که در نقاط نزدیک به محور سد، تراز خاک ریزی و در نقاط واقع در قسمت‌های دورتر از محور میانی و نزدیک مخزن زمان ساخت، <strong>با</strong> <strong>ضریب حساسیت بالا</strong> <strong>به عنوان</strong> <strong>مهمترین</strong> <strong>ویژگی‌ها</strong> <strong>در</strong> <strong>مدلسازی</strong> ضریب فشار آب حفره‌ای با مدل‌های هوش مصنوعی شناخته می شوند. In this study, the ability of WCA-ANN hybrid algorithm to model the pore water pressure coefficient in the body of Kabudwal dam at the time of construction was investigated and the effective features were identified. Therefore, five features including fill level, time, reservoir level, dewatering rate and fill speed during the 4-year statistical period were selected as the input of the model. By running the hybrid algorithm and feature selection method, the two features of fill level and time at points RU19.1 &nbsp;and &nbsp; RU19.2 have the greatest impact on modeling the pore water pressure coefficient. In addition to the above two features, in the points of the middle axis , the features of fill speed and reservoir level with error value (MSE) equal to 0.00006 and in points close to the dam reservoir, dewatering level and dewatering rate with error value equal to 0.00004 are effective in modeling the pore water pressure coefficient. The results showed that at points close to the dam axis, the fill level and at points farther from the middle axis construction time (with high sensitivity coefficient) was recognized as the most important features in modeling the pore water pressure coefficient with artificial intelligence models. سد خاکی, الگوریتم چرخه آب, شبکه عصبی مصنوعی, انتخاب ویژگی , ضریب فشار آب حفره‌ای Earthen dam, water cycle algorithm, artificial neural network, feature selection, pore water pressure coefficient. 26 39 http://journal.hydropower.org.ir/browse.php?a_code=A-10-881-1&slc_lang=fa&sid=1 Hossein Hakimi Khansar حسین حکیمی خانسر hakimi1904@yahoo.com 6309873245 10031947532846003841 Yes University of Tabriz دانشگاه تبریز Javad Parsa جواد پارسا jparsa78@gmail.com 1371008922 10031947532846003842 No University of Tabriz دانشگاه تبریز Ali Hosseinzadeh Dalir علی حسین زاده دلیر ahdalir1@yahoo.co.uk 1378810619 10031947532846003843 No University of Tabriz دانشگاه تبریز Jalal Shiri جلال شیری j_shiri2005@yahoo.com 10031947532846003844 10031947532846003844 No University of Tabriz دانشگاه تبریز