به دلیل نقش بسیار مهم آب در بخشهای مختلف، تلاشهای بسیاری برای تأمین و ذخیره آن صورت گرفته و سدها این نقش مهم را ایفا میکنند که در صورت آسیب و یا شکستن آن، احتمال خسارت جانی و مالی بسیاری را در پی خواهد داشت. جابجایی سازه سد را میتوان به عنوان یک نشانه هشداردهنده برای انهدام سازه سد در نظر گرفت. بنابراین کنترل این پارامتر میتواند نقش بسیار مهمی در مراقبت پایداری سد ایفا کند. یکی از روشهای مهار جابجایی سد، پیشبینی دقیق آن است. در این تحقیق پیشبینی جابجایی بلوک میانی تاج سد شهید رجایی مورد مطالعه قرار گرفته است. برای این منظور، پارامترهای تراز سطح آب، بارش، تبخیر، میزان جریان ورودی به سد، دمای هوا در محل سد، دمای بدنه سد در بالادست و پاییندست و دمای بتن در میانه سد به عنوان عوامل تأثیرگذار بر میزان جابجایی بلوک میانی تاج سد شناسایی گردید. این پارامترها با استفاده از دادههای اندازهگیری شده توسط ادوات ابزار دقیق واقع در محل سد جمعآوری و مورد پایش قرار گرفت. در ابتدا جهت تعیین متغیرهای مستقل مؤثر بر جابجایی تاج میانی سد بر پایه شاخصهای ارزیابی آماری، دادهها مورد تحلیل رگرسیون خطی با و بدون تأخیر زمانی قرار گرفت. بر مبنای تحلیل رگرسیون خطی بین هشت داده ورودی و ارزیابی نتایج شاخصهای خطای بدست آمده از مرحل آموزش و آزمایش ترکیبهای ورودی مختلف میتوان دریافت که چهار عامل اصلی تراز سطح آب (WL)، دما در پاییندست (T_1)، دمای بتن (T_2)، دما در بالادست (T_3) در جابجایی بلوک میانی تاج سد نقش دارند. یافتههای تحقیق حاضر نشان میدهد که مقادیر شاخصهای آماری برای با و بدون استفاده از تأخیر زمانی تقریباً یکسان میباشند و نتایج پیشبینی صورت گرفته بر مبنای این مدلهای خطی ساده بیانگر عدم دقت این مدلها در ارزیابی رفتار جابجایی بلوک میانی تاج سد است. لذا با استفاده از کل اطلاعات جمعآوری شده و انتخاب تصادفی آنها، مدلهای مبتنی بر یادگیری ماشین، هوش مصنوعی و هوش جمعی مشتمل بر ANN، LSBoost،RF ،SVR ،DT ،GPR ،GAM ، GKR وMLR مورد ارزیابی قرار گرفت. جهت بهبود عملکرد آموزش هر یک از مدلهای توسعه داده شده، پارامترهای مرتبط با هر مدل با استفاده از روش بیژین، بهینهسازی گردید. با توجه به تنوع شاخصهای خطا مورد استفاده، برای رتبهبندی و انتخاب مدل برتر، روش تحلیل رابطه خاکستری بکار گرفته شد. سپس بر مبنای روش ارزیابی تقاطعی، میزان عدم قطعیت هر یک از مدلهای نرم تعیین گردید. نتایج نشان میدهد که چهار مدل GPR، LSBOOST، RF و ANN به ترتیب از نظر میزان دقت در پیشبینی جابجایی بلوک میانی تاج سد در رتبه یک تا چهار قرار میگیرند. همچنین با مقایسه میزان عدم قطعیت چهار مدل برتر بر اساس دادههای صحتسنجی میتوان بیان نمود که مدل LSBOOST به دلیل استفاده از زیرمدلهای آموزشی برای پوشش دادن فضای یادگیری، از عملکرد بالاتری برخوردار است. در واقع میزان قطعیت پارامتر مورد پیشبینی توسط این مدل بالاتر بوده و بر این اساس میتوان نتیجه گرفت که بکارگیری مدلهای مبتنی بر یادگیری جمعی نسبت به مدلهای هوش مصنوعی و یادگیری ماشین ارجح میباشد.