قابلیت فرار آب در زمین های کارستی و وجود شرایط پیچیده زمین شناسی در آن ها عاملی است تا روش های مناسب آب‏بندی در مواجهه با این شرایط اعمال شود. تزریق سیمان یکی از متداول ترین روش های ناتراوا سازی است که به صورت گسترده ای در پی‏های سنگی در سدها استفاده می شود. بنابراین، تخمین میزان تزریق سیمان امری ضروری در فرایند طراحی آب بند سد است. این کار در واقع بر اساس تجربیات قبلی مهندسین طراح صورت می گیرد. اما وجود شرایط متفاوت زمین شناسی و ژئومکانیک در سایت های مختلف سدسازی منجر به بروز نتایجی کاملاً دور از انتظار می شود. تزریق-پذیری سنگ ها تابع عوامل مختلفی است که هر یک به طور جداگانه می توانند بر کیفیت آن تأثیرگذار باشند. پارامترهای مورد استفاده در طراحی تزریق چون نوع سنگ، ناپیوستگی ها و ویژگی های آن ها، نفوذپذیری و فشار تزریق دارای ارتباط پیچیده و مبهم بوده و تعیین رابطه ای مستقیم بین آن ها به سادگی امکان پذیر نیست. در چنین مواردی می توان با تشکیل پایگاه داده ها، روابط منطقی بین این عناصر را مدل سازی کرد. یکی از روش هایی که توانایی یادگیری رابطه بین پارامترهای مختلف را دارد، شبکه های عصبی مصنوعی است. در این تحقیق، با استفاده از اطلاعات تزریق گالری های gr4 و gl4 از دو تکیه گاه راست و چپ پرده آب بند سد سیمره، به پیش‏بینی میزان خورند سیمان با استفاده از شبکه های عصبی و هوش مصنوعی پرداخته شد. در انتها، به منظور بررسی بیشتر توانایی این سیستم های هوشمند، نتایج حاصل از آنالیز رگرسیون با نتایج سیستم های شبکه های عصبی و هوش مصنوعی مقایسه گردید. در قسمت دوم این تحقیق به بررسی حساسیت شبکه نسبت به داده های ورودی به شبکه پرداخته شد و عملکرد و کارایی شبکه های هوشمند در مناطق کارستی مورد بررسی قرار گرفت. نتایج حاصل نشان داد که شبکه های عصبی مصنوعی پایه شعاعی می توانند خورند سیمان پرده آب بند را با ضریب r2 برابر با 92% و rmse برابر با 051/0 بهتر از روش‏های شبکه مصنوعی پس انتشار خطا با ضریب r2 برابر با 86% و rmse برابر با 113/0، روش هوش مصنوعی با ضریب r2 برابر با 83% و rmse برابر با 053/0 و روش رگرسیون با ضریب r2برابر با 69% و rmse برابر با 177/0 در مراحل آموزش و آزمون به خوبی پیش بینی کنند.