در این مطالعه، شبکه‌‌های وایازی کلی (GRNN) و پرسپترون چند لایه‌ای (MLP) برای برآورد بیشترین ژرفای آبشستگی مورد بهره‌وری قرار گرفتند. الگوریتم‌های Levenberg-Marquardt و Momentum به عنوان الگوریتم‌های آموزشی، و دو تابع Tanh و Sigmoid نیز به عنوان توابع فعال‌ساز در این پژوهش جهت ساختن شبیه های عصبی به کار رفتند. تاکنون مطالعات گسترده‌ای در زمینه‌ی‌ استفاده از شبیه‌های مختلف شبکه‌ی عصبی جهت برآورد بیشترین ژرفای آبشستگی اطراف پایه‌های پل صورت گرفته است که بیشتر این پژوهش‌ها دارای دو مشکل عمده بوده‌اند: در نظر گرفتن شکل استوانه‌ای به عنوان پایه‌های پل، و استفاده از اطلاعات آزمایشگاهی برای ساختن شبیه‌ها از مهمترین کاستی‌های مطالعات صورت گرفته در زمینه‌ی برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل به حساب می‌آیند. بر همین اساس، در این پژوهش علاوه بر شکل استوانه‌ای از اشکال مستطیلی، گرد گوشه و نوک تیز نیز استفاده شده است. همچنین برای ساختن و صحت‌سنجی شبیه‌ها از اطلاعات واقعی، که مشتمل بر 475 داده‌ی مربوط به آبشستگی اطراف پایه‌های پل بوده بهره‌وری شده است. در این پژوهش، بر خلاف پژوهش‌های گذشته که از روش آزمون و لغزش برای تعیین شمار نرون‌های لایه‌ی مخفی استفاده می‌شد، از الگوریتم ژنتیک جهت این منظور بهره‌وری گردیده است. نتایج مقایسه‌ی شبیه‌های مختلف عصبی نشان-دهنده‌ی دقت بیشتر شبیه GRNN بوده است. برای بررسی کارآیی این شبیه از معادلات تجربی موجود نیز استفاده شد، که از جمله می‌توان به روابط بروسرز و همکاران، فروهلیچ، ملویل و ملویل، و چیو اشاره کرد. نتایج شبیه‌های مختلف نشان دادند که شبیه عصبی ارائه شده از کارآیی بهتری نسبت به روابط موجود برخوردار است. جهت تعیین تاثیر فراسنج‌های مختلف بر آبشستگی از تحلیل حساسیت استفاده شد. نتایج این تحلیل نشان‌دادند که فراسنج سرعت نسبت به دیگر فراسنج‌های مستقل بیشترین تأثیر را بر آبشستگی اطراف پایه‌های پل داراد.   Manuscript profile