در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل‌های I، U و J درون کانال‌های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها(GSGMDH) شبیه‌سازی شد. در مقایسه با روش(GMDH) گروه دسته‌بندی داده‌ها روش GSGMDH یک روش منعطف‌تر و دقیق‌تر است که در آن گره‌ها می-توانند از لایه‌های غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روش‌های GMDH و GSGMDH شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدل‌های هوش مصنوعی مدل-های برتر معرفی گردید. مدل‌های برتر GMDH و GSGMDH مقادیر آبشستگی‌ها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدل‌های GSGMDH از مدل‌های GMDH بیشتر بود. به‌عنوان مثال، برای مدل‌های برتر GMDH و GSGMDH مقدار شاخص عملکرد در وضعیت تست به‌ترتیب مساوی با 075/73 و 408/86 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیش‌بینی نمود. به‌عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی(SI) و ضریب نش (NSC) برای مدل برتر GSGMDH در شرایط آموزش به‌ترتیب مساوی با 913/0، 214/0 و 800/0 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پائین‌دست تله سنگی برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراکمی (Fd) به‌عنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل GSGMDH برتر دارای یک عملکرد کمتر از واقعی بود. پرونده مقاله