یکی از عوامل تعیینکننده در تغییر مورفولوژی رودخانهها، پژوهش و تحلیل الگوی جریان داخل قوس آن میباشد. شناخت ویژگیهای جریان در این انحناها میتواند نقش مهمی در پیشبینی مورفولوژی رودخانهها داشته و بهعنوان خوراک اولیه طراحی سازههای هیدرولیکی مورداستفاده قرارگیرد. در این راستا، تحقیقات آزمایشگاهی عموماً از دقت بالاتری نسبت به پژوهشهای عددی برخوردار میباشند. حالآنکه امکان برداشت داده از تمامی نقاط داخل کانال میسر نبوده و نیز تعدادبالای برداشتها مستلزم هزینه میباشد. ازاینرو در پژوهش حاضر، روش نوینی برای اولین بار و در قالب یک مدل شبکه مصنوعی شبکه پرسپترون چندلایه ) MLP ( جهت تخمین دادههای آزمایشگاهی در نقاطی که پیشتر برداشتنشده بودند، ارائه خواهد شد. برای این کار، یک مدل MLP توسط دادههای آزمایشگاهی آموزش دادهشده است. ورودیهای مدل عبارتاند از مختصاتx ، y و z نقاط داخل کانال، و ارتفاع سطح آب و میانگین سرعت در عمق به عنوان خروجیهای آن تعریف شدهاند. مدل هوشمصنوعی ارائه شده در این پژوهش با دادههای عددی و آزمایشگاهیمقایسه شدهاند. تطابق خوبی بین دادههای پیشبینی شده با دادههای آزمایشگاهی موجود مشاهده شده، و مشخص گردید که مدل MLP بهتر از روش عددی عمل کرده و میتواند در پیشبینی الگوی جریانهای سه بعدی پیچیده مورد استفاده قرار گیرد.
