آبشستگی محلی در مجاورت پایههای استوانهای پلها، یک فرآیند هیدرولیکی است که با فرسایش کف رودخانه تحت تأثیر جریان سیال، ثبات سازههای پل را تهدید میکند. ارزیابی نادرست عمق این پدیده میتواند منجر به طراحی ناکارآمد پایهها شود، که یا هزینههای اضافی به بار آورد یا ریسک فروپاشی را افزایش دهد. این تحقیق با تمرکز بر تخمین دقیق عمق آبشستگی در بسترهای ،) خاکی چسبنده، از روشهای نوین هوش مصنوعی بهره برد. با استفاده از 122 داده آزمایشگاهی از مطالعه چویی و چویی ) 2222 کارایی الگوریتم نزدیکترین همسایه (KNN) مورد بررسی قرار گرفت. دادهها با تأکید بر متغیرهای هیدرولیکی و خاکی نظیر عدد فرود پایه، ارتفاع جریان، استحکام برشی بستر و درصد رس، توسط ابزارهای پیشرفته یادگیری ماشین پردازش شدند و بررسی حساسیت برای تعیین پارامترهای مؤثر اجرا گردید. یافتهها حاکی از آن است که این تکنیک در بیش از 88 درصد موارد، پیشبینیهای معتبر ارائه مینماید. مدل KNN با دقت 88 درصد، عملکرد مناسبی نشان داد و تحلیل حساسیت، عدد فرود پایه را با سهم 88 درصدی به عنوان عامل غالب شناسایی کرد که نوسانات آن میتواند عمق آبشستگی را تا 28 درصد جابهجا کند، در حالی که استحکام برشی بستر 11 درصد و درصد رس 8 درصد تأثیرگذار بودند. این روشها امنیت طراحی پل را 28 درصد، دوام سازه را 32 درصد و صرفهجویی در هزینههای تعمیر را 22 درصد ارتقا دادند. این پژوهش با پیشنهاد یک الگوی خلاقانه، راهکاری علمی و کارآمد برای ساخت پلهای پایدار و مقرونبهصرفه در برابر فرسایش آبی عرضه میدارد .
