زمینه و هدف: آبشستگی موضعی به‌عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل‌ها، موج‌شکن‌ها و اسکه‌ها می‌شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم‌ترین زمینه‌های مطالعاتی مهندسی عمران باشد. در سال-های اخیر، مطالعات فراوانی بر روی آبشستگی موضعی اطراف پایه‌های پل انجام گرفته است. به دلیل اهمیت زیاد پیش‌بینی و تخمین الگوی آبشستگی در مجاورت پایه‌های پل مطالعات فراوانی بر روی این نوع از سازه‌ها انجام شده است.روش پژوهش: در این مطالعه برای اولین بار با استفاده از روش جدید ماشین آموزش نیرومند (ELM)، عمق آبشستگی در مجاورت پایه‌های پل دوقلو شبیه‌سازی شد. ابتدا پارامترهای مؤثر شناسایی گردید و چهار مدل ELM توسعه داده شد. سپس به کمک شبیه‌سازی مونت کارلو و روش اعتبار سنجی ضربدری نتایج عددی اعتبار سنجی شدند. در ادامه تابع فعال‌سازی sin به‌عنوان بهترین تابع فعال-سازی تعیین شد. علاوه بر این نتایج ELM با مدل‌های شبکه عصبی مصنوعی مقایسه گردید که مدل‌های ELM مقادیر آبشستگی را با دقت بیشتری تخمین زدند. تحلیل عدم قطعیت برای مدل‌های برتر ELM و ANN اجرا گردید و برای مدل برتر یک رابطه پیشنهاد داده شد. برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی (PDSA) نیز اجرا گردید.یافته‌ها: در میان توابع فعال سازی موجود، تابع sin دارای عملکردی بهینه در مقایسه با سایر توابع فعال سازی بود. با توجه به تجزیه و تحلیل نتایج مدل سازی، مدل ELM 1 به‌عنوان مدل برتر معرفی شد. این مدل تابعی از کلیه پارامترهای ورودی بود. همچنین با حذف عدد فرود دقت مدل عددی به شکل قابل ملاحظه ای کاهش یافت فلذا پارامتر مذکور نیز به عنوان مؤثرترین پارامتر در مدل سازی آبشستگی در اطراف پایه های پل دوقلو توسط مدل ماشین آموزش نیرومند شناسایی شد.نتایج: با تجزیه و تحلیل نتایج مدل سازی، مدل برتر ELM معرفی کردید. نتایج مدل های ELM با مدل های ANN نیز مقایسه شد که نشان داده شد مدل های ELM مقادیر آبشستگی را با دقت بیشتری شبیه سازی می کنند. برای مدل برتر ELM یک رابطه برای محاسبه عمق حفره آبشستگی پیشنهاد داده شد و در ادامه تحلیل عدم قطعیت نشان داد که این مدل دارای عملکردی بیشتر از مقدار واقعی بود. علاوه بر این تحلیل حساسیت مشتق نسبی برای پارامترهای ورودی نشان داد که با افزایش عدد فرود مقدار تابع هدف (عمق آبشستگی) افزایش می یابد. Manuscript profile