پل ها از جمله مهم ترین و پرکاربردترین وسایل ارتباطی بوده، که در مواقع سیلاب اهمیت دو چندانی می یابند. به عنوان مثال در ایالات متحده بالغ بر 36000 پل یا در معرض آبشستگی و یا در محل وقوع آن قرار دارند. بنابراین طراحی دقیق و نگهداری از آن ها بسیار حائز اهمیت است. در این راستا طراحی دقیق نقش ویژه ای را ایفا می کند. به منظور تحقق این مهم می بایستی اطلاعات اولیه از صحت کافی و قابل قبولی برخوردار باشند، که در این بین عمق آبشستگی موضعی در بستر رودخانه بسیار مهم می باشد. بنابراین تخمین دقیق این عمق سبب افزایش طول عمر و کاهش هزینه های نگهداری آن می شود. در تحقیق حاضر جهت ارائه روشی سومند برای تخمین عمق آبشستگی از سیستم های هوشمند شبکه عصبی مصنوعی (ann) و سیستم استنتاج تطبیقی فازی- عصبی (anfis) بهره گرفته شده است. به منظور ارزیابی عملکرد روش های ذکر شده از داده های آزمایشگاهی در چهار حالت خام، نرمال شده، بی بعد و بی بعد نرمال شده استفاده شد. در ادامه پس از تعیین بهترین مدل، به کمک آنالیز حساسیت پارامترهای موثر در پدیده ی آبشستگی معرفی گردید. اما جهت تعمیم پذیر بودن و اطمینان از نتایج حاصل از این روش ها، از داده های صحرایی نیز استفاده گردید. تمامی مراحل ذکر شده برای داده های آزمایشگاهی برای این مجموعه نیز عملیاتی گردید. نتایج به دست آمده از این تحقیق نشان می دهد که تأثیر بی بعد سازی در بهبود عملکرد مدل ها نسبت به نرمال سازی بیشتر می-باشد. متوسط ضریب همبستگی به دست آمده به کمک مدل anfis به طور میانگین 1% بیشتر از مدل های ann بود. متوسط مقدار میانگین ریشه مربع خطاها برای مدل anfis نسبت به مدل های ann، 02/0 کمتر و میانگین مطلق خطا 04/0 بیشتر بود. شبکه عصبی بهترین عملکرد را در درک ارتباط بین پارامترهای ورودی داشته اما نهایتاً سیستم استنتاج تطبیق فازی- عصبی بود که به علت قابلیت تعمیم پذیری بیشتر و نوسان کمتر در نتایج حاصل، عملکرد بهتری را نشان داد. پس از انجام آنالیز حساسیت مدل anfis به ازای داده های نرمال شده و بی بعد نرمال شده مشخص گردید که به ترتیب پارامترهای سرعت جریان در بالادست پایه پل و قطر پایه پل در حالت نرمال شده و نسبت سرعت جریان به قطر پایه پل در حالت بی بعد نرمال شده از موثرترین عوامل در عمق آبشستگی پایه پل هستند. همچنین نسبت به عنوان پارامتر پیشنهادی در این تحقیق بعد از نسبت موثرترین عامل در عمق آبشستگی می باشد.