وجود جریانهای آشفته و حلزونی و همچنین خاصیت سه بعدی جریان در خم ها و رودخانه های طبیعی باعث پیچیدگی الگوی جریان در این مسیرها شده است. با ورود جریان به قوس در اثر نیروی گریز از مرکز شیب عرضی در سطح آب ایجاد شده که باعث افزایش سطح آب در قوس خارجی و کاهش آن در قوس داخلی می‏شود. در نتیجه گرادیان فشار جانبی در داخل مقطع قوس تشکیل شده که با غلبه آن بر نیروی گریز از مرکز جریانی در جهت عرضی داخل مقطع شکل می‏گیرد که جریان ثانویه نامیده می‏شود. این جریان ثانویه قوی مشخصه اصلی جریان در کانال‏ها‏ی باز قوسی شکل است و باعث تشکیل یک الگوی جریان پیچیده در قوس‏ها و رودخانه‏های مئاندری می‏شود. این الگوی جریان یک توپوگرافی نامنظمی در قوس ایجاد کرده و باعث فرسایش و رسوبگذاری می‏شود. به همین دلیل استفاده از روش های مختلف جهت دست یافتن به دانش هیدرودینامیکی از الگوی جریان در مسیرهای قوسی لازم است. در این تحقیق ابتدا با استفاده از مدلسازی عددی ansys cfx جریان در قوس 90 درجه بصورت سه‏فازی (هوا، آب و رسوب) و سه بعدی شبیه‏سازی شده و با استفاده از نتایج مطالعات آزمایشگاهی انجام شده در دانشگاه تربیت مدرس تهران نتایج حاصل از حل عددی صحت سنجی شده اند. سپس تغییرات سرعت جریان در جهت طولی, عرضی و عمودی، تأثیرات جریان‏های ثانویه، تغییرات تراز بستر در مقاطع عرضی مختلف، تأثیر رسوب و شعاع انحنای نسبی بر روی الگوی جریان در قوس بررسی گردید و همچنین نتایج حاصل از شبیه‏سازی عددی در سه حالت تک فازی، دو فازی و سه فازی با یکدیگر مقایسه شده اند. پروفیل‏های سرعت محوری حاصل از نتایج آزمایشگاهی و عددی نشان داد که روش عددی به خوبی الگوی جریان در قوس را پیش‏بینی کرده است. در ادامه با استفاده از حل تحلیلی معادلات حاکم بر جریان در قوس، تغییرات قائم سرعت عرضی در طول محور کانال و نیز تغییرات سرعت طولی در سطح آب و در محور قوس ارزیابی شده است. همچنین نتایج حاصل از حل تحلیلی با نتایج آزمایشگاهی، شبیه سازی عددی و نتایج تحلیلی سایر محققین مقایسه شده اند. توزیع قائم سرعت عرضی و توزیع سرعت طولی بر روی سطح آب در مقاطع مختلف کانال نشان داد که در مقایسه با حل تحلیلی، مدل عددی در پیش بینی توزیع سرعت عرضی و طولی عملکرد بهتری داشته است. در بخش آخر این تحقیق با استفاده از روش های هوش مصنوعی الگوی جریان در قوس‏‏ها پیش بینی شده است که جهت آموزش شبکه عصبی از دو روش الگوریتم ژنتیک و پس انتشار خطا استفاده شده و نتایج آن‏‏ها با هم مقایسه گردیده است. در انتها نتایج حاصل از شبکه عصبی با نتایج حاصل از شبیه‏‏سازی عددی مورد مقایسه قرار گرفته است. مهمترین مزیت بکارگیری شبکه عصبی مصنوعی در این پژوهش، تقریب مقادیر سرعت برای نقاطی است که در آن‏ها داده‏های آزمایشگاهی موجود نیستند. مقایسه نتایج حاصل از شبکه عصبی مصنوعی و داده های آزمایشگاهی نشان داد که نتایج بدست آمده از شبکه های عصبی تطابق خیلی خوبی با نتایج آزمایشگاهی دارند و شبکه عصبی با دقت خوبی مقادیر سرعت در قوس را پیش‏بینی کرده‏است. همچنین در بین دو روش آموزش بکار رفته برای آموزش شبکه عصبی مشخص شد که در شرایط در نظر گرفته شده در این پژوهش، روش الگوریتم ژنتیک دارای نتایج بهتری نسبت به روش پس انتشار خطا است.