یکی از مهم ترین پدیده های هیدرولیکی، در جریان های متغیر سریع، پرش هیدرولیکی (جهش آبی) است، که تغییر حالت جریان از فوق بحرانی به زیر بحرانی می باشد. پرش هیدرولیکی عمق جریان را در مسیر نسبتاً کوتاهی، به میزان قابل توجه، افزایش می دهد و ضمن ایجاد اتلاف مقدار زیادی انرژی به صورت گرما، از میزان سرعت می کاهد. با توجه به هزینه و زمان مورد نیاز جهت ساخت مدل های فیزیکی و مطالعه آن ها، سیستم های هوش مصنوعی، با صرف هزینه و زمان کمتر، نتایج نسبتا دقیقی ارائه می دهند و دارای مزایای بسیاری نسبت به روش های مدلسازی و تخمین سنتی هستند. بنابراین این روش مدل سازی می تواندگزینه مناسبی در کنار مدل های فیزیکی باشند. در این پژوهش علاوه بر بررسی تاثیر اعداد بی بعد رینولدز و فرود در طول نسبی و افت انرژی نسبی پرش هیدرولیکی، عملکرد روش ترکیبی شبکه عصبی مصنوعی و الگوریتم ژنتیک در برآورد ویژگی های مذکور، با استفاده از اعداد رینولدز و فرود، مطالعه شد. بررسی داده های آزمایشگاهی نشان داد که، طول نسبی و استهلاک انرژی نسبی پرش هیدرولیکی آزاد با افزایش عدد فرود افزایش می یابد. این در حالی است که با افزایش عدد رینولدز پارامتر های مذکور کاهش خواهند یافت. همچنین کارایی مدل تلفیق شبکه عصبی و الگوریتم ژنتیک در تخمین طول نسبی و افت انرژی نسبی پرش هیدرولیکی بررسی شد. بهترین ساختار در برآورد طول نسبی پرش، معماری 2-8-2، با تابع انتقال تانژانت هایپربولیک خطی، قانون یادگیری مومنتوم با ضریب مومنتوم 7/0 (کنترل الگوریتم ژنتیک جهت تعیین ضریب مومنتوم) و تعداد 2500 تکرار بود. برآورد طول نسبی با r (ضریب رگرسیون)، 948/0، rmse (جذر میانگین مربعات خطا) 962/8، mape (میانگین قدر مطلق خطای نسبی)، 16 درصد و mse (میانگین مربعات خطا) 31/80، برای مرحله آزمون گزارش شد. برآورد افت انرژی نسبی، به ترتیب با مقادیر 890/0، 022/0، 30 درصد و 00048/0 در بهترین ساختار (2-8-2، قانون یادگیری مومنتوم، تابع انتقال تانژانت هایپربولیک و تعداد 1000 تکرار) بدست آمد.