چکیده: آب شستگی پایه های پل، یکی از دلایل اصلی شکست پل می باشد. بنابراین، دقت پیش بینی عمق آب-شستگی در اطراف پایه های پل، هم برای تعیین عمق کافی برای اجرای فونداسیون پایه های پل های جدید و هم به جهت ارزیابی و نظارت بر ایمنی پل های موجود، امری مهم تلقی می شود. در این تحقیق، یک مدل هوش مصنوعی (AI) جدید، با نام شبکه فازی _ عصبی شعاع مبنای استنتاجی هوشمند (IFRIM) ارائه شده است. این مدل ترکیبی از شبکه عصبی شعاع مبنی (RBFNN)، منطق فازی (FL) و الگوریتم‌های بهینه-سازی است؛ که در آن داده های ورودی با استفاده از منطق فازی، به صورت فازی تبدیل شده، سپس بهینه ترین پارامترهای شبکه فازی _ عصبی حاصله با استفاده از الگوریتم بهینه ساز، اخذ شده و در نهایت خروجی‌های فازی اخذ شده توسط توابع دفازی‌سازی به خروجی‌های عددی تبدیل می‌شوند. در تحقیق پیش-رو از الگوریتم های بهینه ساز کلنی زنبور عسل (ABC)، الگوریتم ژنتیک (GA) و توزیع جمعیت (PSO) بررروی دو سری داده آزمایشگاهی و داده‌های صحرائی که توسط سازمان نقشه‌برداری آمریکا جمع‌آوری گشته‌اند استفاده شده و در نهایت امر با یک‌سری داده‌های صحرائی دیگری که توسط فروهلیچ جمع‌آوری شده شبکه فازی_ عصبی مذکور صحت‌سنجی شده است. در این تحقیق برای توصیف تحلیل‌ها از جذر میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب همبستگی (CC) بین مقادیر پیش‌بینی شده و مقادیر واقعی استفاده گشته است. این مقادیر برای الگوریتم بهینه‌سازی کلنی زنبور عسل به ترتیب برای داده‌های آزمایشگاهی 0.1، 0.019 و 0.81، برای داده‌های صحرائی 0.089، 0.018 و 0.93 و در مرحله صحت‌سنجی برای داده‌های فروهلیچ برابر با 0.085، 0.019 و 0.94 می‌باشد که نسبت به سایر الگوریتم‌ها در کل عملکرد بهتری داشته است. در مقایسه عملکرد این تحقیق با سایر تحقیقات مشابه با این موضوع می‌توان به این نتیجه رسید که خطای کار در این تحقیق پایین آمده که به‌صورت تفضیلی در متن این تحقیق بحث شده‌است.