سرریزهای غیرخطی ضمن دارا بودن مزیت‌های اقتصادی، قابلیت عبوردهی بیشتری را نسبت به سرریزهای خطی دارند. این سرریزها با افزایش طول تاج در یک عرض مشخص، در مقایسه با سرریزهای خطی راندمان دبی بیشتر با ارتفاع آزاد کمتر را در بالادست دارند. الگوریتم‌های هوشمند به‌دلیل توانایی زیاد در کشف رابطه‌های دقیق پیچیدۀ مخفی بین پارامترهای مستقل مؤثر و پارامتر وابسته و همچنین صرفه‌جویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کرده‌اند. در این پژوهش عملکرد الگوریتم‌های ماشین‌بردار پشتیبان (SVM) و برنامه‌ریزی بیان ژن (GEP) در پیش‌بینی ضریب دبی سرریزهای غیرخطی قوسی به کمک 243 سری دادۀ آزمایشگاهی برای سناریو اول و 247 سری داده آزمایشگاهی برای سناریو دوم بررسی شده است. پارامترهای هندسی و هیدرولیکی استفاده شده شامل بار آبی (HT/p)، ارتفاع سرریز (P)، نسبت بار آبی کل ، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل(α) و ضریب دبی (Cd) است. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای (H_T/p ،α ،Ɵ و Cd) به‌ترتیب در الگوریتم‌های GEP و SVM در مرحلۀ آموزش مربوط به سناریو اول (سرریز کنگره¬ای با زاویۀ دیوارۀ سیکل 6 درجه) به‌ترتیب برابر است با (0/9811=R2)، (RMSE=0/02120)، (DC=0/9807)، (R2=0/9896)، (RMSE=0/0189)، (DC=0/9871). (در سناریو دوم (سرریز کنگره‌ای با زاویۀ دیوارۀ سیکل 12 درجه) به‌ترتیب برابراست با (0/9770=R2)،(RMSE=0/0193)، (DC=0/9768) و (9908/0=R2)، (RMSE=0/0128)، (DC=0/9905) که در مقایسه با دیگر ترکیب‌ها منجر به بهینه‌ترین خروجی شده است که نشان‌دهنده دقت بسیار مطلوب هر دو الگوریتم در پیش‌بینی ضریب دبی سرریز غیرخطی قوسی است. نتایج آنالیز حساسیت نشان داد که پارامتر مؤثر در تعیین ضریب دبی سرریز غیرخطی قوسی در GEP و هم در SVM پارامتر نسبت بار آبی کل (HT/p) است. مقایسه نتایج این پژوهش با سایر پژوهشگران نشان می‌دهد که شاخصه‌های ارزیابی برای الگوریتم‌های GEP و SVM پژوهش حاضر نسبت به سایر پژوهشگران برآورد بهتری دارند.
