پیش بینی دقیق مقدار دبی متوسط ماهیانه ورودی به منابع آبی نظیر سدها، نقشی اساسی در برنامه ریزی، مدیریت و بهره برداری بهینه و پایدار آنها ایفا می کند. با معلوم بودن مقدار دبی ورودی به سد می توان حجم سالانه آب ورودی به آنرا محاسبه و برنامه ریزی مناسب جهت تخصیص بهینه آب به بخش های مختلف مصرف نظیر آب شرب، کشاورزی، تولید انرژ برق-آبی و . . . را تدوین نمود. پارامترهای مختلفی بر میزان دبی ورودی به سد تاثیر گذار هستند. این پارامترها کاملا شناخته شده نبوده و ارتباط آنها با دبی ورودی پیچیده و غیرخطی می باشد. لذا ارائه رابطه تحلیلی و یاضی از این ارتباط، مشکل و غیرعملی است. شبکه های عصبی مصنوعی به علت خصوصیات منحصربفرد خود، دارای قابلیت بالایی در شبیه سازی روابط غیر خطی و پیچیده دارا می باشد. در این تحقیق سعی شده است با تبیین ویژگی های شبکه عصبی مصنوعی، شبکه ای از نوع پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا برای بازیابی ارتباط غیرخطی بین متغیرهای مستقل و وابسته طراح شده تا به کمک آن تخمین هوشمند دبی متوسط ماهیانه ورودی به سد قشلاق میسر گردد. معماری و طراحی اجزا فنی شبکه بر پایه دو روش آستانه میانگین مربعات خطا و روش Cross Validation صورت گرفت. همچنین از قوانین یادگیری مختلف برای انتخاب اجزا مناسب شبکه استفاده به عمل آمد. با مقایسه نتایج حاصل از مدل شبکه عصبی و روش تجربی خوسلا، عملکرد مدل پیشنهادی مورد ارزیابی و سنجش قرار گرفت. نتایج حاصل از تحقیق نشان داد که انطباق قابل قبولی بین مقادیر پیش بینی شده با شبکه عصبی مصنوعی و داده های مشاهداتی وجود دارد. نتایج همچنین نشان داد که مدل شبکه عصبی پیشنهادی با دقتی بیشتر از روش تجربی خوسلا، مقدار دبی متوسط ماهیانه را پیش بینی می نماید. نتایج حاصل از فرایند آنالیز حساسیت نیز نشان داد که بارندگی و دما به ترتیب دارای بیشترین و کمترین تاثیر بر دقت پیش بینی مدل شبکه عصبی پیشنهادی می باشند.
