پیش بینی دقیق مقدار دبی متوسط ماهیانه ورودی به منابع آبی نظیر سدها، نقش 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 سالیانه ورودی به آن را محاسبه و برنامه ریزی مناسب جهت تخصیص بهینه آب به بخش های مختلف مصرف آب نظیر آب شرب، کشاورزی، تولید انرژی برق آبی و ... را تدوین نمود. پارامترهای مختلفی بر میزان دبی ورودی به سد تاثیرگذار هستند. این پارامترها کاملا شناخته شده نبوده و ارتباط آنها با دبی ورودی پیچیده و غیرخطی می باشد. لذا ارائه رابطه تحلیلی و ریاضی از این ارتباط، مشکل و غیرعملی است. شبکه های عصبی مصنوعی به علت خصوصیات منحصربفرد خود، دارای قابلیت بالایی در شبیه سازی روایط غیرخطی 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 طراحی شده تا به کمک آن تخمین هوشمند دبی متوسط ماهیانه ورودی به سد میناب میسر گردد. معماری و طراحی اجزای فنی شبکه بر پایه دو روش آستانه میانگین مربعات خطا و روش Cross validation صورت گرفت. همچنین از قوانین یادیگری مختلف برای انتخاب اجزای مناسب شبکه استفاده بعمل آمد. با مقایسه نتایج حاصل از مدل شبکه عصبی و مدل دینامیکی و هیبرید، عملکرد مدل پیشنهادی مورد ارزیابی و سنجش قرار گرفت. نتایج حاص از تحقیق نشان داد که انطباق قابل قبولی مابین مقادیر پیش بینی شده با شبکه عصبی مصنوعی و داده های مشاهده ای وجود دارد. نتایج همچنین نشان داد که مدل شبکه هیبرید با دقتی بیشتر از دو روش دیگر، مقدار دبی متوسط ماهیانه را پیش بینی می نماید. نتایج حاصل از فرایند آنالیز حساسیت نیز نشان داد که در مدل استاتیکی بارندگی و حداقل درجه حرارت به ترتیب دارای بیشترین و کمترین تاثیر بر دقت پیش بینی مدل شبکه عصبی پیشنهادی می باشد.
