پیشبینی جریان ورودی به منابع آبی یکی از مهمترین مسائل در برنامه ریزی و مدیریت بهینه آنها در جهت تولی د انرژی برق آبی و تخصیص آب به منابع مصرف، محسوب می شود. پارامترهای مختلفی بر میزان دبی ورودی به سد تاثیرگذار می باشند . در مناطق خشک و نیمه خشک نظیر ایران، متغیرهای اقلیمی نظیر درجه حرارت و بارندگی بیشترین تاثیر را بر میزان رواناب ورودی به منابع آبی دارند . یک مدل بارش - رواناب ماهانه مناسب، ابزاری توانمند جهت بررسی اثر تغییرات اقلیمی بر قابلیت دسترسی آب برای تولید انرژی برق-آبی به شمار می آید. تحقیقات نشان داده است که رابطه مابین مقدار رواناب و متغیرهای تاثیر گذار بر آن ارتباطی غیرخطی و پیچیده دارند. شبکههای عصبی مصنوعی به علت خصوصیات منحصربفرد خود، قابلیت بالایی را در شبیه سازی روابط غیرخطی دارا می باشند. شبکه های عصبی مصنوعی تحولی عظیم در تحلیل رفتار سیست م های دینامیک در علوم مختلف مهندسی آب ایجاد کرده است. در این تحقیق سعی شده است با تبیین ویژگی های شبکه عصبی مصنوعی، شبکه استاتیکی برای بازیابی ارتباط غیرخطی مابین متغیرهای مستقل و وابسته طراحی گردد تا به کمک آن، تخمین هوشمند دبی متوسط ماهیانه ورودی به سد وحدت میسرگردد. در ادامه، با طراحی و بسط مدل شبکه عصبی دینامیکی بر مبنای کارکرد سری زمانی، مقدار آورد ما هانه ورودی به سد ، مورد پیش بینی قرار گرفت . سپس از شبکه عصبی برای مدل سازی سری زمانی غیر خطی آورد ماهانه رودخانه استفاده شد . همچنین با مقایسه نتایج حاصل از مدل شبکه عصبی استاتیکی و دینامیکی، عملکرد مدل های طراحی شده مورد ارزیابی و سنجش قرار گرفت . نتایج حاصل از تحقیق نشان داد که انطباق خوبی مابین مقادیر پیش بینی شده با شبکه های عصبی ترکیبی و داده های مشاهداتی وجود دارد . همچنین نتایج نشان داد که مدل شبکه عصبی دینامیکی سری زمانی با دقت بالاتری نسبت به مدل استاتیکی، مقدار آورد ماهانه را پیش بینی می نماید.
