در دهه های اخیر مدل شبکه عصبی مصنوعی) ANN ( کاربرد گسترده ای در تحقیقات مختلف هیدرولوژی از جمله شبیه سازی فرآیند بارش رواناب پیدا کرده است. درپژوهش حاضر از مدل شبکه عصبی پرسپترون چند لایه) MLP با ساختار 7-10-9 برای شبیه سازی هیدروگراف بارش رواناب استفاده شد. همچنین جهت بهبود آموزش و پایداری شبکه عصبی، اطلاعات به چهار گروه تقسیم و محاسبات برای هر گروه انجام گردید. محاسبات مربوط به شبکه عصبی توسط مدل شبکه عصبی Qnet2000 انجام شد. همچنین از مدل هیدرولوژیکی HMS - HEC جهت مقایسه و سنجش توانایی شبکه عصبی استفاده گردید. محدوده شاخص قدرمطلق درصد خطاینسبی) MAPE ( پارامترهای QP و TP شبیه سازی شده برای تمام هیدروگراف ها توسط شبکه عصبی به ترتیب 0/02-51/97 و 41/23-0/55 درصد در حالی که توسط مدل HMS - HEC این حدود به ترتیب 756/53 -0/58 و 250-0 درصد می باشند. به طور کلی در این تحقیق نتیجه گرفته شد که شبکه عصبی نسبت به مدل HMS - HEC نتایج موفقیت آمیزی در شبیه سازی شکل کلی هیدروگراف رواناب حاصل کرده است. البته مدل - HEC HMS به موازات مدل شبکه عصبی مصنوعی دبی اوج هیدروگراف را در بعضی موارد به خوبی شبیه سازی نموده است.

شبکه عصبی مصنوعی، فرآیند بارش رواناب، مدل - HMS - HEC