امروزه موج شکن های مستغرق بطور فزاینده ای در نواحی ساحلی جهت محافظت از خطوط ساحلی در برابر فرسایش مورد استفاده قرار گرفته اند. کارکرد اصلی موج شکن های مستغرق در نواحی ساحلی، کاهش انرژی موج در اثر شکست موج و مستهلک نمودن انرژی آن پیش از رسیدن به ساحل همراه با حفظ منظره طبیعی ساحل می باشد. بهبود دانش موجود در مورد تاثیرات موج شکن های مستغرق روی امواج و جریانهای دریایی سبب انجام محاسبات دقیق تر در زمینه های تعیین نحوه و میزان جابه جایی رسوبات دریایی در حضور اینگونه سازه ها می شود. در این پایان نامه سعی شده است تا با ارائه یک مدل عددی مبتنی بر شبکه های عصبی مصنوعی، پیش بینی جریان ناشی از موج روی موج شکنهای مستغرق جدا از ساحل در مقایسه با مدلهای موجود تا حد امکان بهبود یابد. جریان ناشی ازموج روی موج شکن های مستغرق تابع پیچیده ای از چندین پارامتر مختلف مانند وضعیت موج برخوردی، عمق آب روی موج شکن و هندسه موج شکن می باشد. یکی از مزایای بکارگیری تکنیک شبکه های عصبی مصنوعی در این تحقیق پیش بینی جریان ناشی از موج روی موج شکن مستغرق صرف نظر از تنوع زیاد پارامترهای در گیر در مسئله می باشد. از سوی دیگر مدلهای شبکه عصبی مصنوعی نیاز به یک مجموعه گسترده ای از داده های مربوط داشته که معمولا یا در دسترس نبوده ویا دسترسی به آن بسیار مشکل و یا همراه با صرف هزینه زیاد بوده است. بنابرین تلاش برای تولید یک مدل عددی بر پایه ادغام دو مدل تحلیلی و شبکه عصبی برای غلبه بر این مشکلات جهت پیش بینی جریان روی موج شکن مستغرق در این پایان نامه صورت گرفت. بطور خلاصه یک مدل شبکه عصبی مصنوعی مناسب با ماهیت مسئله که در اصل یک مورد مسئله رگرسیون یا تقریب توابع می باشد، طراحی گردید و با استفاده از داده های جریان تولید شده با استفاده از مدل تحلیلی آموزش داده شد. تعداد محدود داده های آزمایشگاهی در دسترس در زمینه جریان روی موج شکن مستغرق عامل اصلی بکارگیری داده های مصنوعی جهت توسعه و آموزش شبکه عصبی مصنوعی گردید. در این پایان نامه از یک روش بهبود یافته از سری روشهای الگوریتم آموزش پس انتشار خطا در شبکه های عصبی مصنوعی تحت عنوان" الگوریتم پس انتشار ارتجاعی" به منظور آموزش یک شبکه پیش خور چند لایه استفاده شده است. علاوه بر این در آموزش شبکه عصبی از روشی تحت عنوان "توقف زودرس" جهت حل مسئله تعمیم دهی استفاده گردیده است. پس از آن شبکه عصبی با ارائه مجموعه جدیدی از داده ها تست شده و معماری آن برای تعداد زیادی از شبکه های مختلف از لحاظ تعداد واحدهای محاسباتی و یکسان در سایر پارامترهای شبکه بهینه گردیده است. در ادامه جهت صحت سنجی عملکرد مدل، نتایج آن با مجموعه داده های آزمایشگاهی مقایسه شده است. جریان محاسبه شده توسط مدل ارائه شده با سه مجموعه از داده های آزمایشگاهی در شرایط گوناگون مقایسه و مورد صحت سنجی قرار گرفته است. مجموعه داده های آزمایشگاهی از فلوم موج با در نظر گرفتن طیف گسترده ای از پارامترهای مختلف در گیر در مسئله شامل عمق آب روی تاج موج شکن، عرض تاج موج شکن و وضعیت موج گردآوری شده است. مقایسه نتایج حاصل از مدل و مقادیر آزمایشگاهی دقت مدل شبکه عصبی آموزش دیده توسط داده های مصنوعی و ظرفیت مناسب این روش جهت پیش بینی جریان روی موج شکن مستغرق را آشکار کرد. کلمات کلیدی: موج شکن مستغرق، جریان ناشی از موج، شبکه های عصبی مصنوعی.