چکیده: 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 آن را محاسبه و برنامه ریزی مناسب جهت تخصیص بهینه آب به بخش های مختلف مصرف نظیر آب شرب، کشاورزی، تولید انرژی برق آبی و ... را تدوین نمود. پارامترهای مختلفی بر میزان دبی ورودی به سد تأثیرگذار هستند. این پارامترها کاملاً شناخته شده نبوده و ارتباط آنها با دبی ورودی پیچیده و غیر خطی می باشد. لذا ارائه رابطه تحلیلی و ریاضی از این ارتباط، مشکل و غیر عملی است. شبکه های عصبی مصنوعی به علت خصوصیات منحصر بفرد خود، دارای قابلیت بالایی در شبیه سازی روابط 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 validationصورت گرفت. همچنین از قوانین یادگیری مختلف برای انتخاب اجزای مناسب شبکه استفاده به عمل آمد. با مقایسه نتایج حاصل از مدل شبکه عصبی و مدل دینامیکی و هیبرید، عملکرد مدل پیشنهادی مورد ارزیابی و سنجش قرار گرفت. در نهایت با انجام فرآیند آنالیز حساسیت میزان تأثیر متغیرهای ورودی بر 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 هیبرید با دقتی بیشتر از دو روش دیگر، مقدار دبی متوسط ماهیانه را پیش بینی می نماید. نتایج حاصل از فرآیند آنالیز حساسیت نیز نشان داد که در مدل استاتیکی بارندگی و حداقل درجه حرارت به ترتیب دارای بیشتری و کمترین تأثیر بر دقت پیش بینی مدل شبکه عصبی پیشنهادی می باشد