به طور کلی پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن به دلیل تاثیرات پارامترهای مختلف، به آسانی میسر نیست. حتی اگر مدلی ریاضی نیز تبیین شود، دسترسی به داده های لازم در اکثر موارد امکان پذیر نخواهد بود. با توجه به توانایی های شبکه های عصبی مصنوعی در شناسایی ارتباط بین متغیرهای ورودی و خروجی یک مساله بدون در نظر گرفتن فیزیک آن مسئله و نیز به دلیل ضعف مدل های فیزیکی و ریاضی در مدل کردن فرآیندهای رسوبی، این شبکه ها می توانند در مدل کردن مساله انتقال رسوب به کار روند. آگاهی از میزان مواد جامد رسوب که توسط جریان حمل یا ترسیب می گردد جزو اطلاعات لازم و اولیه هر پروژه آبی و یکی از عوامل مهم تصمیم گیری در مورد احداث سازه های آبی بر روی رودخانه ها می باشد . در این میان شبکه های عصبی مصنوعی به عنوان عضوی از خانواده هوش مصنوعی در تعیین بار معلق رسوب توانا به نظر می رسند. این روش ها با الهام از مغز انسان و دستیابی به دانش نهفته در داده ها روابط موجود بین داده ها را به دست آورده و آنها را به مواردی که مدل با آن ها مواجه نشده است تعمیم می دهند. در این تحقیق از مدلqnet 2000 که با شبکه پرسپترون چند لایه و الگوریتم پس انتشار خطا طراحی شده است استفاده شد. ابتدا، مدل با استفاده از یک دسته سری های داده آموزش می بیند و با استفاده از اطلاعات حاصل از داده ها، وزن های شبکه تعیین می گردند،سپس مدل به وسیله داده هایی که قبلا با آن آموزش ندیده است موردآزمایش قرار می گیرد. با بدست آوردن میزان خطای مدل با توجه به داده های ورودی داده شده به مدل جهت آموزش، کارایی مدل اثبات می گردد. استان سمنان دارای ایستگاه های هیدرومتری فراوانی است که ایستگاه های بنکوه، حبله رود(سیمین دشت)، نمرود و چشمه علی به دلیل داشتن آمار کاملتر و واقع بودن در مناطق خشک و نیمه خشک انتخاب گردیدند، پس از بررسی شرایط داده ها ،پایه زمانی مشترک انتخاب گردید و در شرایط مورد نیاز بازسازی ها انجام شد. از مدل qnet 2000 به منظور انتخاب تابع انتقال مناسب ،تاثیر لگاریتمی کردن داده ها، تاثیر استفاده از لایه های میانی بیشتر و تاثیر استفاده از دبی روز های قبل استفاده شد و نتایج آن با نتایجی که از مدل رگرسیون خطی چند متغیره بدست آمد مقایسه گردید. ارزیابی عملکرد مدلهای به کار برده شده به کمک فاکتور های ضریب همبستگی و خطا امکان پذیر می باشد. بیشترین ضریب همبستگی و کمترین میزان خطا، بهترین روش را معرفی می نمایند، بنابراین ارزش رجحانی روشها به ترتیب شبکه عصبی مصنوعی و سپس رگرسیون خطی چند متغیره می باشد.با توجه به یکسان بودن داده های ورودی مدلهای شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره می توان کارایی بالاتر شبکه عصبی مصنوعی را نسبت به مدل رگرسیون خطی چند متغیره به خوبی استنتاج نمود. به طور کلی پدیده رسوب یک مساله غیرخطی است و مدل شبکه های عصبی مصنوعی به عنوان ابزاری توانمند، قادرند به نوعی روابط غیر خطی حاکم بر فرآیندهای رسوبی را تعیین نمایند.