مدل سازی و شماتیک کردن هر پدیده یا سیستم باعث تسلط بیشتر بر آن سیستم یا پدیده جهت درک بهتر روابط بین اجزا و شناخت رفتار آن در شرایط و زمان های مختلف می شود. برخی از عوامل مانند پارامترهای هواشناسی و هیدرولوژی و هیدروژئولوژی به طور مستقیم یا غیر مستقیم بر تغذیه و تخلیه سیستم آب های زیرزمینی اثرگذار هستند ولی این ارتباط در قالب هیچ فرمولی بیان نشده است. با توجه به سرعت بالای شبکه های عصبی مصنوعی در پیدا کردن ارتباط بین عوامل یک سیستم، جهت مدل سازی و پیش بینی سطح آب زیرزمینی دشت میداوود-دالون که در شمال شرق شهرستان رامهرمز واقع بوده و دارای وسعت 68 کیلومتر مربع می باشد مدلی بر پایه شبکه های عصبی تنظیم شد. یک مدل قابل تعمیم، با استفاده از 1 پیزومتر موجود در دشت، به جای 14 مدل شبکه عصبی مصنوعی، طراحی گردید. به عبارت دیگر شبکه ای واحد ایجاد گردید که بتواند سطح آب 14 پیزومتر موجود درنقاط مختلف منطقه را مدل سازی کند. هوشمندی بالای شبکه قابلیت تعمیم آن را بیشتر می کند. جهت رسیدن به بهترین ساختار برای شبکه عصبی مصنوعی با داشتن کمترین میزان خطای میانگین مربعات (که نشانه هوشمندی آن است) سه مدل یا روش مختلف انجام گردید. این سه روش شامل روش سعی و خطا، مدل تلفیقی الگوریتم ژنتیک-شبکه های عصبی مصنوعی و مدل تلفیقی الگوریتم بهینه سازی توده ذرات-شبکه های عصبی مصنوعی می باشد. در نهایت مدل سازی و پیش بینی سال آینده و دو سال آینده سطح آب پیزومترها با روش تلفیقی الگوریتم بهینه سازی توده ذرات-شبکه های عصبی مصنوعی نتایج بهتری نسبت به دو روش دیگر داشت. نتایج نشان داد مدل های عددی نسبت به مدل های شبکه عصبی با صرف زمان زیادتر قادر به پاسخگویی گزینه های مدیریتی مختلف و بیشتری هستند. با توجه به موفقیت آمیز بودن نتایج حاصل از مدل سازی توسط شبکه های عصبی مصنوعی در صورت کمبود اطلاعات، داده ها و زمان، می توان آن ها را جایگزین مناسبی برای مدل های عددی در نظر گرفت.