مخازن چاه¬نیمه متشکل از چهار فرورفتگی طبیعی در دشت سیستان می باشندکه به منظورکنترل سیلاب و ذخیره آب رودخانه هیرمند برای تأم‍‍‍ین آب شرب و کشاورزی ساکنان منطقه مورد بهره-برداری قرار می¬گیرند. از جمله مشخصه¬های مهم هر مخزن تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز، موثر در تفسیر و بررسی مسایل مرتبط از جمله ریسک پذیری تأسیسات و سازه¬های وابسته، تغییرات ذخیره آبی دریاچه، ساخت و سازه¬های ساحلی و مباحث زیست¬محیطی می-باشد. هر چند که با استفاده از اندازه¬گیری¬های مکرر تراز آب می¬توان دیدی کلی نسبت به تغییرات آن بدست آورد، اما شبیه¬سازی این متغیرامکان پیش¬بینی آن، بخصوص تحت سناریوهای مختلف را فراهم می¬آورد. در سال¬های اخیر پیشرفت زیادی در زمینه¬های مختلف هوش مصنوعی که شبکه¬های عصبی از آن جمله می¬باشند انجام شده است .استفاده از این شبکه¬ها در پیش¬بینی و تخمین پارامترها در بسیاری از مسائل مختلف علمی و مهندسی رواج وتوسعه بسیاری پیدا کرده است که اساس کار این شبکه¬ها بر پایه کشف روابط تجربی از وقایع اتفاق افتاده در گذشته است. برای تهیه مدل بهینه به منظور شبیه¬سازی تراز سطح آب مخزن چاه¬نیمه چهارم از متغیرها و ورودی¬هایی از جمله دما، -رطوبت نسبی، ¬سرعت وزش باد، ¬ترازسطح مخزن و ¬تبخیر استفاده گردید. به این منظور مشخصات شبکه، مانند تعداد لایه¬های پنهان، تعداد نرون¬های موجود در هر لایه پنهان، تابع فعالیت و الگوریتم آموزش با استفاده از بسته نرم افزاری matlab تعیین شد. در نهایت نتایج شبیه¬سازی تراز سطح آب مخزن چاه نیمه چهار با استفاده ازشبکه عصبی و anfis با داده¬های واقعی برداشت شده مقایسه و دقت این روش¬ها با استفاده از معیار rmse،mae و r2مورد ارزیابی قرارگرفت . با توجه به شبیه سازی میزان تراز سطح آب مخزن توسط مدل های هوش مصنوعی، نتیجه حاصل نشان از دقت خوب این مدل ها در تخمین میزان تراز آب دارد و در بین آنها شبکه عصبی برآورد بهتری داشت. بطوریکه بر اساس نتایج آنالیز آماری در سه مرحله (آموزش، تست، اعتبارسنجی) شبیه¬سازی با شبکه عصبی مقادیر معیارهایrmse،mae و r2 به ترتیب برابر000062/0 و 000048/0 و 9998/0 محاسبه گردید، بر این اساس پیشنهاد می¬گردد جهت مدیریت بهتر منابع آب چاه ¬نیمه ها از روش¬های شبیه¬سازی تراز مخزن بوسیله هوش مصنوعی در کل مخازن چهارگانه چاه¬نیمه استفاده گردد.