استفاده از تکنيک شبکه عصبي مصنوعي به عنوان يک رويکرد نو و يک ابزار کارآمد با توانايي مناسب در شبيه سازي و پيش بيني سيلاب به علت عدم حساسیت به خطا در داده های ورودی از اهميت زيادي برخوردار بوده و تا حدودي جايگزين مدل هاي آماري شده است.
در این پژوهش برای شبیه سازی سیلاب در حوضه آبخیز گل گل استان ایلام از شبکه های عصبی مصنوعی MLP و RBF با الگوریتم های یادگیری لونبرگ-مارکوارت، شبه-نیوتن و کاهش شیب با مومنتوم و تعداد نرون های مختلف در لایه پنهان در محیط نرم افزاری MATLAB استفاده شد. ورودی های هر دو مدل شامل عوامل متحرک یعنی بارندگی روز جاری و بارندگی یک و دو روز قبل به میلی متر، دما به درجه سانتی گراد، دبی حداکثر روزانه به مترمکعب بر ثانیه (طی یک دوره آماری 23ساله) و عوامل ثابت یعنی مساحت، محیط، ارتفاع ، شیب و... بودند که با استفاده از مدل ارتفاع رقومی زمین در محیط نرم افزاری Arc GIS بدست آورده شد. ولی چون ورودی های ثابت تأثیری در عملکرد مدل نداشتند فقط متغیرهای متحرک برای ارزیابی و بررسی مدل در نظر گرفته شد. خروجی مدل ها تنها دبی حداکثر لحظه ای به متر مکعب بر ثانیه بود. داده ها به طور تصادفی به دو مجموعه آموزش و آزمایش در برخی مدل ها و سه مجموعه آموزش، آزمایش و اعتبارسنجی در برخی دیگر از مدل ها تقسیم بندی شدند.
بررسی نتایج نشان داد که شبکه MLP با ساختار 1-5-5-1 و الگوریتم یادگیری لونبرگ-مارکوارت با ضریب همبستگی 927/0 در مرحله آموزش و 976/0 در مرحله آزمایش و خطاهای کمتر نسبت به دیگر ساختارها و شبکه RBF عملکرد بهتری در شبیه سازی سیلاب در منطقه مورد مطالعه داشت