یکی از عوامل اصلی ویرانی آبشکن‌ها آبشستگی می‌باشد که فرآیندی بسیار پیچیده است. پیچیدگی الگوی جریان پیرامون آبشکنها و گوناگونی عوامل مؤثر بر آبشستگی، موجب پرشماری روابط تجربی و کاهش دامنه‌ی هر یک از آنها، به‌دلیل محدودیت شرایط آزمایشگاهی می‌شود. در این تحقیق امکان استفاده از شبکه‌های پرسپترون چندلایه(MLP) برای برآورد بیشترین ژرفای آبشستگی پیرامون سه نوع آبشکن شامل آبشکنهایی با دیواره‌ی عمودی،‌ بالدار و نیم‌دایره‌ای مورد مطالعه قرار گرفتند. دستاوردهای شبیه شبکه عصبی مصنوعی با نتایج به‌دست آمده از رابطه‌ی تجربی پیشنهادی به‌وسیله‌ی باربهیوا و دی(2004) مقایسه گردیدند. هشت نمایشنامه بر اساس فراسنجهای مؤثر و شبکه‌های با ورودیهای مختلف برای پیش‌بینی ژرفای آبشستگی تعریف شدند. مقایسه‌‌ی نتایج نمایشنامه‌های مختلف نشان دادند که نمایشنامه ای که تنها از دو فراسنج و برای برآورد ژرفای آبشستگی در پیرامون آبشکن استفاده می‌کند، از عملکرد بهتری برخوردار است. همچنین، نتایج تحلیل حساسیت نشان دادند که فراسنجهای و بیشترین تأثیر را در پیش‌بینی ژرفای آبشستگی آبشکن دارند. مقایسه نتایج شبیه شبکه‌های عصبی و مقادیر محاسبه شده از رابطه‌ی تجربی با داده‌های آزمایشگاهی نشان دادند که مقادیر بیشترین ژرفای آبشستگی به‌دست آمده از روش شبکه‌های عصبی مصنوعی از دقت بیشتری نسبت به رابطه-ی تجربی برخوردارند. همچنین، دقت شبکه‌های عصبی مصنوعی در برآورد ژرفای آبشستگی پیرامون آبشکنهای با دیواره‌ی عمودی در مقایسه با دو نوع آبشکن دیگر بیشتر است.

تبخیر و تعرق یکی از اجزای اصلی چرخه‌ی هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه‌های عصبی مصنوعی در چند دهه‌ی اخیر و در مطالعات صورت گرفته برای مدل‌سازی سیستم‌های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده‌اند. در تحقیق حاضر امکان استفاده از شبکه‌های با تابع پایه‌ی شعاعی (RBF) و شبکه‌های پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده‌های هواشناسی سال‌های 1383-1330 ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه‌ی گیاه مرجع از روش استاندارد پنمن – مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی‌های هدف، شبکه‌های مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده‌ها که در طراحی و یا آموزش شبکه استفاده نشده‌اند، مورد بررسی قرار گرفت. با بررسی‌های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می‌توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی (4081/0RMSE برای مجموعه‌ی صحت‌سنجی) تخمین زد. همچنین با مقایسه‌ی نتایج حاصل از دو شبکه مشخص شد که شبکه‌های MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتا بیشتری برخوردارند و تنها مزیت شبکه‌های RBF زمان کمتر مورد نیاز برای آموزش است.