فرآیند بارش - رواناب یک پدیده به طور کامل پیچیده و غیرخطی در آب شناختی می باشد. مدل های مفهومی به طور وسیعی برای مدلسازی بارش - رواناب به کار برده می شوند. با این وجود، این مدل ها نیازمند تعداد زیادی اطلاعات جزئی بوده و کاربرد آنها صرفا محدود به مقیاس منطقه مورد مطالعه می باشد. در مواردی که با کمبود اطلاعات جزئی مواجه هستیم مدل های جعبه سیاه مانند شبکه های عصبی مصنوعی می توانند برای مدلسازی روابط غیرخطی و پیچیده به کار روند. به منظور شبیه سازی آبنمود بارش - رواناب در حوزه آبخیز معرف کسیلیان از مدل شبکه عصبی پرسپترون چند لایه(MLP) با ساختار 7-10-9 استفاده شد. ابتدا داده های بارندگی با توجه به الگوی زمانی بارندگی به چهار گروه تقسیم گردیدند. برای هر گروه توزیع بارندگی در چارک های زمانی مختلف، دبی پایه آبنمود، عمق کل بارندگی، عمق بارندگی تا وقوع زمان تمرکز حوضه، تداوم بارندگی و شاخص بارش پیشین به عنوان پارامترهای ورودی مدل شبکه عصبی لحاظ گردید. اطلاعات خروجی مدل شبکه عصبی به صورت دبی اوج آبنمود، زمان وقوع دبی اوج، زمان پایه آبنمود، زمان رسیدن به دبی برابر با 50 و 75 درصد دبی اوج و عرض های آبنمود متناظر با این دبی ها در نظر گرفته شدند. علاوه بر این، برای اطلاعات موجود در گروه های مختلف و با استفاده از توابع محرک مختلف در لایه های پنهان و خروجی شبیه سازی انجام گردید. نتایج نشان دهنده همبستگی قوی بین خروجی های مدل با داده های اندازه گیری شده می باشد. ضرایب همبستگی از (RMSE= 0.0882) 0.9107 برای گروه اول تا (RMSE= 0.0678) 0.9909 برای گروه چهارم از اطلاعات حاصل گردید. این همبستگی های قوی نشان می دهد که در شرایط نبود اطلاعات جزئی، مدل شبکه عصبی مصنوعی می تواند برای شبیه سازی پارامترهای آب شناختی مورد استفاده قرار گیرد.