به دلیل پیچیده بودن اندرکنش جزرومد وسیلاب در رودخانه های جزرومدی ،نمونه برداری واندازه گیری غلظت بار معلق رسوبات در مقاطع جزرومدی این رودخانه ها بسیار مشکل است.جریان سیلاب مقدار زیادی شن و ماسه را بصورت بار معلق از حوضه آبریز رودخانه با خود حمل می کند در حالیکه موج مد مقدار فراوانی سیلت از دریا به سوی رودخانه حمل می کند ودر زمان جزر به دریا باز گردانده می شود.داده های اندازه گیری شده نشان می دهند غلظت رسوبات زمانی به حداکثر مقدار خود می رسد که جریان رودخانه سیلابی ودر پایین دست جریان جزر حاکم باشد،در این هنگام جریان رودخانه وجزر با هم همسو هستند. در این پایان نامه برای دستیابی به غلظت بار معلق مقاطع جزرومدی رودخانه کارون بعنوان جزرومدی ترین رودخانه ایران،تحت سیلاب ها وجزرومدهای همزمان ،از روش تئوری احتمال توامان وشبکه عصبی مصنوعی استفاده شده است.در این تحقیق از داده های مشاهداتی ایستگاه های دارخوین ،سلمانیه وسه شاخه خرمشهر برای آموزش ،ارزیابی وتست شبکه در دو حالت مختلف استفاده شده است.جهت آموزش شبکه عصبی ،روش لونبرگ مارکوارت بکارگرفته شده وبه منظور کاهش mse وافزایش ضریب کارآیی ،پارامتر های شبکه عصبی با استفاده از الگوریتم ژنتیک بهینه شده اند.ورودی های شبکه در حالت اول فاصله از ایستگاه بالادست ،دوره بازگشت سیلاب ودوره بازگشت جزرومد ودر حالت دوم فاصله از ایستگاه بالادست،دبی سیلاب وارتفاع جزر در پایین دست معرفی شده اند وخروجی شبکه در هر دو حالت غلظت بار معلق رسوبات می باشد.با توجه به کمبود داده های مشاهداتی برای شرایط سیلابی وجزرومدی بحرانی از نتایج یک مدل عددی تعیین غلظت رسوب (کالیبره وارزیابی شده توسط داده های مشاهداتی)برای صحت سنجی نتایج شبکه عصبی مصنوعی استفاده شده است.این شرایط بحرانی با استفاده از روش تحلیلی تئوری احتمال توامان تعیین شده اند.پس از تعیین غلظت با استفاده از مدل عددی انتقال –پخش مذکور ،روابط رگراسیونی بین غلظت رسوب وپارامتر های فوق ،جهت سهولت استفاده از آن نتایج ،استخراج شده است. در نهایت با مقایسه روش های مختلف وآمار مشاهداتی در ایستگاههای جزرومدی ،ملاحظه شد روش شبکه عصبی بهینه شده توسط الگوریتم ژنتیک بهترین انطباق را با آمار مشاهداتی دارد وحتی نتایج شبکه عصبی دقیقتر از روش عددی می باشد.