دستیابی به طراحی دقیق و نیز راهبری صحیح تصفیه خانه های فاضلاب از جمله چالش های مهم در صنعت آب و فاضلاب کشور به شمار می آید. در بسیاری از موارد، این گونه معضلات ناشی از عدم دسترسی به اطلاعات و داده های دقیق پارامترهای کمی و کیفی فاضلاب ورودی جهت طراحی و مدول بندی تصفیه خانه می باشد. در مواردی دیگر، عدم توانایی در پیش بینی تأثیر عواملی از قبیل نوسانات کمی و کیفی فاضلاب ورودی، عوامل آب و هوایی و شرایط فرآیندی بر عملکرد تصفیه خانه به منظور راهبری مناسب سیستم و اصلاح احتمالی پارامترهای طراحی در توسعه و یا ارتقاء مدول های تصفیه خانه، منشأ مشکلات اساسی می باشند. در تحقیق حاضر، به بررسی توانمندی مدل شبکه عصبی مصنوعی جهت پیش بینی عملکرد تصفیه خانه های نیمه مکانیکال (مطالعه موردی، بررسی عملکرد سیستم تصفیه لاگون هوادهی در تصفیه خانه فاضلاب شماره یک پرکندآباد مشهد) و بهینه سازی شبکه با الگوریتم ژنتیک پرداخته شده است. برای پیش بینی عملکرد تصفیه خانه فاضلاب شماره یک پرکندآباد، در ابتدا عوامل تأثیرگذار بر کیفیت پساب خروجی مشخص شدند. سپس بر اساس نتایج به دست آمده، مهم ترین عوامل موثر بر عملکرد تصفیه خانه شامل: الف) برخی پارامترهای کمی و کیفی فاضلاب ورودی مانند: دبی جریان، نسبت tbod_in/tcod_in ، درجه حرارت فاضلاب و میزان بار مواد آلی، ب) عوامل و شرایط فرآیندی مانند میزان اکسیژن محلول، درجه حرارت و ph محتوای لاگون و تعداد هواده های فعال و ج) عوامل و شرایط آب و هوایی مانند: درجه حرارت هوا و تعداد ساعات آفتابی تعیین گردیدند. در مرحله بعد، با استفاده از مدل شبکه عصبی با جستجوی کامل و ویژگی های موثر به عنوان ورودی های شبکه، عملکرد تصفیه خانه مورد پیش بینی قرار گرفت. مقدار بیشینه ضریب هم بستگی (r) برای پارامترهای tbod، tcod و tss به ترتیب برابر با 86/0، 86/0 و 80/0 و میزان درصد جذر میانگین مربعات خطای نسبی (rrmspe) و درصد میانگین مطلق خطای نسبی (rmape) متناظرش به ترتیب برابر با 14% و 12%، 15% و 13%، 18% و 15% برآورد شد. نتایج حاصل، حاکی از مناسب بودن مدل شبکه عصبی جهت پیش بینی عملکرد تصفیه خانه های نیمه مکانیکال بود. در نهایت با توجه به پایین بودن نسبی میزان ضریب هم بستگی (r) و بالا بودن میزان خطا در نتایج حاصل از مدل مذکور، با استفاده از الگوریتم ژنتیک به بهینه سازی شبکه عصبی جهت بالا بردن میزان دقت مدل پرداخته شد. بیشینه ضریب هم-بستگی در مدل شبکه عصبی بهینه شده با الگوریتم ژنتیک برای پارامترهای tbod، tcod و tss به ترتیب برابر با 93/0، 93/0 و 82/0 و rrmspe و rmape متناظرش برای هریک از پارامترهای مذکور به ترتیب برابر با 10% و 7%، 12% و 9%، 16% و 13% به دست آمد. بر اساس نتایج به دست آمده از مدل شبکه عصبی بهینه شده توسط الگوریتم ژنتیک از بین پارامترهای ورودی، میزان دبی و بار آلودگی مواد آلی، از بین شرایط فرآیندی، غلظت اکسیژن محلول، درجه حرارت محتوای لاگون و تعداد هواده های فعال و از بین عوامل آب و هوایی، درجه حرارت هوا، بیشترین اثر را در پیش-بینی غلظت هر سه پارامتر tbod، tcod و tss در پساب خروجی، دارا بودند. به طور کلی نتایج حاصل از این تحقیق دلالت بر آن داشت که کاربرد هر دو مدل برای پیش بینی عملکرد تصفیه خانه های نیمه مکانیکال مناسب هستند. اما مدل شبکه عصبی بهینه شده با الگوریتم ژنتیک به دلیل برازش بالاتر و خطای کم تر، مدلی کارآمدتر و مناسب تر می باشد.