آب¬های سطحی دارای انواع ناخالصی¬های معلق هستند که باعث کدورت و یا ایجاد رنگ می¬شوند. انعقاد فرآیند اصلی در مجتمع کردن ذرات ریز و تبدیل آنها به ذرات درشت¬تر به عنوان یکی از مراحل اصلی تصفیه آب مطرح می¬باشد. در این پایان¬نامه سعی شده تا جایگزینی روش¬های مدل¬سازی با روش¬های آزمایشگاهی زمان¬بر و هزینه¬بر مانند آزمایش جار بررسی گردد. بدین منظور از دو مدل پیشخور و پایه شعاعی از شبکه¬های عصبی مصنوعی، سیستم استنتاج عصبی- فازی و انواع مختلف تحلیل رگرسیون فازی جهت پیش¬بینی میزان نهایی کدورت پس از فرآیند انعقاد و لخته¬سازی و همچنین روش سری زمانی باکس- جنکینز جهت پیش¬بینی روند تغییرات کدورت طی فرآیند، در تصفیه¬خانه¬¬های آب 3 و 4 تهران، استفاده گردید. منعقدکننده به¬کار گرفته شده در پایلوت آزمایشگاهی راهبری¬شده در این تصفیه-خانه¬ها پلی¬آلومینیوم¬کلراید (pac) بوده و از اطلاعات اولیه نوع و غلظت منعقدکننده، کدورت و ph آب خام جهت پیش¬بینی کدورت آب تصفیه¬شده بهره گرفته شد. در بین شبکه¬های عصبی استفاده¬شده، مدل پایه شعاعی به¬دلیل امکان افزایش خودکار تعداد نرون¬های لایه پنهان جهت رسیدن به تابع کارایی با حداقل خطا، از قابلیت بالایی در شبیه¬سازی فرآیند انعقاد برخوردار می¬باشد. شبکه¬های پیشخور بر خلاف شبکه¬¬های پایه شعاعی به تعداد کمتر نرون احتیاج داشته و از طرفی قابلیت تغییر پارامترهای مختلف جهت دستیابی به نتایج مطلوب را دارا می¬باشد. افزایش تعداد نرون¬های لایه¬های مخفی و نرمال-کردن داده¬های ورودی به شبکه قابلیت پیش¬بینی شبکه¬های عصبی مصنوعی را افزایش می¬دهد. در این مطالعه همچنین عمومیت شبکه پیشخور جهت پیش¬¬بینی داده¬های صحت¬سنجی با اصلاح تابع کارایی افزایش یافته است. با توجه به عدم قطعیت ناشی از خطای انسانی در آزمایشگاه از روش¬های استنتاج عصبی- فازی تطبیقی و تحلیل رگرسیون فازی، که داده¬ها را در قالب مجموعه¬های فازی به مدل وارد می¬کنند، استفاده شد. نتایج نشان داد که شبکه¬های عصبی مصنوعی و تحلیل رگرسیون فازی نسبت به سیستم استنتاج عصبی- فازی تطبیقی توانایی بالاتری در پیش¬بینی راندمان حذف کدورت در شرایط مختلف آزمایشگاهی داشته و قابل جایگزینی با روش¬های زمان¬بر و هزینه¬بر مانند آزمایش جار می¬باشند. بهترین شبکه ساخته¬شده جهت پیش¬بینی کدورت آب تصفیه¬شده در این مطالعه، شبکه پیشخور با دو لایه مخفی و تعداد 6 و 8 نرون و توابع انتقال tansig و purelin به ترتیب در لایه¬های اول و دوم، با استفاده از داده¬های نرمال¬شده و همراه با اصلاح تابع کارایی بوده است. این شبکه موفق به پیش¬بینی فرآیند انعقاد با ضریب همبستگی 96/0، شاخص تطابق 99/0 و جذر میانگین مربعات خطای 0106/0 گردید. بهترین پیش¬بینی به¬وسیله تحلیل رگرسیون فازی با استفاده از تابع درجه دوم برازش داده شد. این تابع موفق به پیش¬بینی داده¬های صحت¬سنجی با ضریب همبستگی، شاخص تطابق و جذر میانگین مربعات خطای به ترتیب 94/0، 96/0 و 75/0 شد. همچنین مدل استنتاج عصبی- فازی تطبیقی با استفاده از توابع عضویت gaussmf برای داده¬های ورودی کدورت آب خام و ph و trimf برای اعمال داده¬های نوع و غلظت منعقدکننده به شبکه بهترین عملکرد را با ضریب همبستگی 89/0، شاخص تطابق 91/0 و جذر مربعات خطای 02/1 داشته است. همچنین استفاده از سری زمانی باکس- جنکینز جهت پیش¬بینی روند تغییرات کدورت در زمان انجام فرآیند انعقاد ولخته¬سازی با موفقیت همراه بوده است. مدل¬های arima(1,1,1)، arima(0,1,1) و arima(2,1,0) به¬ترتیب بهترین عملکرد را برای آب خام با ph¬های 7، 8 و 9 داشته¬اند.