چکیده: در پی نتایج تحقیقات پیشین مبنی بر استفاده از روش مدل سازی به وسیله شبکه عصبی به منظور پیش-بینی رفتار تصفیه خانه های فاضلاب، در این تحقیق یک شبکه عصبی مصنوعی چندلایه پرسپترون به-منظور ارزیابی عملکرد تصفیه خانه فاضلاب شهر بیرجند که از فرآیند برکه های تثبیت بهره می برد، به کار گرفته شده است. در این راستا، بر مبنای اندازه گیری های ماهانه انجام شده در تصفیه خانه فاضلاب بیرجند به مدت 131 ماه از مردادماه 1385 تا خردادماه 1396، میزان متغیرهای هدف در خروجی برکه تکمیلی تصفیه خانه در شرایط بهره برداری مختلف پیش بینی شده است. متغیرهای ورودی شبکه عصبی شامل دما، BOD، COD، TSS و میزان دبی جریان فاضلاب ورودی به برکه بی هوازی و متغیرهای خروجی شبکه شامل BOD، COD و TSS پساب خروجی از برکه تکمیلی بودند. در این راستا، شبکه های عصبی مصنوعی گوناگون از دیدگاه الگوریتم های آموزش، تعداد متغیرهای خروجی، تعداد نرون های لایه پنهان و ترکیب توابع فعال سازی طراحی و مقایسه شده اند. نتایج حاصل نشان دادند که بهترین الگوریتم برای آموزش شبکه، الگوریتم LM می باشد. همچنین مشخص شد که آرایش بهینه نرون ها برای متغیرهای خروجی BOD، COD و TSS به ترتیب 1-19-5، 1-19-5 و 1-20-5 با مقادیر ضریب همبستگی 0.90، 0.96 و 0.95 است. ترکیب بهینه توابع فعال سازی برای متغیرهای مذکور نشان داد که توابع سیگموید از عملکرد بهتری برای پیش بینی رفتار متغیرها برخوردار می باشند. از طرف دیگر طبق نتایج حاصل می توان دریافت که شبکه های تک خروجی نتیجه بهتری نسبت به سایر شبکه ها داشتند. بر اساس آنالیز حساسیت با استفاده از وزن های اصلاح شده شبکه عصبی بهینه مشخص شد که مؤثرترین پارامترهای ورودی بر متغیرهای خروجی BOD، COD و TSS پساب برکه تکمیلی، TSS، BOD و دمای فاضلاب ورودی به برکه بی هوازی می باشند. درنتیجه با مقایسه نتایج حاصل از پیش بینی رفتار تصفیه خانه فاضلاب بیرجند با سایر تحقیقات و با توجه به معیارهای آماری می توان از کارآمدی شبکه عصبی برای مدل سازی تصفیه خانه هایی با فرآیند برکه تثبیت نظیر تصفیه خانه فاضلاب بیرجند اطمینان حاصل کرد.