Esta pesquisa confronta a modelagem mecanística de um sistema de tratamento de esgotos de lodos ativados, utilizando o equacionamento cinético do Modelo Número 1 da IAWQ e a modelagem empírica das Redes Neurais Artificiais. Este tipo de técnicademodelagem empírica se confronta com a modelagem mecanística tradicional, pois o conhecimento da microbiologia e cinética bacteriana e suas inter-relações não é necessário, embora desejável. Isto é de especial relevância na modelagem dosfenômenos naturais de tratamento de esgotos, em que os modelos mecanísticos encontrados são muito complexos e não descrevem com exatidão os fenômenos envolvidos. Os resultados da simulação do modelo mecanístico foram empregados como base dedados para o desenvolvimento do modelo de Redes Neurais. As saídas desse modelo foram as variáveis que podem ser manipuladas na operação do sistema. Foram elas as vazões de descarte e recirculação de lodo e vazão de ar. Os resultados obtidoscomprovaram que esta abordagem é realmente efetiva para a modelagem de processos de tratamento de esgotos. A rede MLP (multi-layer perceptron) com nove entradas, treze neurônios na camada escondida e três na camada de saída apresentou os menoreserros relativos médios de validação: (9,33(1,60)% para a vazão de descarte de lodo, (6,87(0,77)% para a vazão de recirculação de lodo e (2,32(0,32)% para a vazão de ar

In this thesis the author compares a mechanistic model of an activated sludge system for the treatment of sewage with an empirical model formulated using Artificial Neural Network techniques. The mechanistic model was derived using the kineticequations from IAWQ number 1 model. Conceptually the approach used in these two models are totally different. While for the mechanistic one the knowledge of microbiology and the microorganisms kinetics and their interrelations with each otherarenecessary for the empirical model this knowledge is not needed, although helpful. This difference is of special applicability for modeling of natural phenomena that occurs in sewage treatment systems. In this case the mechanistic models tendtobe too complex and cannot describe with accuracy the various phenomena that occurs concurrently. Results from the mechanistic model were used as a data base for the neural network development. The neural network outputs were chosen among theparameters that can be adjusted while operating an activated sludge plant: sludge recycle flow rate, sludge wasting and air flow rate. The neural network model results confirmed previous works which indicated the effectiveness of this approachto model sewage treatment processes. The MLP (multi-layer perceptron) network with nine inputs, thirteen neurons in the hidden layer and three neurons in the output layer presented the lowest average relative errors of validation: (9.33±1.60)% for sludge recycle flow rate; (6.87±0.77)% for sludge wasting and (2.32±0.32)% for the air flow rate