بیوراکتور غشایی امروزه به یک فناوری مهم در فرآیند تصفیه فاضلاب تبدیل شده است. نگرانی زیاد در مورد آلودگی محیط زیست و نیاز شدید به پساب باعث می شود این فناوری توجه بیشتری را در سراسر جهان به خود جلب کند. عملکرد موفقیت آمیز در MBR بستگی زیادی به عملکرد فیلتراسیون غشا دارد. این مقاله اندازه‌گیری و پیش‌بینی شار نفوذ در فیلتراسیون بیوراکتور غشایی غوطه‌ور را با استفاده از RBFNN و FFNN ارائه می‌کند. از نتیجه، RBFNN پیش‌بینی خوبی در داده‌های آموزش و آزمایش می‌دهد. RBFNN همچنین برای پیش‌بینی شار نفوذ قابل اعتمادتر و دقیق‌تر بود. یک مدل پیش‌بینی دقیق برای اطمینان از اثربخشی طراحی کنترل مهم است. یک تکنیک مدلسازی مناسب باید در نظر گرفته شود زیرا این مدل دینامیک واقعی سیستم فیلتراسیون را تعیین می کند که به عنوان پایه ای در طراحی سیستم کنترل پیشرفته استفاده می شود.
مدل‌های فرآیند تصفیه فاضلاب ابزارهای حیاتی برای اطمینان از عملکرد مناسب و کنترل بهتر تصفیه خانه‌های فاضلاب هستند. داشتن یک مدل خوب از فیلتراسیون MBR که می تواند عملکرد دینامیکی فیلتر را پیش بینی کند، به ویژه تأثیر رسوب بر مکانیسم های تمیز کردن فیزیکی مانند جریان هوای هوادهی، شستشوی معکوس و آرامش، مهم است . با این مدل می توان شبیه سازی عملکرد فیلتراسیون را بهینه و کنترل کرد. الگوریتم شبکه عصبی تابع پایه شعاعی در بسیاری از کاربردهای صنعتی مفید و سودمند است. همانطور که توسعه الگوریتم RBF تا کنون پیشرفت می کند، می بینیم که RBF ساختار و توپولوژی شبکه خاص خود را دارد. معماری کلی RBF از چندین لایه تشکیل شده است. از تعدادی گره به هم پیوسته تشکیل شده است که حاوی یک تابع فعال سازی هستند. الگوها از طریق لایه ورودی به شبکه ارائه می شوند، که با یک یا چند لایه پنهان ارتباط برقرار می کند، جایی که پردازش واقعی از طریق سیستمی از اتصالات وزنی انجام می شود. لایه‌های پنهان سپس به یک لایه خروجی پیوند می‌خورند که در آن پاسخ همانطور، خروجی می‌شود.