Bu çalisma ardisik kesikli bir reaktör prosesindeki atiksu debisine (Q, m3/saat) bagli olarak degisen Sf degerleri (doldurma fazi sonundaki substrat konsantrasyonu, mg/l) ve zaman (tr, saat) baz alinarak, yapay sinir agi ve sinirsel bulanik mantik yaklasimlari ile olusturulan sistemlerin reaksiyon fazi sonundaki substrat konsantrasyonunu (Se, mg/l) tahminleri amaçlanmistir. Bu sistemlerin uygulanmasindaki amaç, dogru ve kesin çözüme, geleneksel matematiksel metotlara nazaran daha hizli ulasmaktir. Uygulanan bu iki sistemin performanslarini karsilastirmak için bir performans metodu gelistirilmistir. Her iki modelden elde edilen veriler ayri ayri incelenmis ve daha önce matematiksel yöntemle tespit edilmis sonuçlarla karsilastirilarak, sistemlerin hata miktarlari bulunmustur. Yapay sinir agi metodu için hata miktari, test setinde %0,7, egitim setinde %0,02 bulunurken, sinirsel bulanik mantik metodunda hata miktari, test seti için %0,9, egitim seti için %0,03 olmustur. Yapay sinir agi yöntemi daha düsük hata miktari ile daha iyi sonuç vermistir. Fakat aradaki hata miktari farki çok küçük oldugundan her iki yöntemde uygulanabilecek düzeydedir. Elde edilen sonuçlar bize, bu problemin çözümünde geleneksel matematiksel yöntemlerin yerine, bu iki yaklasim ile de (yapay sinir agi ve sinirsel bulanik mantik) dogru ve kesin çözüme ulasilabilecegini açikça göstermistir.

The aim of the study was the estimation of substrate concentrations at the end of reaction phase (Se, mg/l) which varying of Sf values (substrate concentrations at the end of filling phase, mg/l) and time (tr, h) depend on wastewater flow rate (Q, m3/h) in sequencing batch reactor (SBR) by using Neural Network and Adaptive Neuro Fuzzy Inference System (ANFIS) approaches. The main purpose of using these methods was rapidly access to true and certain solutions according to conventional mathematical methods. A performance method was developed to compare the applicable systems performances. Obtained data form each model were analyzed independently and error quantities of systems were calculated by comparing with prior mathematical method results. The error quantities for Neural Network method were %0.7 at test set and %0.02 at training set. In Adaptive Neuro Fuzzy Inference System (ANFIS), the error quantities were %0.9 and %0.03 in respect of test set and training set. Neural Network approach was turned out satisfactory with lower error quantities. But also each method was in practical level because of their low differences between the error quantities. Obtained results were evinced that these two approaches was rapidly accessed to the true and certain results instead of conventional mathematical methods.