Las redes neuronales artificiales (ANNs) son un método predictivo alternativo válido a las técnicas estadísticas tradicionales actualmente utilizadas en muchos campos de investigación donde una gran cantidad de datos es difícil de manejar. En el análisis ambiental, las ANNs pueden analizar fuentes de contaminación en grandes áreas, estimando contaminantes difíciles y costosos de detectar a partir de otros contaminantes fácilmente medibles, especialmente para procedimientos de detección. En este estudio, se han predicho microcontaminantes orgánicos a partir de la concentración de metales pesados utilizando ANNs. El muestreo se realizó en un campo agrícola donde las concentraciones de contaminantes orgánicos e inorgánicos superan los límites legales. Un problema crítico del diseño de una red neuronal es seleccionar su topología paramétrica, lo que puede perjudicar la fiabilidad del modelo. Por lo tanto, es muy importante evaluar el rendimiento de las ANNs al aplicar diferentes tipos de parámetros de la red. En este trabajo, basado en la matriz ortogonal L de Taguchi, se realizaron experimentos de ajuste para identificar el mejor conjunto de parámetros de diseño de ANNs, considerando diferentes combinaciones de número de muestras, escalamiento, tasa de entrenamiento, funciones de activación, número de capas ocultas y épocas. El valor de deseabilidad compuesto para las variables de respuesta múltiple se obtuvo a través del análisis de la función de deseabilidad (DFA). Los niveles óptimos de los parámetros se identificaron utilizando esta metodología.