La rápida industrialización y el crecimiento de la población causan una grave contaminación del agua y un aumento en la demanda de agua. El uso de nanopartículas de FeCu (nanoFeCu) en el tratamiento de aguas residuales ha demostrado ser un método eficiente en términos de espacio. El objetivo de este trabajo es desarrollar un modelo de red neuronal recurrente (RNN) para estimar el rendimiento de nanoFeCu inmovilizado en el tratamiento de aguas residuales, facilitando así el monitoreo y pronóstico de la calidad del agua residual. En este trabajo, se recopilaron datos de aguas residuales de una planta de tratamiento de aguas residuales local. El pH, nitrato, nitrito y amoníaco se utilizaron como entradas. Se desarrollaron, optimizaron y analizaron arquitecturas de RNN de uno a uno y de tres a tres. El resultado mostró que el modelo de uno a uno predijo las cuatro entradas con buena precisión, donde se encontró que R estaba dentro de un rango de 0.87 a 0.98. Sin embargo, la estabilidad del modelo de uno a uno no fue tan buena como la del modelo de tres a tres, ya que las entradas estaban correlacionadas química y estadísticamente en este último modelo. El mejor modelo de tres a tres se desarrolló con una sola capa con 10 neuronas y un R promedio de 0.91. En conclusión, esta investigación proporciona soporte de datos para el diseño del modelo de predicción de red neuronal para aguas residuales y tiene un significado positivo para la exploración de plantas de tratamiento de aguas residuales inteligentes.