[pt] O biogás é uma energia renovável com grande potencial de produção a partir de resíduos, incluindo resíduos alimentares. Nesse contexto, o presente trabalho apresenta o desenvolvimento de três modelos distintos usando Redes Neurais Artificiais (RNAs), com a capacidade de prever o volume acumulado de biogás, de metano e a concentração de CH4, respectivamente. Foi construído um banco de dados da literatura com variáveis do processo de biodigestão anaeróbia: tipo de biomassa, tipo de reator/alimentação, teor de sólido volátil, pH, taxa de carga orgânica, tempo de retenção hidráulica, temperatura e volume do reator. Para cada conjunto de modelos, foram desenvolvidas e testadas 24 RNAs utilizando a ferramenta computacional MATLAB. As RNAs foram avaliadas pela sua capacidade de estimação através do coeficiente de determinação (R2 ) e também através da soma do erro quadrático (SSE) obtidos. Após as etapas iniciais, as redes neurais foram usadas para criar superfícies de resposta, buscando regiões ideais para produção de biogás e metano. Contudo, um único modelo não atingiu a representatividade desejada, levando à segmentação dos dados por tipo de biomassa. As RNAs desenvolvidas demonstraram eficácia na estimação dos grupos usados para treinamento, teste e validação. A melhor rede alcançou R2 de 0,9969 para biogás, 0,9963 para metano e 0,9386 para a porcentagem de metano, com SSE de 0,1808, 0,1089 e 11,45, respectivamente. A estratégia de combinar variáveis do processo em superfícies de resposta revelou-se útil para identificar pontos ótimos no processo produtivo. / [en] Biogas is a renewable energy source with significant production potential from various waste materials, including food waste. In this context, this study presents the development of three distinct models using Artificial Neural Networks (ANNs), capable of predicting the cumulative volume of biogas, methane, and CH4 concentration, respectively. A literature-based database was constructed, including variables from anaerobic digestion processes: biomass type, reactor/feed type, volatile solid content, pH, organic loading rate, hydraulic retention time, temperature, and reactor volume. For each set of models, 24 ANNs were developed and tested using the MATLAB computational tool. The ANNs estimation capability was assessed using the coefficient of determination (R2) and the sum of squared errors (SSE). Following initial stages, neural networks were employed to create response surfaces, aiming to identify optimal regions for biogas and methane production. However, a single model failed to achieve the desired representativeness, leading to data segmentation based on biomass type. The developed ANNs demonstrated effectiveness in estimating the groups used for training, testing, and validation. The best network achieved R2 values of 0.9969 for biogas, 0.9963 for methane, and 0.9386 for methane percentage, with SSE values of 0.1808, 0.1089, and 11.45, respectively. The strategy of combining process variables in response surfaces proved valuable in identifying optimal points in the production process.