The region of Médéa (Algeria) located in an agricultural site requires a large amount of drinking water. For this purpose, the water analyses in question are imperative. To examine the evolution of the drinking water quality in this region, firstly, an experimental protocol was done in order to obtain a dataset by taking into account several physicochemical parameters. Secondly, the obtained data set was divided into two parts to form the artificial neural network, where 70 % of the data set was used for training, and the remaining 30 % was also divided into two equal parts: one for testing and the other for validation of the model. The intelligent model obtained was evaluated as a function of the correlation coefficient nearest to 1 and lowest mean square error (RMSE). A set of 84 data points were used in this study. Eighteen parameters in the input layer, five neurons in the hidden layer, and one parameter in the output layer were used for the ANN modelling. Levenberg Marquardt learning (LM) algorithm, logarithmic sigmoid, and linear transfer function were used, respectively, for the hidden and the output layers. The results obtained during the present study showed a correlation coefficient of R = 0.99276 with root mean square error RMSE = 11.52613 mg dm–3. These results show that obtained ANN model gave far better and more significant results. It is obviously more accurate since its relative error is small with a correlation coefficient close to unity. Finally, it can be concluded that obtained model can effectively predict the rate of soluble bicarbonate in drinking water in the Médéa region.; Regija Médéa (Alžir) smještena na poljoprivrednom zemljištu zahtijeva veliku količinu pitke vode. U tu svrhu, analiza vode je od iznimne važnosti Da bi se ispitao razvoj kvalitete pitke vode u toj regiji, najprije je napravljen eksperimentalni protokol kako bi se dobio skup podataka uzimajući u obzir nekoliko fizikalno-kemijskih parametara. Zatim je dobiveni skup podataka podijeljen na dva dijela kako bi se stvorila umjetna neuronska mreža, gdje je 70 % skupova podataka upotrijebljeno za trening, a preostalih 30 % dodatno je podijeljeno na dva jednaka dijela: jedan za testiranje, a drugi za validaciju modela. Dobiveni inteligentni model procijenjen je kao funkcija koeficijenta korelacije najbližeg 1 i najnižeg korijena srednje kvadratne pogreške (RMSE). U ovom istraživanju upotrijebljen je skup od 84 podatkovnih točaka. Za modeliranje ANN-a upotrijebljeno je osamnaest parametara u ulaznom sloju, pet neurona u skrivenom sloju i jedan parametar u izlaznom sloju. Za skriveni i izlazni sloj upotrijebljeni su algoritam učenja Levenberg Marquardt (LM), logaritamski sigmoid i funkcija linearnog prijenosa. Rezultati dobiveni tijekom ovog istraživanja pokazali su koeficijent korelacije R = 0,99276 s korijenom srednje kvadratne pogreške RMSE = 11,52613 mg dm–3. Ti rezultati pokazuju da je dobiveni model neuronske mreže dao daleko bolje rezultate, jer je točniji a njegova relativna pogreška je mala s koeficijentom korelacije blizu jedinici. Konačno, zaključeno je da taj model može učinkovito predvidjeti brzinu topljivog bikarbonata u vodi za piće u regiji Médéa.