Pela teoria do escoamento em canais abertos, o coeficiente de rugosidade de Manning é um dos principais parâmetros para descrição da vazão sobre uma superfície. Uma das dificuldades da aplicação da equação de Manning é a definição do seu coeficiente de rugosidade em rios e canais, razão pela qual o presente estudo tem como objetivo, estimar o coeficiente de rugosidade de Manning para os períodos de vazão mínima e máxima média mensal, em alguns trechos do rio Paracatu, e propor um modelo baseado em redes neurais artificiais para estimar o coeficiente de rugosidade. O coeficiente foi determinado em função das características geométricas do canal (área molhada, raio hidráulico e declividade do canal) e das séries de vazão de seis postos fluviométricos do rio Paracatu. Utilizaram-se séries de vazão de 21 anos (1976-1996). O coeficiente de rugosidade não apresenta tendência (maior ou menor) em função apenas do período seco ou de cheia. As características da margem e do leito do rio influenciam diretamente nos valores de coeficiente de rugosidade. O modelo baseado em rede neural apresentou desempenho satisfatório, o que possibilita estimar o coeficiente de rugosidade em função da cota, vazão, declividade e do raio hidráulico do rio.

According to open channel draining theory, the Manning's roughness coefficient is one of most important parameters to describe surface flow. One of the difficulties in applications of Manning's equation is the definition of its roughness coefficient in rivers and channels. Thus, the aims of this paper are to estimate the Manning's roughness coefficient for the periods of minimum and maximum mean monthly flow in some parts of Paracatu river and to propose a model based on artificial neural networks to estimate the roughness coefficient. The coefficient was determined in function of channel geometrical characteristics (wetted area, hydraulic radius and slope of the channel) and of the outflow series of six fluviometric stations of Paracatu river. Long-term series of 21 years (1976 - 1996) of outflow were used. The roughness coefficient does not show any tendency (up or down)as a function of the dry or overflow periods only. The characteristics of margin and watercourse of river influenced directly the roughness coefficient data. The model based on neural network showed satisfactory performance, which allow us to estimate the roughness coefficient as a function of the quota, slope and hydraulic radius of the river.