The remarkable increment in the demand for freshwater in water-resource-stressed regions increases the necessity
of saltwater desalination and the application of a brackish water treatment plant (BWTP). In that respect,
model-based process analysis can play an essential role in optimizing BWTP operation and maintenance (O&M)
and reducing costs. In modeling, it is challenging for either theoretical or numerical methods to sufficiently
account for the complex causality and various correlations among the numerous process parameters or variables
in the BWTP system. Contrastively, deep learning approaches are capable of modeling such a BWTP system as it
can describe the complexity and nonlinearity of its variables with robust autonomous learning. In this study, we
modeled an RO unit process of BWTP using conventional long short-term memory (Conv-LSTM) and dual-stage
attention-based LSTM (DA-LSTM) based on hourly time-series data obtained from the actual BWTP operation
during a one-year period. Hyperparameter optimization for Conv-LSTM and DA-LSTM was individually conducted
to enhance the model prediction performance. The model prediction results demonstrated the superiority
of DA-LSTM (R2 > 0.99) over Conv-LSTM (0.531 ≤ R2 ≤ 0.884). The sensitivity analysis offered straightforward
interpretations of how the attention mechanisms of DA-LSTM used time-series data of the model input and output
parameters for prediction.