در طراحی فرآیندهای جداسازی آگاهی از منحنی های تعادل فاز و محاسبه بسیاری از ترکیبات موجود در سیستم از اهمیت خاصی برخوردار است. این موضوع ضرورت علم ترمودینامیک را نشان داده و برای دستیابی به خواص ترمودینامیکی اولین راه در دسترس بودن اطلاعات آزمایشگاهی است. اما به دلیل هزینه بالا و زمان بر بودن اجرای آن ها پژوهشگران را به سمت روش های تئوری سوق داده است. به علت اهمیت داده های تعادلی مایع-مایع برای سیستمهای چند جزئی، در طراحی فرایندهای شیمیایی و عملیات جداسازی در حال حاضر معادلات حالت بهترین روش برای طراحی فرایند ها محسوب می شود. اما معادلات حالت نیز توانایی پیش بینی خواص ترمودینامیکی در زمینه های مختلف را ندارد. بنابراین شرط وجود همزمان دو یا چند فاز این است که دما و نوع ترکیب همه فازهای موجود برابر بوده و آن ها را در هر دمایی که داده های تعادلی مایع-مایع نیاز است محاسبه نمود. یکی از روش های که امروزه مورد توجه بسیاری از محققین قرار گرفته است استفاده از شبکه های عصبی مصنوعی در طراحی فرآیندهای جداسازی می باشد. زیرا شبکه های عصبی کاربرد گسترده ای را برای تخمین خواص مواد و سیستم های تعادلی از نظر کمی و کیفی پیدا کرده اند و در حال رشد و پیشرفت می باشند. لذا، در این پایان نامه از داده های تعادلی مایع-مایع با مدل های ترمودینامیکی جهت کاهش خطای نسبی مدل استفاده، و ترکیبات تعادلی مایع-مایع سیستم های چندجزئی توسط شبکه عصبی پیشخور دردماهای مختلف پیش بینی شده است. در روش پیشنهادی، از شبکه عصبی پیشخور مورد استفاده در شرایط تعداد لایه، نورون و توابع انتقال مختلف مورد بررسی قرار گرفته است تا بهترین وضعیت از ساختار شبکه عصبی بدست آید. همچنین، به منظور بررسی و صحت سنجی روش پیشنهادی، نتایج حاصل از مدل ترمودینامیکی روش پیشنهادی با داده های آزمایشگاهی موجود در مراجع مورد مقایسه و ارزیابی قرار گرفته شده است. نتیجه این مقایسه نشان داد که روش پیشنهادی مورد استفاده نسبت به مدل هایی به کار رفته پیشین دقت بالاتری را به خود اختصاص داده است بطوریکه در مدل سازی نتایج آزمایشگاهی به دقتی معادل با 3/99 % دست یافته که این دقت در مدل UNIQUAC معادل با 1/98 درصد بوده است.
