در این تحقیق قابلیت تخمین مشخصه های انتقال حرارت و افت فشار در لوله های مارپیچ با استفاده از الگوریتم ژنتیک و شبکه های عصبی مصنوعی بررسی و تحلیل شده است. افت فشار و انتقال حرارت در لوله های مارپیچ با پارامترهای هندسی متفاوت از قبیل نسبت انحنا و نسبت گام (9 مورد) به صورت آزمایشگاهی اندازه گیری شدند. دقت در پیش بینی برای هر روش محاسبه شده و همچنین ویژگی های هر روش مورد بحث قرار گرقته است. پارامترهای مربوط به دو شبکه عصبی سه لایه جهت تخمین انتقال حرارت و افت فشار با استفاده از روش پس انتشار خطا بهینه شدند. همچنین مقادیر بهینه ثوابت دو معادله با استفاده از الگوریتم ژنتیک تعیین شدند. نتایج بدست آمده از مدلسازی بیانگر این است که در این تحقیق دقت تخمین شبکه عصبی مصنوعی بیشتر می باشد و این درحالی است که بکار بردن آن نسبت به معادله های برازش شده مشکلتر است. مقدار میانگین خطای نسبی جهت تخمین عدد ناسلت و ضریب اصطکاک در لوله های مارپیچ با استفاده از شبکه های عصبی مصنوعی طراحی شده به ترتیب 46/2 و 26/1 درصد، و میانگین خطای نسبی حاصل جهت پیش بینی عدد ناسلت و ضریب اصطکاک توسط معادلات ایجاد شده به کمک الگوریتم ژنتیک به ترتیب 17/9 و 54/3 درصد بدست آمد. همچنین نتایج این تحقیق بیانگر این مطلب است که تکنیک های الگوریتم ژنتیک و شبکه عصبی مصنوعی روش های مفیدی در مدلسازی سیستم های حرارتی هستند.
