چکیده: در این کار یک مطالعه ی QSPR برای پیش بینی دانسیـته ی هیدروکربن های آلیفاتیک اشـباع و غیر‎اشباع شامل آلکان ها، سیکلوآلکان ها، آلکن ها، سیکلوآلکن ها و همچنین هیدروکربن های آروماتیک در محدوه ی وسیعی از دما و فشار انجام شده است. اولین توصیف کننده های انتخاب شده دما (T)، فشار (P) و جرم مولکولی (M) بودند زیرا دانسیته به آن ها وابسته است. سایر توصیف کننده ها از روی ساختار شیمیایی ترکیبات با استفاده از دو رویکرد مختلف بدست آمدند. در رویکرد اول، بهترین توصیف کننده ها بر مبنای روش سهم گروه انتخاب شدند. پس از آنالیز ساختار شیمیایی 79 هیدروکربن مورد مطالعه، 15 گروه عاملی مفید پیدا شدند. در روش دوم، تعداد زیادی توصیف کننده مولکولی (3224 توصیف کننده) به کمک نرم افزار دراگون از روی ساختار شیمیایی ترکیبات محاسبه شدند. سپس زیر مجموعه ای از 22 گروه توصیف کننده-های دراگون با روش الگوریتم ژنتیک بر مبنای حداقل مربعات جزئی (GA-PLS) به عنوان تکنیک انتخاب ویژگی انتخاب گردیدند. 11 توصیف کننده توسط الگوریتم ژنتیک (GA) به عنوان بهترین توصیف کننده ها بدست آمدند. توصیف کننده های انتخاب شده توسط دو روش انتخاب ویژگی و 3 متغیر (T، P و M) به عنوان گره های ورودی برای ساختار شبکه های عصبی مصنوعی مختلف استفاده شدند. 4 نوع شبکه عصبی مصنوعی با ترکیب الگوریتم های آموزشی لونبرگ-مارکوارت (LM) و تنظیم بایزین (BR) و دو تابع انتقال لگاریتم سیگموئید و تانژانت سیگموئید طراحی شدند. پارامتر های مختلف شبکه های طراحی شده شامل تعداد نرون ها در لایه ورودی، لایه مخفی و تعداد دور تکرار بهینه گردیدند. پس از بهینه سازی پارامترها برای شبکه های عصبی مصنوعی ایجاد شده با استفاده از دو نوع توصیف کننده ها، عملکرد مدل ها توسط تست خارجی مورد ارزیابی قرار گرفت. متوسط مربعات خطا (MSE) و ضریب تعیین (R2) برای سری تست خارجی با استفاده از مدل GCM-ANN بهینه شده به ترتیب 9.556و 0.9987 و با استفاده از مدل GA-ANN بهینه شده 70.1612 و 0.9982 بدست آمد. نتایج حاصل نشان می دهد که شبکه ی عصبی با الگوریتم آموزشی لونبرگ-مارکوارت و تابع انتقال لگاریتم سیگموئید و توصیف کننده های حاصل از روش سهم گروه می‎تواند به درستی رابطه ی بین توصیف‎کننده‎های ساختاری و دانسیته ی هیدروکربن های مورد نظر را شبیه سازی کند.