چکیده: در این تحقیق، مطالعات ارتباط کمی ساختار – خاصیت با استفاده از شبکه ی عصبی مصنوعی برای پیش بینی ضریب تراکم پذیری همدمای ترکیبات آلی مختلف به کار گرفته شده است. سری داده ها شامل ضریب تراکم پذیری همدمای 56 ترکیب در دما و فشارهای مختلف است که مجموعاً 4297 نقطه داده را تشکیل می دهد. برای انتخاب توصیف کننده های بهینه از دو روش رگرسیون مرحله ای (SR) و راهبرد CDFS استفاده شد. سپس مدل سازی به وسیله ی شبکه ی عصبی مصنوعی انجام گرفت و پس از بهینه سازی و آموزش شبکه، مدل حاصل برای پیش بینی ضریب تراکم پذیری همدمای 7 ترکیب سری تست که در هیچ یک از مراحل مدل سازی دخالت نداشته اند، به کار گرفته شد. مقایسه ی دو مدل حاصل از رگرسیون مرحله ای و راهبرد CDFS نشان داد که مدل به دست آمده از CDFS تعداد توصیف کننده ی کمتر و قدرت پیش بینی بالاتری دارد. میانگین مربعات خطای سری تست توسط مدل های SR-ANN و CDFS-ANN به ترتیب 0/4456 و 0/3012 به دست آمد. در مرحله ی بعد، شبکه ی عصبی مصنوعی به همراه روش سهم گروه (GCM) برای پیش بینی ضریب تراکم پذیری همدمای ترکیبات سری تست به کار گرفته شد. در این مدل سازی تعداد گروه های تشکیل دهنده ی هر ترکیب و دو متغیر دما و فشار به عنوان متغیرهای ورودی شبکه ی عصبی در نظر گرفته شدند. میانگین مربعات خطای حاصل از این روش 0/2303 به دست آمد که نشان دهنده ی برتری روش GCM-ANN نسبت به دو روش SR-ANN و CDFS-ANN می باشد.