چکیده: در این تحقیق، روش ارتباط کمی ساختار- خاصیت (QSPR)، برای پیش بینی دانسیته ی مخلوط مایعات آلی در محدوده ی وسیعی از دما و فشار به کار گرفته شد. از دو نوع توصیف کننده برای اجزای مخلوط جهت ایجاد توصیف کننده های مخلوط استفاده شد: توصیف کننده بر مبنای روش سهم گروه ها و توصیف کننده های تئوری. در روش اول، توصیف کننده های اجزای مخلوط بر اساس روش سهم گروه (GCM) انتخاب شدند. بعد از آنالیز تمام اجزای مخلوط های مورد مطالعه در این تحقیق، 15 گروه عاملی مشخص شدند. در روش دوم، 1481 توصیف کننده با استفاده از نرم افزار دراگون برای هر یک از اجزای مخلوط به طور جداگانه محاسبه شد. بعد از محاسبه ی توصیف کننده ها برای اجزای مخلوط توسط دو روش توصیف کننده های مخلوط به کمک مجموع وزن دار شده ی مولی با استفاده از مقدار توصیف کننده و کسرمولی هر جزء خالص در مخلوط، محاسبه شدند. به این ترتیب 15 توصیف کننده برای مخلوط ها توسط روش سهم گروه محاسبه شد. همچنین، بهترین توصیف کننده ها توسط روش الگوریتم ژنتیک بر اساس آنالیز حداقل مربعات (GA-PLS) از تعداد زیادی از توصیف کننده های تئوری استخراج شده از مخلوط ها انتخاب شدند. 22 توصیف کننده تئوری توسط روش GA-PLS استخراج شد. توصیف کننده های انتخاب شده توسط این روش ها و دو متغیر تجربی (دما و فشار) به همراه جرم مولی کل مخلوط به عنوان ورودی شبکه ی عصبی مصنوعی مورد استفاده قرار گرفتند. 4 نوع شبکه ی عصبی مصنوعی با ترکیب الگوریتم های آموزشی لونبرگ-مارکوارت و بایزین با توابع انتقال لگاریتم سیگموئید و تانژانت سیگموئید طراحی گردید. پس از آموزش و بهینه سازی پارامترهای ANN مانند تعداد ورودی، تعداد نرون لایه ی پنهان و تعداد دورهای آموزشی، عملکرد مدل توسط سری تست مورد بررسی قرار گرفت. نتایج حاصل نشان می دهد که شبکه ی عصبی با الگوریتم آموزشی تنظیم بایزین و تابع انتقال تانژانت سیگموئید و توصیف‎کننده‎های حاصل از روش سهم گروه می تواند به درستی رابطه ی بین توصیف کننده های ساختاری و دانسیته ی مخلوط های موردنظر را شبیه سازی کند. میانگین مربعات خطا (MSE) و ضریب تعیین (R2) برای سری تست توسط این روش به ترتیب برابر 11.051 و 0.9996 می باشد.