چکیده: الکل ها گروهی از ترکیبات آلی هستند که از طریق جایگزینی یک یا چند هیدروژن در هیدروکربن ها با یک یا چند گره هیدروکسیل به وجود می آیند. پیوند هیدروژنی بین گروه هیدروکسیل موجود در الکل ها باعث می شود این مواد جزو سیالات تجمع کننده طبقه بندی شوند. عمومی ترین اثرات شیمیایی موجود در ترمودینامیک سیالات تجمعی پیوند هیدروژنی و انتقال بار می باشد که باعث می شود مولکول ها به صورت دیمر ، تریمر و یا سایر گونه های تجمعی به هم متصل شوند. به همین دلیل به دست آوردن یک معادله ی حالت دقیق برای چنین سیالاتی یک چالش در حئزه ی تحقیقات ترمودینامیکی است. یکی از معایب معادله های حالت موجود، وجود پارامترهای وابسته به نوع سیال در معدله است که بریا پیش بینی خواص ماده باید در دسترس باشد. همچنین اکثر این معادلات برای یک یا چنذ سیال مشخص در محدوده ی خاصی از دما و فشار کارایی دارد. در نتیجه، چنین معادلاتی برای کاربردهای مهندسی، سخت و پیچیده بوده و چندان مناسب نیست. از اینرو روشهای پیش بینی ساده، کارآمد و معتبر برای پیش بینی خواص ترمودینامیکی این سیالات در کاربردهای مهندسی و طراحی صنعتی ضروری است. امروزه، شبکه ی عصبی مصنوعی و همچنین تلفیق موجک با شبکه ها، ابزار پردازش اطلاعات قدرتمندی را در اختیار محققین قرار داده است تا بتوانند بر عدم موفقیت روشهای پیش بینی قدیمی فائق آیند. به همین دلیل در این طرح پژوهشی طراحی و بهینه سازی یک شبکه عصبی موجک برای پیش بینی دانسیته ی انواع الکل ها مورد بررسی و مطالعه قرار گرفته است. برای این منظور ابتدا داده های تجربی دانسیته برای الکل ها در محدوده ی وسیعی از دما و فشار جمع آوری گردید. سپس با استفاده از روش سهم گروهها، توصیف کننده های مناسبی برای ارتباط دانسیته و ساختار ایجاد شدند. پس از تعیین توصیف کننده های مناسب الگوریتم شبکه عصبی موجک با استفاده از این توصیف کننده طراحی گردید و برنامه ای رایانه ای در محیط برنامه نویسی MATLAB جهت بکارگیری شبکه عصبی موجک نوشته شد. پس از کنترل صحت برنامه نوشته شده از لحاظ محاسبات ریاضی و عملی، اطلاعات ورودی نمونه ها به شبکه منتقل گردید و شبکه طبق برنامه ی نوشته شده آموزش دید. پس از پایان آموزش شبکه و بهینه شدن پارامترهای شبکه، عملکرد شبکه ی موجک بهینه شده در پیش بینی دانسیته ی الکلها در دما و فشارهای جدید مورد ارزیابی قرار گرفت. نتایج بدست آمده نشان داد که شبکه بهینه شده می تواند دانسیته را با متوسط خطای نسبس کمتر از 0/33% و ماکزیمم خطای نسبس 0/54% پیش بینی کند که این نشانگر کارایی مطلوب مدل بهینه شده است. همچنین مربع ضریب همبستگی نزدیک به یک در نمودار برگشت نیز دلیل بر صحت مقادیر پیش بینی شده توسط این شبکه است.