چکیده: در این تحقیق، مطالعه‌ی ارتباط کمی ساختار- خاصیت (QSPR)، برای پیش‌بینی دانسیته‌ی مجموعه‌ی متنوعی از ترکیبات آلی شامل هیدروکربن‌های آلیفاتیک و آروماتیک، الکل‌ها، آمین‌ها، استرها، اترها، کربوکسیلیک اسیدها و همچنین کتون‌ها در محدوده‌ی وسیعی از دما و فشار انجام شد. در این مطالعه از دو نوع روش انتخاب توصیف‌کننده (ویژگی) استفاده شده است. در اولین روش انتخاب، بعد از آنالیز ساختار شیمیایی تمام ترکیبات مورد مطالعه در این تحقیق، ۲۴ گروه عاملی بر اساس روش سهم گروه (GCM) شناسایی شدند. در روش دوم، ۳۲۲۴ توصیف‌کننده با استفاده از نرم افزار دراگون برای هر یک از ترکیبات آلی مورد مطالعه محاسبه شد. سپس زیرمجموعه‌ای از توصیف‌کننده‌های محاسبه شده از ۲۲ دسته توصیف کننده‌ی دراگون با الگوریتم ژنتیک بر اساس روش حداقل مربعات جزیی (GA-PLS) به عنوان تکنیک انتخاب ویژگی انتخاب شد. تنها ۷ توصیف کننده به عنوان بهترین توصیف‌کننده‌ها توسط الگوریتم ژنتیک بدست آمدند. توصیف کننده های انتخاب شده با دو روش انتخاب ویژگی و دو متغیر تجربی (دما و فشار) به همراه جرم مولکولی ترکیبات به عنوان ورودی شبکه‌ی عصبی مصنوعی (ANN) مورد استفاده قرار گرفتند. ۴ مدل شبکه‌ی عصبی مصنوعی از ترکیب دو الگوریتم‎ آموزشی به نام‌های لونبرگ- مارکوارت و تنظیم بایزین با دو تابع انتقال (لگاریتم سیگموئید و تانژانت سیگموئید) طراحی گردیدند. پس از آموزش هریک از مدلها، پارامترهای شبکه‌های عصبی مصنوعی مانند تعداد نرون-های لایه‌ی ورودی و لایه‌ی پنهان و تعداد دورهای آموزشی، بر مبنای کمترین مقدار میانگین مربعات خطا (MSE) برای پیش‌بینی سری ارزیابی بهینه‌سازی شدند. سپس، عملکرد مدل‌های بهینه‎ی انتخابی با هر یک از دو روش GCM-ANN و GA-ANN توسط سری‌های تست داخلی و خارجی مورد بررسی قرار گرفتند. مقدار MSE و ضریب تعیین (R۲) برای سری تست داخلی با استفاده از مدل بهینه شده‌ی GCM-ANN به ترتیب برابر ۱۸/۱۵ و ۰/۹۹۹۰ و برای مدل بهینه شده‌ی GA-ANN به ترتیب ۲۲/۹۲ و ۰/۹۹۹۸ شدند. به طور مشابه، مقدار این پارامترها برای سری تست خارجی با استفاده از مدل GCM-ANN به‌ترتیب ۹۶/۷۴ و ۰/۹۸۹۹ و برای مدل GA-ANN به ترتیب ۱۷۲۱/۷۱ و ۰/۲۲۸۶ به دست آمدند. نتایج نشان می‌دهد که مدل بهینه شده‌ی GCM-ANN می‌تواند روابط بین توصیف‌کننده‌های ساختاری و دانسیته‌ی ترکیبات آلی را دقیق‌تر از مدل بهینه شده‌ی GA-ANN شبیه‌سازی کند.