در این تحقیق سه سیستم متفاوت غشایی با استفاده از شبکه های عصبی و شاخه ای دیگر هوش مصنوعی مدل شد. در قسمت اول پروسه ساخت غشاء به طور موفقیت آمیزی با کمک شبکه عصبی مدل شد. در قسمت آزمایش پلی اتر سولفون و پلی سولفونی که به روش ترسیب غوطه وری در حلال های مختلف نظیر دی متیل استامید و غیر حلال هایی نظیر2-پروپانول و افزودنی هایی از قبیل پلی ونیل پیریودین آماده شد. خواص مکانیکی شیمیایی و حرارتی پلیمرها حلال ها افزودنی ها وغیر حلال ها به عنوان ورودی شبکه عصبی در نظر گرفته شد. تاثیر غلظت پلیمر و افزودنی بر روی عملکرد غشا توسط شبکه عصبی بررسی شد. غلظت بهینه به منظور داشتن حد اکثر فلاکس برای سیستم های چهار تایی (پلی اتر سولفون/ پلی ونیل پیریودین/ دی متیل استامید/آب به همراه 2-پروپانول) و (پلی سولفون/ پلی ونیل پیریودین/ دی متیل استامید/آب به همراه 2-پروپانول) به وسیله الگوریتم ژنتیک تعیین شد. برای غشاء از جنس پلی اتر سولفون توافق خوبی بین نتایج آزمایشگاهی تصاویر sem و مقادیر پیش گویی شده توسط شبکه عصبی وجود دارد بطوریکه خطای نسبی برای فلاکس و پس دهی به ترتیب 1 و 5 درصد می باشد. یک چنین توافقی در خوبی در مورد غشاء از جنس پلی سولفون هم مشاهده شد. در قسمت دوم فرآیند تصفیه شیمیایی غشاء های که طی میکروفیلتراسیون شیر دچار گرفتگی شده اند در شرایط عملیاتی متفاوت به وسیله شبکه عصبی و منطق فازی مدل شد. مدل های ارائه شده ابزار سودمندی برای پیش بینی فلاکس بازیافتی راندمان تصفیه شیمیایی آنالیز تاثیر پارامتر های مختلف در فرایند تصفیه شیمیایی و بهنه سازی فرایند می باشند. این قسمت از تحقیق نشان می دهد که شبکه عصبی و منطق فازی به خوبی می توانند تاثیر شرایط عملیاتی بر روی فلاکس بازیافتی را نشان دهند. در قسمت آخر غشاء هایی که در پیل های سوختی از نوع مبادل پروتون استفاده می شوند به وسیله شبکه های عصبی و ساختار نرو فازی مدل شد.از بین مدل های مختلف توسعه داده شده با مقایسه بر اساس میانگین مربعات خطا و ضریب همبستگی بهترین مدل انتخاب شد. اگرچه ساختار های مختلف شبکه عصبی به خوبی رفتار سیستم را پیش بینی کردند اما ساختار نرو فازی نسبت به این مدل ها دقت بالاتری داشت. در قسمت بعد تاثیر پارامتر های مختلف بر روی سیستم توسط ساختار نرو فازی بررسی شد.