برنج یکی از محصولات غذایی مهم دنیا محسوب می شود که از نظر تولید سالانه به عنوان دومین محصول بعد از گندم قرار دارد. کیفیت محصول و انرژی مصرف شده در فرآیند خشک کردن عمدتا وابسته به روش خشک کردن می باشد. در این تحقیق از روش ترکیبی مادون قرمز- هوای گرم برای خشک کردن لایه نازک شلتوک از رطوبت اولیه 5/0± 25% به رطوبت نهایی5/0± 12% (وزن خشک) استفاده شد. فاکتورهای آزمایشی شامل توان تابشی (صفر، 2/0، 4/0و 6/0 وات برسانتیمتر مربع)، دمای هوای خشک کننده (30، 40 و 50 درجه سلسیوس) و سرعت هوای خشک کننده (1/0، 15/0 و 2/0 متر برثانیه) بودند. آزمایش ها در ترکیب سطوح مختلف فاکتورها در سه تکرار به منظور یافتن مدت زمان خشک شدن شلتوک، درصد ترک دانه، نیروی لازم برای شکست دانه و انرژی لازم برای خشک شدن نمونه ها انجام گرفت. علاوه بر این با استفاده از شبکه عصبی مدل مناسبی برای پیش بینی مدت زمان خشک شدن، درصد ترک محصول و تغییرات رطوبت محصول (پارمترهای خروجی شبکه) ارائه گردید. توان تابشی، دمای هوای ورودی و سرعت هوای ورودی به عنوان پارامتر های ورودی مدل بودند. مدل شبکه عصبی با دو لایه پنهان و تعداد نرون های مختلف برای بررسی تاثیر توابع انتقال و توابع آموزشی استفاده شد. نتایج نشان داد که با افزایش شدت تابش و دمای هوای خشک کننده مدت زمان خشک شدن به طور قابل ملاحظه ای کاهش می یابد در حالی که درصد ترک های با افزایش سرعت هوا کاهش یافت. قابل ذکر است که با افزایش سرعت هوا در توان 6/0 وات بر سانتی مترمربع زمان خشک شدن به طور معناداری افزایش پیدا کرد. با در نظر گرفتن پارامترهای کیفیت و انرژی بهترین تیمار در حالت توان w.cm-2 2/0، دمای0c30 و سرعت m.s-12/0 می باشد. نتایج نشان داد برای مدت زمان خشک شدن 10 و14 نرون در دو لایه پنهان و تابع آموزشی trainscg ، برای میزان ترک محصول 10 و10 نرون در دو لایه پنهان و تابع آموزش trainscg و در نهایت برای محتوای رطوبتی محصول 8 و 14 نرون در دو لایه پنهان و تابع آموزش trainlm دقیق ترین پیش بینی را برای پارامترهای خشک کردن ایجاد کرد. داده های خروجی نشان داد که خطای میانگین مربعات (mse) کمتر از 5% و ضریب تبیین (r2) 99% بدست آمد که نشان می دهد که شبکه عصبی به عنوان ابزاری مناسب برای پیش بینی پارامترهای خشک کردن استفاده شود.