جذب سطحی با تناوب فشار یکی از رایج ترین روش های تولید اکسیژن از هوا می باشد و در طول چند دهه ی اخیر توسط محققین بسیاری مورد مطالعه قرار گرفته است. به علت هزینه بر بودن انجام فعالیت های آزمایشگاهی و محدودیت تغییرات در پارامترهای موثر، مدلسازی این فرایند همواره مورد توجه بوده است. روش های تحلیلی و عددی متفاوتی توسط محققین استفاده شده و با نتایج تجربی مقایسه گردیده است. با رشد الگوریتم های تخمین نتایج مانند شبکه ی عصبی مصنوعی، توجه برخی از محققین به کاربرد این روش ها در فرایند جذب سطحی جلب شده و تحقیقات مختصری در زمینه ی پیش بینی رفتار فرایند جذب سطحی با شبکه ی مصنوعی صورت گرفته است. در این پایان نامه سعی شده که کامل ترین مدل ریاضی ارائه شده در منابع علمی در دسترس برای فرایند جذب سطحی با تناوب فشار به صورت عددی حل و نتایج بررسی گردند. برای این منظور سه روش عددی تربیع دیفرانسیلی، تقاضل محدود و آپویند برا ی تجزیه یا گسسته سازی در بعد مکان به کار گرفته شده و معادلات با روش تفاضل محدود در بعد زمان انتگرال گیری شده اند. سیستم معادلات حاصل شده به دو روش نیوتون و نیوتون ساده شده حل شده و نتایج با یکدیگر مقایسه شده اند و به وسیله ی داده های موجود در منابع به صورت تک بستری و دو بستری اعتبار سنجی گردیده اند. سپس رفتار متغیر های مختلف، مانند غلظت در فاز جامد و گاز، دما در بستر و دیواره ی آن، سرعت و فشار، در بستر جذب سطحی در طی مراحل جذب و واجذب و در طول یک چرخه مورد مطالعه قرار گرفته است. در گام بعد تاثیر پارامترهای مختلف مانند، طول و شعاع داخلی بستر، دمای خوراک، فشار بیشینه و کمینه و تنش بر خلوص و بازیابی محصول فرایند تولید اکسیژن از هوا مطالعه شده است. همچنین استفاده از شبکه ی عصبی مصنوعی در تخمین نتایج مدلسازی بر اساس تعدادی داده ی ورودی مستقل بررسی گردید و نتایج ارائه شده است. با توجه به مطالعات انجام شده روش تربیع دیفرانسیلی با 12 گره به عنوان روش مناسب برای گسسته سازی معادلات با مدت زمان مناسب برای انجام محاسبات انتخاب شده است. این در حالیست که روش تفاضل محدود و آپویند از پدیده ی نفوذ و جذب عددی و خطا در پیش بینی نتایج تجربی دارای نقص می باشند. معلوم گردید که وقفه ی زمانی کمتر از 1 ثانیه برای انتگرال گیری در بعد زمان مناسب است و مقادیر بیش از 1 ثانیه به علت رخ داد پدیده ی نفوذ عددی در بعد زمان مناسب نمی باشد. همچنین روش نیوتون نسبت به روش نیوتون ساده شده در تعداد نقاط پایین تر دقت بیشتری دارد ولی با افزایش تعداد نقاط و کاهش وقفه ی زمانی می توان از روش نیوتون ساده شده برای تسریع عملیات محاسبات بهره جست. همچنین شبکه ی عصبی مصنوعی در پیش بینی نتایج با تابع انتقال تانژانت-سیگموئید و تعداد حداکثر 8 نورون کارآمد شناخته شد.