تابع توزیع شعاعی(rdf) به عنوان یک فاکتور کلیدی در تئوری¬های مکانیک آماری برای سیالات خالص و مخلوط سیالات به کار می رود، تابع توزیع شعاعی دارای اهمیت زیادی است، زیرا علاوه بر اینکه اطلاعاتی درباره ساختار مایع فراهم می¬کند با فرض تقریب جمع¬پذیر جفت¬گونه (pair-wise additivity) برای انرژی پتانسیل، می¬توان کلیه توابع ترمودینامیکی سیستم¬های شامل مولکول¬هایی با تقارن کروی را بر حسب rdf یا g(t^*,ρ^*,r^*) نوشت. تابع توزیع شعاعی معمولا توسط شبیه¬سازی دینامیک مولکولی به صورت مقادیر جدول¬بندی شده در دماها و چگالی¬های خاص ارائه می¬شود. بیشتر تلاش¬ها در سال¬های گذشته برای ارائه عبارتی تحلیلی برای rdf سیالات لنارد-جونز انجام شده¬ است. در سال¬های اخیر، روش شبکه عصبی مصنوعی (ann) به عنوان روشی ساده برای مدل¬سازی در علوم مختلف از جمله برای محاسبه خواص ترمودینامیکی سیستم¬های مختلف مورد استفاده قرار گرفته است. یک شبکه عصبی از تعداد زیادی عناصر محاسباتی که رشته عصبی (neuron) نامیده می¬شوند تشکیل شده و چگونگی رفتار این سیستم یا شبکه بسته به الگوریتم آموزشی خواهد بود که برای آن تعریف می¬گردد و به این ترتیب با طراحی یک شبکه عصبی مناسب می¬توان به خروجی¬های معتبری دست یافت. در این پژوهش، ابتدا با استفاده از شبیه¬سازی دینامیک مولکولی و نرم افزار moldy، داده¬های rdf مربوط به سیال لنارد-جونز را در محدوده وسیع دمایی و چگالی (1/5≥ t^* ≥ 0/5) و (1/1≥ ρ^* ≥ 0/35) بدست آورده و سپس با استفاده از نرم افزار matlab توانایی شبکه عصبی در مدل سازی داده¬های rdf را بررسی نموده و مناسب¬ترین شبکه که کمترین خطا را خواهد داشت را انتخاب می¬کنیم. بدین ترتیب میتوان با استفاده از شبکه انتخابی مقادیر تابع توزیع شعاعی را در هر دما، چگالی و فاصله بین مولکولی دلخواه محاسبه نمود. لازم به ذکر است در این تحقیق برای اولین بار از روش شبکه عصبی به عنوان یک روش جدید در مدل¬سازی داده¬های rdf استفاده شده است. در مورد سیالات خالص فاصله بین مولکولی، دما و چگالی به عنوان سه ورودی شبکه و g(r) به عنوان خروجی و در مورد مخلوط سیالات علاوه بر سه ورودی قبلی کسرمولی نیز به عنوان ورودی خواهد بود. با بدست آوردن یک مدل موفق و با کمترین میزان خطا، از rdf تولیدی توسط روش شبکه عصبی برای محاسبه خواص ترمودینامیکی نظیر فشار استفاده شد.