فرآورده های نفتی عاملی موثر در رشد و توسعه ی اقتصادی تلقی می شود و در عملکرد بخش های مختلف اقتصادی نقش چشم گیری ایفا می کند. از این رو مسئولان کشور باید تلاش کنند تا با پیش بینی هر چه دقیق تر مصرف فرآورده های نفتی و برنامه ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای فرآورده های نفتی را به نحو مطلوب کنترل کنند. پیش بینی تقاضای انرژی و فرآورده های نفتی با استفاده از شبکه های عصبی مصنوعی، موضوع مطالعات بسیاری می باشد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود تا دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در اکثر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود. روش سعی و خطا برای رسیدن به مناسب ترین ساختار شبکه های عصبی مصنوعی راه حل مطمئنی نمی باشد. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب ترین ساختار شبکه های عصبی مصنوعی به منظور پیش بینی تقاضای فرآورده های نفتی در استان هرمزگان مشخص می شود. ورودی های شبکه عصبی مصنوعی عبارتند از جمعیت، تولید ناخالص داخلی، صادرات، واردات و تعداد خودروهای بنزین سوز. تجزیه و تحلیل واریانس پارامترهای شبکه های عصبی مصنوعی نشان می دهد که تعداد نرون در لایه پنهان اول بیشترین سهم مشارکت را در تغییر میانگین مربع خطای شبکه دارد و سهم مشارکت آن حدود 40% می باشد. سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. نتایج حاصل از تحقیق حاضر نشان می دهد که شبکه های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده اند، عملکرد بهتری نسبت به شبکه هایی که به صورت سعی و خطا طراحی شده اند، دارند.