شرکت ملی پخش فرآورده های نفتی، روزانه بیش از 180 میلیون لیتر فرآورده های نفتی را در بین مناطق مختلف کشور توزیع می کند که بخش اعظم آن مربوط به سه فرآورده نفت سفید، بنزین و نفت گاز است. بروز کمبود در عرضه و توزیع این سه فرآورده، با توجه به اینکه بسیاری از فعالیت ها درسطح جامعه به آن ها وابسته است، تبعات جدی اقتصادی، اجتماعی و سیاسی را در پی خواهد داشت، بنابراین برنامه ریزی برای تامین تقاضای کل کشور و همچنین توزیع و تسهیم آن در مناطق مختلف کشور، اهمیت ویژه ای دارد. هم اکنون، شرکت ملی پخش فرآورده های نفتی، برای تعیین نیاز کل کشور و همچنین توزیع و تسهیم آن در بین مناطق مختلف کشور از یک روش ساده برونیابی با توجه به پیشینه مصرف آنها، استفاده می کند. این مدل از یک سو، جامعیت لازم برای در نظر گرفتن تغییرات محیطی را ندارد و از سوی دیگر ویژگیها و اقتضائات مناطق کشور را در نظر نمی گیرد. هدف از تقریر این رساله، توسعه مدل در دو بخش است؛ در بخش اول، میزان مصرف سه فرآورده در سطح مناطق برآورد می شود که این برآورد به نوبه ی خود پایه ای برای سهمیه بندی فراورده های نفتی به مناطق خواهد شد و در بخش دوم، نیاز سه فرآورده در سطح کشور از طریق پیش بینی تعیین می شود. در این رساله، برای برآورد نیاز نفت سفید، بنزین و نفت گاز در سطح مناطق، به دو شیوه عمل شده است که به ماهیت این سه فرآورده بر می گردد. نفت سفید، به طور عمده، در بخش خانوار برای تامین گرمایش محیط و انرژی حاصل از سوزاندن آن برای جبران اتلاف حرارتی از جداره های ساختمان، مصرف می شود. برای تعیین نیاز و سهمیه مناطق، ابتدا، در یک پژوهش جامع، خصوصیات اقلیم شناسی و ابنیه و معماری کلیه مناطق کشور تعیین و بار حرارتی با توجه به ارزش حرارتی نفت سفید، سرانه نفت سفید خانوار محاسبه و در نهایت، سهمیه نفت سفید هر منطقه بدست آمده است. برای تعیین سهمیه بنزین و نفت گاز مناطق با توجه به ماهیت مصرف کننده های این دو فرآورده و پیشینه مصرف آن از مدل پیش بینی مبتنی بر شبکه های عصبی مصنوعی با توجه به ویژگی ها و تواناییهای آن استفاده شده است. در این رساله، همچنین، برای تعیین تقاضای سه فرآورده در سطح کشور، از شبکه های عصبی مصنوعی استفاده شده است. مهم ترین عامل در عملکرد و دقت مدل پیش بینی مبتنی بر شبکه عصبی، معماری شبکه است. در طراحی معماری شبکه عصبی مصنوعی، معمولاً، عواملی از قبیل تعداد لایه های پنهان، تعداد نرون ها در هر لایه و توابع تبدیل در نظر گرفته می شود. اغلب محققین، در طراحی معماری شبکه عصبی از روش سعی و خطا استفاده می کنند و یا اینکه به گونه ای عمل می کنند که اثرات متقابلی را که هر یک از عوامل می توانند بر هم داشته باشند، در نظر نمی گیرند. در این تحقیق، در طی یک رویه سیستماتیک مبتنی بر تکنیک طراحی آزمایشها مدلی ارائه می شود که در ضمن درنظر گرفتن عوامل متعددی از قبیل نوع شبکه، الگوریتم آموزش، تعداد لایه پنهان، تعداد نرون های هر لایه، تابع پیش پردازش و تابع تبدیل و همچنین اثر متقابل بین عوامل مختلف، ساختار بهینه شبکه عصبی را تعیین می کند. استفاده از مدل پیشنهادی در طراحی معماری شبکه عصبی، چنانچه در این رساله نشان داده شده است، عملکرد مدل پیش بینی را به میزان قابل توجهی ارتقاء میدهد