در این پایان نامه با استفاده از شبکه عصبی مدلی برای پیش بینی راندمان کلکتورهای خورشیدی صفحه تخت و تأثیر استفاده از نانوسیال اضافه شده در سیال پایه (آب) بر راندمان، هم چنین پیش بینی دمای سیال خروجی، ارائه گردیده است. استفاده از نانو سیال باعث افزایش راندمان کلکتور می شود که با استفاده از شبکه عصبی این روند مدل سازی شده و راندمان سیستم قابل پیش بینی خواهد بود. داده های ورودی و خروجی از تست هایی که بر روی یک نوع کلکتور خورشیدی صفحه تخت انجام شده، بدست آمده و با استفاده از شبکه عصبی آموزش داده شده اند. این شبکه قادر است روابطی را که بین ورودی و خروجی برقرار است تحلیل کرده و مدلی جهت پیش بینی راندمان و دمای خروجی سیال پیدا کند. با توجه به دشواری انجام عملی آزمایش های زیاد در شرایط محیطی، زمانی و مکانی متفاوت، ارائه چنین مدلی بسیار مفید و کم هزینه خواهد بود. مزیت دیگر مدل ارائه شده اینست که اعمال تغییرات در هر شرایطی را به خوبی و با کم ترین درصد خطا به ما نشان دهد. مدل پیشنهادی دارای هفت ورودی و دو خروجی است که ورودی های آن شامل میزان تشعشع خورشید، دمای محیط، دمای سیال ورودی، درصد وزنی al2o3 افزوده شده به سیال، دبی سیال ورودی (آب) و حضور یا عدم حضور پایدارکننده و ضریب هدایت گرمایی می باشد و خروجی های آن شامل دمای سیال خروجی و راندمان سیستم می باشد. روابط متفاوتی برای محاسبه خطای سیستم استفاده شده است. با توجه به نتایج به دست آمده از شبکه های متعدد تست شده شبکه پرسپترون چند لایه با کم ترین درصد خطا انتخاب، و صحت روابط بین پارامترها در سیستم های کلکتورهای خورشیدی صفحه تخت با استفاده از خروجی های شبکه نشان داده شد.