در این پژوهش از داده های 4 نانوسیال اکسید مس/ استون، اکسید آهن / استن، اکسید مس / اتانول و اکسید آهن / اتانول به عنوان سیالات عامل در داخل سیستم یک ترموسیفون دوفازی بسته استفاده گردید. در این داده ها اثر غلظت نانوسیال، نسبت پرشدن و همچنین نوع سیال بدون استفاده از نانوذرات، بر راندمان حرارتی ترموسیفون مورد بررسی قرار گرفته بودند که در این تحقیق بر روی مدلسازی و بهینه سازی نتایج فوق، با استفاده از دو روش (در 3 حالت)شبکه عصبی مصنوعی (به تنهایی) و شبکه عصبی مصنوعی بهمراه الگوریتم رقابت استعماری (شبکه تلفیقی)، بررسی بعمل آمد. در روش اول ابتدا با استفاده از 18 نرون برای لایه مخفی، مقادیر خطا را محاسبه نمودیم، سپس با استفاده از روش حدس و خطا با آزمودن تعداد 1 تا 20 نرون برای لایه مخفی، نرونی که کمترین خطا را ایجاد نموده بود بعنوان نرون بهینه معرفی نموده ایم. اما روش دوم، شبکه عصبی همراه با روش بهینه سازی الگوریتم رقابت استعماری (شبکه تلفیقی)، بعنوان یک روش جدید برای مدلسازی و بهینه سازی عملکرد آبگرمکنهای خورشیدی استفاده شد و نتایج مناسبی حاصل گردید.روش الگوریتم رقابت استعماری یک روش قدرتمند در پیدا کردن خصوصیات لایه مخفی در شبکه چند لایه عصبیمی باشد. این الگوریتم چون بروش جعبه سیاه عمل می نماید، تنها در انتهای کار بهترین نرون (پیش بینی) که کمترین خطا را ایجاد نموده ارائه می نماید. بر اساس نتایج حاصل شده روش مرکب شبکه عصبی بهمراه الگوریتم رقابت استعماری یک روش قدرتمند در پیش بینی رفتار سیستم های غیرخطی مثل لوله های گرمایی بشمار می رود. البته در این تحقیق نتایج بهینه سازی یا همان پیدا نمودن نرون بهینه (کمترین خطا) با استفاده از روش حدس و خطا و آزمودن 1 تا 20 نرون برای 2 دسته از نانوسیالات (اکسید مس/ استون و اکسید مس / اتانول) نتایج بهتری نسبت به روش تلفیقی حاصل نمود، لیکن بدلیل اختلاف بسیار اندک (بخصوص در مورد نانوسیال اکسید مس / اتانول) و همچنین زمان صرف شده که در مقایسه با روش تلفیقی بسیار بیشتر می باشد، لذا در مجموع روش تلفیقی در بهینه سازی انجام شده در این تحقیق عملکرد بهتری نسبت به 2 روش دیگر ارائه نموده است.