در این پروژه روش ارتباط کمی ساختار- ویژگی (qspr) برای مدل سازی و پیش بینی مقادیر جابجایی شیمیایی کربن-13 یک سری 113 تایی از مشتقات بنزن برای چهار موقعیت ایپسو، اورتو، متا و پارا بکار برده شده است. ابتدا تعداد زیادی از توصیف کننده های مولکولی با استفاده از نرم افزارهای هایپرکم، موپک، دراگون محاسبه شد. همچنین تعدادی توصیف کننده ساده از روی ساختار ترکیبات بدست آمد. سپس تعداد مناسبی از این توصیف کننده ها با استفاده از روش mlrبرای هر موقعیت انتخاب شدند. نتایج بدست آمده از روش mlr نشان می دهد که توصیف کننده های متفاوتی روی هر موقعیت موثر می باشند. سپس توصیف کننده های انتخابی برای هر موقعیت بعنوان ورودی برای شبکه های عصبی مصنوعی با الگوریتم های یادگیری مختلف از قبیل: شبکه های عصبی با الگوریتم یادگیری لونبرگ مارکوواردت، شبکه های عصبی با الگوریتم یادگیری پس انتشار ارتجاعی، شبکه های عصبی با الگوریتم یادگیری شیب توأم و شبکه های عصبی با الگوریتم یادگیری شیب توأم مقیاس شده بکار برده شده است. نهایتاً برای هر چهار موقعیت با انتخاب هفت توصیف کننده مشترک یک شبکه جلو رونده با انتشار به عقب خطا که با الگوریتم لونبرگ مارکوواردت آموزش داده شده و دارای ساختار 4-7-7 است بعنوان بهترین شبکه عصبی انتخاب شد.برای مثال کمترین خطای استاندارد و بهترین مجذور ضریب همبستگی برای مجموعه آموزشی موقعیت ایپسو به ترتیب 884/4 و 781/0 می باشد و برای مجموعه پیش بینی کمترین خطای استاندارد و بهترین مجذور ضریب همبستگی به ترتیب 357/1 و 963/0 می باشد. مقایسه نتایج بدست آمده نشان می دهد که شبکه های عصبی مصنوعی قدرت پیش بینی بهتری نسبت به روش های mlr و pls دارا می باشند. همچنین نتایج نشان می دهدکه توصیف کننده های مولکولی تأثیر مهمی بر روی جابجایی شیمیایی کربن-13 مشتقات بنزن دارند.