ظرفیت گرمایی به عنوان یکی از مهمترین خواص ترمودینامیکی است که برای محاسبه¬ی سایر خواص مانند آنتالپی، آنتروپی و انرژی گیبس و غیره مورد نیاز می¬باشد. به دلیل کمبود داده¬های آزمایشگاهی برای گازهای خالص و ایده¬آل و همچنین پرهزینه بودن انجام این آزمایشات، مدل¬های عددی برای پیش-بینی ظرفیت گرمایی توسعه یافتند. تمام مدل¬هایی که تا به امروز توسط kobe، thinh، passut، stull و غیره بیان شده¬اند دارای ویژگی مشترکی هستند و آن ضرایب این مدل¬هاست که برای هر ماده¬ی گازی متغیر می¬باشد. در این پژوهش جهت تسهیل معادلات و تسریع محاسبات، مدل¬های مناسب با استفاده از پارامترهای قابل دسترس نظیر دما، جرم مولکولی و تعداد اتم¬ها برای 16 خانواده¬ی مختلف فاز گازی ارائه گردید. به عنوان مثال میانگین خطای مطلق به دست آمده برای مدل پیش¬بینی کننده و همچنین مدلسازی ظرفیت حرارتی گازها در شرایط ایده¬آل توسط معادلات حالت مکعبی peng-robinson (pr) و soave-(srk) redlich-kwong برای گروه گازی فنل¬ها به ترتیب %353/0، %999/0 و %038/1 مربوط به 414 داده¬ی تئوری، برای گروه گازی آلکان¬ها به ترتیب %525/0، %2/650 و %1/322 مربوط به 4045 داده¬ی تئوری و برای ایزوآلکان¬ها به ترتیب %805/0، %0/763 و %0/773 مربوط به 777 داده¬ی تئوری می¬باشد. در ضمن محاسبات با استفاده از شبکه عصبی مصنوعی برای تمام گروه¬های گازی حاضر در پژوهش انجام گردید و از نتایج حاصل مشخص شد مدل شبکه عصبی مصنوعی توانایی پیش¬بینی ظرفیت حرارتی گازها به میزان میانگین خطای %0.000256 را دارا می¬باشد.