در این مطالعه، با استفاده از یک مدل جایگزین مبتنی بر شبکه های عصبی مصنوعی، داده های آزمایشگاهی یک لوله گرمایی ترموسیفون برای خنک سازی یک پنل فتوولتائیک شبیه سازی شد. در آزمایش های انجام شده، اثرات متغیرهایی هم چون زاویه پنل، تابش خورشید، دمای هوای محیط، غلظت نانوسیال و نسبت پرشدگی برای به دست آوردن بیشترین بازدهی سیستم فتوولتائیک بررسی شده است. شبکه های mlp دو لایه برای تعیین بهینه تعداد نورون ها آموزش داده شد؛ در نهایت یک شبکه دو لایه با تعداد 35 نورون و تابع آموزش trainbr و تابع های انتقال logsig و tansig در لایه های مخفی برای شبیه سازی فرآیند ذکر شده مورد استفاده قرار گرفت. مقدار میانگین مربعات خطا داده های آزمایشی برابر با 024/0 و نیز برازش بین نتایج شبکه عصبی و مقادیر آزمایشگاهی این داده ها برابر با 11/0 به دست آمد. هم چنین در این مطالعه با بهره گیری از الگوریتم ژنتیک و مدل شبیه سازی شده، صحت و دقت آموزش شبکه عصبی بررسی شد و مقدار میانگین مربعات خطا داده های آزمایشی برابر با 026/0 و نیز برازش بین نتایج شبکه عصبی و مقادیر آزمایشگاهی این داده ها برابر با 036/0 به دست آمد. سپس بهینه سازی آموزش شبکه عصبی مصنوعی با الگوریتم رقابت استعماری بررسی شد و در این شبیه سازی مقدار میانگین مربعات خطا داده های آزمایشی برابر با 009/0 و نیز برازش بین نتایج شبکه عصبی و مقادیر آزمایشگاهی این داده ها برابر با 01/0 به دست آمد. در نتیجه بهترین آموزش شبکه عصبی به همراه الگوریتم رقابت استعماری انجام شد. سپس با توجه به شبکه آموزش دیده شده به صورت بهینه، بهترین شرایط عملکردی نانوسیال در تابش خورشید و دمای هوای محیط ثابت با الگوریتم بهینه سازی رقابت استعماری مشخص گردیدند.