در این پژوهش سه نوع شبکه عصبی مصنوعی به نام¬های انتشار بازگشتی، تابع پایه شعاعی و رگرسیون عمومی برای مدل¬سازی سیکلون¬¬های جداسازی به کار گرفته شده است. ورودی این شبکه¬ها هفت پارامتر هندسی سیکلون و خروجی آن¬ها افت فشار می باشد. پارامتر عملکردی هر کدام از شبکه¬ها به منظور دست یابی به حداقل خطای مربع میانگین، به روش جستجوی چند مرحله ای، بهینه¬سازی شده و سه نوع شبکه بهینه بدست آمد. این پارامترهای عملکردی، ضریب پخش و تعداد نرون های لایه مخفی می باشند. در ادامه شبکه تابع پایه شعاعی با کم ترین خطا، بیشترین ضریب همبستگی و بیشترین سرعت همگرایی، به عنوان شبکه بهینه انتخاب شده است. سپس به منظور اعتبار سنجی شبکه بهینه انتخاب شده، نتایج حاصل از پیش بینی افت فشار توسط شبکه عصبی انتخاب شده، با سه رابطه تجربی و همچنین با نتایج آزمایشگاهی، برای 28 سیکلون مختلف، باهم مقایسه شده اند. با استفاده از شبکه ی عصبی انتخاب شده، و به کمک روش الگوریتم ژنتیک، ابعاد هندسی سیکلون بهینه به منظور دست¬یابی به حداقل افت فشار، معرفی شده است. با شبیه¬سازی به روش عددی، مشخصه¬های اصلی عملکردی سیکلون بهینه پیشنهادی و سیکلون استاندارد استیرمند، از جمله افت فشار، سرعت مماسی و سرعت محوری آن¬ها، با هم مقایسه شده است. سیکلون بهینه پیشنهادی با حد برش برابر با 120% حد برش سیکلون استاندارد استیرمند، افت فشاری برابر با 80% افت فشار سیکلون استیرمند را دارد، که این کاهش افت فشار، هدف اصلی این پژوهش را تأمین می-کند. میزان تغییر ابعاد هندسی سیکلون پیشنهادی نسبت به سیکلون استیرمند، همچنین تأثیر این تغییرات بر روی افت فشار، تحلیل شده و ابعاد دهانه ورودی و قطر خروجی، به عنوان موثرترین پارامترها معرفی شدند.