تخمین دقیق خواص انتقالی در طراحی، شبیه سازی، بهینه سازی و کنترل فرآیندهای مهندسی شیمی، بسیار مهم است. ضریب هدایت حرارتی به عنوان یکی از پارامتر های مهم در مبحث انتقال حرارت، از حدود 50 سال پیش تا به امروز مورد توجه دانشمندان و محققان بوده است؛ و همواره سعی بر تعیین روش هایی برای اندازه گیری این پارامتر بوده است. تا به امروز روش های متفاوتی جهت اندازه گیری این پارامتر ارائه شده است که در کار حاضر این روش ها با دسته بندی های متفاوت بر اساس نوع روش (تجربی، نظری و نوین)، نوع گاز (خالص یا مخلوط) و فشار گاز (کم، متوسط و زیاد) ارائه شده است؛ و در ادامه یکی از روش های نوین و کارآمد با استفاده از شبکه های عصبی با هدف برآورد ضریب هدایت حرارتی گازها در زمان کم و با دقت بالا بیان شده است. در این تحقیق 11383 داده تجربی برای گازها (5558 داده مربوط به گازهای خالص، و 5825 داده مربوط به مخلوط گازها) در محدوده فشاری 0/1مگا پاسکال تا 3000 مگا پاسکال و محدوده دمایی 20 درجه کلوین تا 5000 درجه کلوین گردآوری شده است. سپس با استفاده از شبکه عصبی رابطه این داده های تجربی مدلسازی شده است؛ و در ادامه نیز یک معادله ساده حاصل از برازش داده های تجربی جهت تقریب ضریب هدایت حرارتی ارائه شده است. شبکه عصبی مدلسازی شده از 5 ورودی دما، فشار، دمای بحرانی، فشار بحرانی و وزن مولکولی برای مدلسازی ضریب هدایت حرارتی استفاده می کند و از یک لایه پنهان با 16 نرون که از تابع انتقال تانژانت سیگموئید (تابع اس شکل) استفاده می کنند و یک لایه خروجی که از تابع انتقال خطی بهره می برد، استفاده می کند. میانگین مربعات خطای شبکه عصبی مدلسازی شده 5-10×0/888 و برای معادله برازش شده 5-10×4/8029 می باشد که نشان می دهد شبکه عصبی عملکرد خوبی در پیش بینی ضریب هدایت حرارتی دارد. همچنین به علت اینکه نمی توان خطای حاصل از مجموع داده ها را به علت نبود چنین معادله ای با معادله دیگری مقایسه کرد؛ به اجبار خطای شبکه عصبی و معادله برازش شده با معادلات نیمه تجربی در محدوده های فشاری مختلف (برای گاز خالص و مخلوط گازها) و همچنین معادلات حالت pr و srk (فقط برای گاز خالص) مقایسه گردیده است که در همه موارد شبکه عصبی مدلسازی شده جواب قابل قبولی را ارائه می دهد.