در این پژوهش سه مدل نوین به کمک الگوریتم¬های هوش مصنوعی anfis و شبکه¬های پرسپترون چند لایه جهت (mlpnn)جهت پیش¬بینی و تخمین شار تراوش¬پذیری co2 و انتخاب¬پذیری co2/ch4 ارائه گردیده است. این سه مدل یعنی anfis، cfnn و ffnn رفتار غلظت پلیمر(% pebax)، درصد آغازگر (precursor %)، غلظت¬های هر دو آغاز گر البته به صورت نسبتی؛ یعنی و دمای واکنش هیدرولیز در مقابل دو خروجی مورد نظر یعنی شار تراوش¬پذیری co2 و انتخاب¬پذیری co2/ch4 را مورد ارزیابی قرار داده و برازش می-کنند. نتایج نشان می¬دهد که cfnn برای پیش بینی هر دو خروجی در یک زمان خطای کمتری دارد در حالی که مدل anfis خروجی دوم یعنی انتخاب¬پذیری را با خطای کمتری مدل می¬نماید. از طرف دیگر مدل cfnn کمترین خطا را در مدلسازی خروجی اول یعنی شار تراوش¬پذیری دارد. ذکر این نکته هم لازم است که مدل¬های anfis، ffnn و cfnn تماماً خطای کمتر از 5% برای تخمین تمامی خروجی¬ها دارند. نتایج حاکی از آن است که بیش از 80% تخمین¬های مدل cfnn برای هر دو خروجی خطایی کمتر از 2% دارد و این نشان می¬دهد که می¬تواند برای مراحل طراحی با تقریب خوبی پاسخگو باشد. این مدل cfnn با نه نرون در لایه مخفی هر دو خروجی را با خطای مطلق میانگین نسبی 34/2 % تخمین می¬زند.