در این مطالعه، با استفاده از یک مدل جایگزین مبتنی بر شبکه های عصبی مصنوعی داده های آزمایشگاهی یک کلکتور خورشیدی از نوع لوله تخلیه با لوله گرمایی شبیه سازی شد. در این آزمایش ها، هدف تغییر نوع سیال عامل، درصد پرشدگی و هم چنین غلظت نانو سیال برای به دست آوردن بیشترین بازدهی سیستم بوده است. آب دو بار تقطیر، اتانول، نانو سیال های اکسید آلومینیوم و مس پایه آب به عنوان سیال عامل استفاده شده اند. شبکههای mlp سه لایه و دو لایه برای تعیین بهینه تابع آموزش شبکه، تعداد نورون ها و نوع تابع انتقال در هر لایه، آموزش داده شد؛ در نهایت یک شبکه سه لایه با ساختار 1 :3 :4، تابع آموزش trainbr و تابع های انتقال logsig و tansig و purelin در لایه های مخفی برای شبیه سازی فرآیند ذکر شده مورد استفاده قرار گرفت. مقدار میانگین مربعات خطا داده های آزمایشی برابر با 00964/0 و نیز برازش بین نتایج شبکه عصبی و مقادیر آزمایشگاهی این داده ها برابر با 99772/0 به دست آمد. هم چنین در این مطالعه با بهره گیری از الگوریتم ژنتیک و مدل شبیه سازی شده مقدار بهینه غلظت نانو سیال به دست آمد؛ سپس آزمایش ها در این مقدار بهینه و شرایط محیطی نزدیک به قبل تکرار شد. این شرایط بهینه، بازدهی کلکتور را برای نانو سیال های اکسید آلومینیوم و مس پایه آب به ترتیب به 94/91 و 92 درصد رساند.