در دهه گذشته تبدیل متانول به هیدروکربن ها با استفاده از کاتالیزور های زئولیتی به دلیل پتانسیل فرآیند به عنوان مرحله نهایی در تبدیل هر نوع خوراک غنی از کربن با قابلیت تبخیر (نظیر گاز طبیعی، زغال سنگ و زیست توده) به محصولات با ارزش افزوده بالاتر، توجه فزاینده ای را به خود اختصاص داد. تکنولوژی مربوطه نیز بسیار انعطاف پذیر است؛ بطوریکه بسته به کاتالیزور و شرایط فرآیندی محصولات ممکن است بنزین با عدد اکتان بالا (mtg) یا آلکن های سبک (متانول به الفین ها) باشد. متانول به فراوانی در دسترس است؛ علاوه بر این از منابع تجدید پذیر مانند بیو مواد نیز قابل استحصال است و می تواند به عنوان ماد? خام اولیه برای تولید بنزین به کار رود؛ بنابراین تبدیل کاتالیتیکی متانول به بنزین روشی بسیار ارزشمند برای تولید بنزین با اکتان بالا می باشد و در آینده از جایگاه اقتصادی مهمی برخوردار خواهد بود. در این پروژه از سیستم های هیبریدی هوشمند در طراحی کاتالیزورهای h-zsm-5 اصلاح شده به صورت تک فلزی با سه فلز مس، نقره و کبالت برای افزایش بهره بنزین در فرآیند تبدیل کاتالیتیکی متانول به بنزین استفاده شد. روش طراحی آزمایشات تاگوچی برای تولید پایگاه داده ها با چهار فاکتور (نسبت si/al2، دمای کلسیناسیون، دمای واکنش و مقدار بارگذاری اسمی فلز) در چهار سطح بکار رفت و از برهمکنش بین متغیرها صرف نظر شد. روش تاگوچی در پیش بینی کاتالیزور بهینه ناموفق بود. برای مدل سازی از شبکه عصبی سه لایه ای استفاده شد و توصیف گرهای ترموشیمیایی برای تمایز فلز ها از هم بکار رفتند. برای دست یابی به مدل بهینه، حالت های مختلف الگوریتم کاهش شیب گرادیان برای آموزش شبکه های با تعداد نرون متفاوت در لایه مخفی بررسی شد. مدل با r2 بالا و rmse کم به عنوان مدل بهینه انتخاب شد و برای تعریف تابع برازندگی بکار رفت. از الگوریتم ژنتیکی پیوسته استفاده شد تا با بهینه ساز محلی برای یافتن کاتالیزور مطلوب تر جفت شود. پس از تعیین پارامترهای بهینه برای الگوریتم ژنتیکی، کاتالیزور بهینه cu/zsm-5 با si/al2=40، دمای کلسیناسیون °c490 و دمای واکنش°c340 بود که با میزان تبدیل بالای 90%، بهره بنزین 13% و درصد وزنی آروماتیک 7/78%، 88/4% افزایش در بهره بنزین و 07/7% کاهش درصد وزنی آروماتیک ها در مقایسه با کاتالیزور پایه در شرایط یکسان داشت. برای درک بهتر عملکرد کاتالیتیکی، شناسایی تعدادی از کاتالیزور ها با تکنیک های xrd، sem، ft-ir و uv-vis dr انجام شد. نتایج شناسایی بدست آمده در توافق با نتایج پیش بینی شده توسط سیستم های هیبریدی است. نتیجه گرفته شد که سیستم های هیبریدی هوشمند روش های مفیدی در طراحی کاتالیزورهای هتروژنی هستند و می توانند در تسریع امر تحقیق و توسعه در این زمینه مفید باشند بدون اینکه به روش های شناسایی نیازی باشد؛ اما در مرحله نهایی می توان از روش های شناسایی برای افزایش سطح اطلاعات علمی در ارتباط با عملکرد کاتالیزور استفاده کرد.