در فرآیند بهینه سازی برای یافتن نقطه (یا نقاط) بهینه سیستم، پاسخ فرآیند به ازای شرایط مختلف موردارزیابی قرارمی گیرد. برای این منظور نیاز به یک مدل جهت ارزیابی پاسخ است. راکتور شکست حرارتی LPG به دلیل پیچیدگی سینتیک شکست حرارتی دارای مدل ریاضی پیچیده است لذا استفاده از آن را در بهینه سازی محدود می سازد. در این مقاله از یک مدل شبکه عصبی پروسپترون چندلایه (MLP) بجای مدل ریاضی در بهینه سازی راکتور شکست حرارتی LPG استفاده شد. برای این منظور داده های لازم جهت ساخت مدل MLP از ارزیابی مدل ریاضی با ورودی های مختلف تولید شد. از متغییرهای نظیر دبی خوراک، دمای ورودی، دمای خروجی کویل، فشار خارجی کویل و نسبت بخار به خوراک استفاده شد. به دلیل وجود برهمکنش بین توابع هدف در فرآیند شکست حرارتی از الگوریتم بهینه سازی چند هدفه ازدحام ذرات (MOPSO) استفاده شد. ماکزیمم سازی همزمان تولید سالانه اتیلن و پروپیلن به عنوان توابع هدف مد نظر قرار گرفته شد. نتایج نشان داد که استفاده از شبکه عصبی MLP بجای مدل سازی ریاضی سرعت دست یابی به مجموعه جواب های بهینه را به میزان زیادی بهبود داده است.
