در این پژوهش، کاتالیست‌های نانوساختار Ni/HZSM-5 با روش ریزنامیزه معکوس تهیه شدند. از مزیت‌های قابل توجه این روش، می‌توان به پراکندگی مناسب ذرات، سطح ویژه و کاهش بالاتر نمونه اشاره کرد. آزمایش‌های سنتز فیشر-تروپش در حضور کاتالیست Ni/HZSM-5 در گستره شرایط عملیاتی شامل دمای 220 تاC°۲۴۰، فشار ۱۵ تا ۲۵ بار و سرعت فضایی گاز 900 تا 1/۲۳۰۰h انجام شد. هدف از آموزش شبکه عصبی-فازی تطبیقی، یافتن اندازه وزن‌ها و بایاس‌ها به نحوی است که خطای داده‌های آموزش را به حداقل برساند. بنابراین، آموزش شبکه‌های عصبی- فازی تطبیقی را می‌توان دربردارنده یک مسئله بهینه‌سازی دانست که هدف آن بهینه‌سازی شرایط وزنی و بایاس‌ها برای دستیابی به حداقل خطای آموزش است. بدین‌منظور برای بهینه‌سازی مدل عصبی- فازی، از الگوریتم ژنتیک و الگوریتم اجتماع ذرات استفاده شد که منجر به پیش‌بینی توزیع فراورده‌های سنتز فیشر تروپش با شبکه‌های ANFIS، GA_ANFIS و PSO_ANFIS شد. برای مدل‌سازی فرایند از 17 داده آزمایشگاهی استفاده شد که از این 17 داده، 80 درصد برای آموزش و بقیه برای تعیین اعتبار مدل استفاده شد. همه مدل‌های آورده شده دارای ضریب همبستگی بالاتر از 0/97 بودند که نشان‌دهنده دقت مدل‌سازی است. و با توجه به ضریب همبستگی و خطاهای ARE، AARE و SD بهترین شبکه مورد نظر برای مدل‌سازی فرایند مورد نظر، PSO_ANFIS است. پرونده مقاله