گاز طبیعی، اگر چه تمیزترین سوخت فسیلی است، ولی شامل ناخالصی¬هایی مثل سولفید هیدروژن و دی¬اکسید کربن می¬باشد. این ناخالصی¬ها، ترکیبات سمی و آلاینده¬ای هستند که موجب خطرات جدی برای سلامتی و محیط زیست می¬شوند و نیاز است که تا اندازه¬ای استاندارد، طی فرآیندی به ¬نام شیرین¬سازی، جدا ¬شوند. هوشمندسازی این فرآیند و ارایه¬ی مدلی برای آن، جالب توجه به نظر می¬رسد. در این مطالعه، یک شبکه¬ی عصبی مصنوعی به منظور گسترش یک مدل برای پیش¬بینی هم¬زمان میزان گازهای اسیدی سولفید هیدروژن و دی¬اکسید کربن خروجی از برج جذب یک واحد شیرین¬سازی، با در نظر گرفتن زمان، دمای آب دریا، دبی جریان گاز ترش ورودی، سولفید هیدروژن جذب شده توسط آمین، دبی آمین ورودی، و بخار کم فشار ورودی به ریبویلر آمین به عنوان ورودی¬های شبکه، به کار رفت. مدل، به وسیله¬ی 341 سری داده¬ی عملیاتی پالایشگاه گاز طبیعی پارس جنوبی، گسترش و ارزیابی شد. در حدود 90 درصد داده ها برای آموزش و در حدود 10 درصد آن¬ها برای ارزیابی شبکه انتخاب گردیدند. برای داده های ارزیابی شبکه، مقدار متوسط مربعات خطا برابر با 0/0011 و مقادیر ضریب رگرسیون برابر با0/9796 برای خروجی اول (سولفید هیدروژن) و 0/9617 برای خروجی دوم (دی اکسید کربن) به دست آمد که حاکی از توافق خوب داده¬های پیش¬بینی شده بامقادیر تجربی، و در نتیجه توانایی شبکه عصبی ارایه شده در تخمین قابل قبولی از مقادیر گازهای اسیدی و آلاینده¬ی موجود در گاز شیرین، است.