توسعه ی مدل های هوش مصنوعی مبتنی بر ساختار مولکولی برای پیش بینی نقطهاشتعال آلکیل استرها
Publish place: The first international conference on artificial intelligence, data science and digital transformation in the oil and gas industry
Publish Year: 1401
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 148
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
OILANDGAS01_004
تاریخ نمایه سازی: 4 شهریور 1402
Abstract:
یکی از رویکردهای جدید در پیش بینی خواص شیمی فیزیکی، توسعه مدل های ارتباط کمی ساختار-خاصیت( QSPR ) می باشد. در این روش که مبتنی بر داده کاوی و تکنیک های یادگیری ماشین می باشد، خاصیت موردنظر به پارامترهای مولکولی مرتبط با ساختار شیمیایی مرتبط می شود. در این پژوهش دمای اشتعال ۱۷۹آلکیلاستر از ده خانواده شیمیایی متفاوت مورد آنالیز ارتباط کمی ساختار-خصوصیت قرار گرفت. برای توسعهمدل های پیش بینی کننده دمای اشتعال، ابتدا جامعترین مجموعه داده ممکن از انواع آلکیل استرها از پایگاه دادهخواص شیمی فیزیکی DIPPR جمع آوری شد. سپس، پس از رسم ساختار سه بعدی مولکول ها و بهینه سازیآنها، ۳۲۲۴ توصیف کننده مولکولی برای هر ساختار محاسبه شدند. در ادامه، با استفاده از روش جایگزینی بهبودیافته ERM ، چهار توصیف کننده به عنوان مناسب ترین توصیف کننده های مولکولی مرتبط با نقطه اشتعال آلکیلاسترها انتخاب شدند. سپس با کمک توصیف کننده های منتخب، سه مدل یادگیری ماشین مبتنی بر برنامه ریزیژنتیکی، ماشین بردار پشتیبان و جنگل تصادفی برای ایجاد ارتباط بین دمای اشتعال و توصیف کننده ها توسعهیافتند. نتایج عملکرد مدل ها بصورت پارامترهای آماری ضریب تعیین ، جذر میانگین مربعات خطا RMSEمیانگین خطای نسبی مطلق AARD% گزارش شدند. نتیجه عملکرد بهترین مدل پیش بینی کننده (مدلبرنامه ریزی ژنتیکی) در قالب ضریب تعیین بترتیب روی مجموعه آموزش، تست و کل، ۹۸ / ۰ ، ۹۷ / ۰ و ۹۸ / ۰ گزارششد.
Keywords:
دمای اشتعال , ارتباط کمی ساختار-خصوصیت QSPR , آلکیل استرها , یادگیری ماشین , برنامه ریزی ژنتیکی , ماشین بردار پشتیبان , جنگل تصادفی
Authors
زینب حیدری
دانشجو، علم و صنعت ایران
محمدامین ثباتی
دانشجو، علم و صنعت ایران