تعیین عدد تجمع سورفکتانت های آنیونی بر اساس تکنیک هدایت سنجی: به کارگیری تکنیک مدل سازیQSAR-ANN برای پیش بینی عدد تجمع سورفکتانت ها

بهناز عبدوس; سیده مریم سجادی; احمد باقری

تعیین عدد تجمع سورفکتانت های آنیونی بر اساس تکنیک هدایت سنجی: به کارگیری تکنیک مدل سازیQSAR-ANN برای پیش بینی عدد تجمع سورفکتانت ها

Publish place: Applied Chemistry Today، Vol: 17، Issue: 63

Publish Year: 1401

Type: Journal paper

Language: Persian

This Paper With 22 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > شبکه عصبی

Export:

Link to this Paper:

https://civilica.com/doc/2074423

Document National Code:

JR_CHEM-17-63_006

Index date: 16 September 2024

تعیین عدد تجمع سورفکتانت های آنیونی بر اساس تکنیک هدایت سنجی: به کارگیری تکنیک مدل سازیQSAR-ANN برای پیش بینی عدد تجمع سورفکتانت ها abstract

در این مطالعه، از یک روش مدل سازی جدید با استفاده از مدل QSAR و شبکه عصبی مصنوعی برای پیشبینی عدد تجمع برخی از سورفکتانت های آنیونی در محلول آبی در دمای ۲۵ درجه سانتی گراد استفاده شده است. عدد تجمع مایسل با استفاده از اندازه گیری های هدایت الکتریکی و روش اوانس برای سورفکتانت های آنیونی در محلول های آبی تعیین شد. اما نتایج به دست آمده با استفاده از این روش، نتایج حاصل از از روش فلورسانس مطابقت خوبی نداشت از آنجائیکه روش فلورسانس روش دقیقتری برای محاسبه عدد تجمع مایسلها میباشد به همین دلیل از نتایج روش فلورسانس در این مطالعه استفاده شد. به منظور ارتباط ساختار مولکولی این سورفکتانتها با عدد تجمع آنها، مطالعه ارتباط کمی ساختار-خاصیت (QSPR) انجام شد. یک مدل شبکه عصبی مصنوعی (ANN) برای پیشبینی عدد تجمع سورفکتانت های آنیونی با استفاده از چهار مورد از بیش از ۳۲۰۰ توصیف گر مولکولی، محاسبه شده توسط نرم افزار Dragon، به عنوان متغیرهای ورودی، توسعه داده شد. اهمیت توصیفگرهای انتخابی بر اساس روش ANN محاسبه شدند که ترتیب اهمیت آنها بدین صورت می باشد: nC> X۵V> MWC۰۵> MWC۰۴. مجموعه کامل ۲۴ سورفکتانت آنیونی به صورت تصادفی به یک مجموعه آموزشی ۱۶ تایی، یک مجموعه آزمایشی ۴ تایی و یک مجموعه اعتبارسنجی ۴ تایی تقسیم شدند. همچنین از تحلیل رگرسیون خطی چندگانه (MLR) برای ساخت یک مدل خطی با استفاده از توصیف گرهای مشابه استفاده شد. ضریب همبستگی (R۲) و ریشه میانگین مربعات خطا (RMSE) مدلهای ANN و MLR (برای کل مجموعه دادهها) به ترتیب ۹۴/۰، ۹۹/۴ و ۸۲/۰، ۳۸/۸ بود. R۲بالاتر روش ANN نشان داد که رابطه بین توصیفگرها و عدد تجمع ترکیبات، غیرخطی است.

تعیین عدد تجمع سورفکتانت های آنیونی بر اساس تکنیک هدایت سنجی: به کارگیری تکنیک مدل سازیQSAR-ANN برای پیش بینی عدد تجمع سورفکتانت ها Keywords:

توصیف گرهای مولکولی , QSAR , شبکه عصبی مصنوعی , سورفکتانت آنیونی , عدد تجمع

تعیین عدد تجمع سورفکتانت های آنیونی بر اساس تکنیک هدایت سنجی: به کارگیری تکنیک مدل سازیQSAR-ANN برای پیش بینی عدد تجمع سورفکتانت ها authors

بهناز عبدوس

گروه شیمی، دانشکده شیمی، دانشگاه سمنان، سمنان، ایران

سیده مریم سجادی

گروه شیمی، دانشکده شیمی، دانشگاه سمنان، سمنان، ایران

احمد باقری

گروه شیمی، دانشکده شیمی، دانشگاه سمنان، سمنان، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :

A. Bagheri, Comparison of the interaction between propranolol hydrochloride (PPL) ...

T. Gaudin, P. Rotureau, I. Pezron, G. Fayet, New QSPR ...

Ž. Medoš, S. Friesen, R. Buchner, M. Bešter-Rogač, Interplay between ...

Lindman, B. and H. Wennerström, Micelles. ۱۹۸۰, Springer Berlin / ...

J. van Stam, S. Depaemelaere, F.C. De Schryver, Micellar Aggregation ...

Massart, D. L.; Vandeginste, B. G.; Buydens, L.; Lewi, P.; ...

Wold, S. Chemometrics and Intelligent Laboratory Systems, ۳۰ (۱۹۹۵) ۱۰۹ ...

Michielan, L.; Moro, S. Journal of chemical information and modeling, ...

Bertolaccini L, Solli P, Pardolesi A, Pasini A (۲۰۱۷) An ...

Willis MJ, Montague GA, Di Massimo C, Tham MT, Morris ...

W. LI, H. XIE, Y. HUANG, L. SONG, Y. SHAO, K. ...

K.W. Ely Setiawan, Mudasir Mudasir, QSAR modeling for predicting the ...

J. Ghasemi, S. Ahmadi, Combination of Genetic Algorithm and Partial ...

Ramalingam V, Palaniappan B, Panchanatham N, Palanivel S (۲۰۰۶) Measuring ...

Zupan J, Gasteiger J, Neural networks in chemistry and drug ...

Fletcher R, A new approach to variable metric algorithms. The ...

Goldfarb D, A family of variable-metric methods derived by variational ...

Goh AT Back-propagation neural networks for modeling complex systems. Artificial ...

Iqbal A, Aftab S, A Feed-Forward and Pattern Recognition ANN ...

Nidhyananthan SS, Shenbagalakshmi V, Assessment of dysarthric speech using Elman ...

Ahmed S, IP Traffic forecasting using focused time delay feed ...

Fermo IR, Cavali TS, Bonfim-Rocha L, Srutkoske CL, Flores FC, ...

M. Arezoo, B. Ahmad, J. Of Applied Chemistry, ۶۱ (۱۴۰۰) ...

B.W. Barry, R. Wilson, Micellar molecular weights and hydration of ...

C. La Mesa, Micelle aggregation numbers from colligative properties, Colloid ...

Anachkov SE, Danov KD, Basheva ES, Kralchevsky PA, Ananthapadmanabhan KP,.Determination ...

M. Aoudia, B. Al-Haddabi, Z. Al-Harthi, A. Al-Rubkhi, Sodium Lauryl ...

N.V. Lebedeva, A. Shahine, B.L. Bales, Aggregation Number-Based Degrees of ...

D.J. Jobe, V.C. Reinsborough, Micellar properties of sodium alkyl sulfoacetates ...

H.V. Tartar, A.L.M. Lelong, Micellar Molecular Weights of Some Paraffin ...

M. Benrraou, B.L. Bales, R. Zana, Effect of the Nature ...

P. De, K. Roy, Greener chemicals for the future: QSAR ...

G. Rücker, C. Rücker, On Topological Indices, Boiling Points, and ...

T. Hancock, R. Put, D. Coomans, Y. Heyden, Y. Everingham, ...

Fathollahi M, Sajady H, QSPR modeling of decomposition temperature of ...

N. Fakhari, Z. Kalantar, N. godarzi, Linear and non-linear QSPR ...

نمایش کامل مراجع