مدلسازیQSPR برای پیش بینی حلالیت ترکیبات روغنی در آب
Publish place: The third national conference on new technologies in the chemical, petrochemical and Iran Nanotechnology
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 456
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TCPCO03_070
تاریخ نمایه سازی: 16 شهریور 1395
Abstract:
تخمین حلالیت هیدروکربن ها در آب پیچیده بوده و مدل های معدودی قادر به پیش بینی،حلالیت پذیری هیدروکربن ها در آب می باشند QSPR راهکاری برای پیشگویی خواص ترکیبات آلی بر مبنای ساختار مولکولی می باشد.مزیت چنین مدل هایی در بی نیازی به داده های تجربی دیگر جهت پیشگیری خواص موردنظر و کاربرد آنها برای حتی ترکیباتی است که ممکن است هنوز سنتز نشده باشند.هدف از این پژوهش توسعه ی مدل پیش بینی کننده جهت تخمین حلالیت پذیری آب و ترکیبات روغنی است،همچنین انجام کارهای آماری بر روی داده ها و تحلیل نتایج به منظور دستیابی به الگویی مناسب جهت پیش بینی رفتار و حلالیت ترکیبات روغنی در آب است.مجموع داده ها160 مولکول در نظر گرفته شد.دسته اول حلالیت هیدروکربن ها در آب که شامل 160 مولکول ) 112 مولکول دسته آموزش 24 مولکول دسته تست می باشد.مقادیر بصورت لگاریتم حلالیت Log S در نظر گرفته شد.در این پژوهش برای هر دما ماکزیمم،مینیمم مدلسازی انجام شد.تمام مولکولها در نرم افزار Hyperchem8 بهینه شد.نتایج هندسی حاصل،درون نرم افزار MOEوDRAGON قرار گرفت و تعداد زیادی توصیف کننده مولکولی در چندین دسته مختلف محاسبه شد.از روش رگرسیون خطی چندگانه MLR برای ساختن مدل خطی رابطه کمی ساختار خصوصیت استفاده شد.پارامترهای آماری برای توصیف کننده ی نهایی انتخاب شده حاصل از نرم افزارDragon به این صورت است R2test=0/81،؛R2train=0/82،F=254/19 مدل پیشنهادی در مقایسه با سایر مدل ها دارای خطای استاندارد پایین و ضریب همبستگی بالایی است،بنابراین از اعتبار بالاتری برخوردار است.
Keywords:
رابطه کمی ساختار خصوصیت Quantitative Structure Properties Relationship QSPR , حلالیت پذیری , Solubility , ترکیبات روغنی Oil Compounds
Authors
فاطمه فاضلی
کارشناسی ارشد شیمی تجزیه، دانشگاه علمی کاربردی خلیج فارس
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 :