توسعه ی مدل های هوش مصنوعی مبتنی بر ساختار مولکولی برای پیش بینی نقطهاشتعال آلکیل استرها
- سال انتشار: 1401
- محل انتشار: اولین همایش بین المللی هوش مصنوعی، علم داده و تحول دیجیتال در صنعت نفت و گاز
- کد COI اختصاصی: OILANDGAS01_004
- زبان مقاله: فارسی
- تعداد مشاهده: 360
نویسندگان
دانشجو، علم و صنعت ایران
دانشجو، علم و صنعت ایران
چکیده
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.کلیدواژه ها
دمای اشتعال، ارتباط کمی ساختار-خصوصیت QSPR ، آلکیل استرها، یادگیری ماشین، برنامه ریزی ژنتیکی،ماشین بردار پشتیبان، جنگل تصادفیمقالات مرتبط جدید
- نگاهی به نقش اقتصاد سیاسی ایران در مدیریت مصرف انرژی
- مقایسه روشهای نورتابی شیمیایی رادیکال *CH و *OH در استخراجپاسخ دینامیکی شعله جریان متقابل
- مطالعه عددی اثر تحریک جریان ورودی بر عملکرد یک انژکتور هممحور برشی تحت شرایط گذربحرانی
- مطالعه ساختار شعله متان هیدروژن در مشعل پیچشی سیدنی با استفاده از مدل احتراقی حجمی
- مطالعه تجربی اثر احتراق جریان چرخشی غیر پیش مخلوط بر پایداری، شدت تابش نور و دینامیک شعله پروپان - اکسیژن/هوا
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.