کاربرد شبکه عصبی مصنوعی در مدل سازی QSPR جهت نیتروژن زدایی سوخت بااستفاده از مایعات یونی

به دلیل معایب ناشی از حضور ترکیبات حاوی نیتروژن در سوخت، نیتروژن زدایی از سوخت اهمیت ویژه ای دارد. روشنیتروژن زدایی استخراجی با استفاده از مایعات یونی به دلیل مزایای قابل توجه خود یکی از روش های نیتروژن زدایی از سوختاست که امروزه توجه محققان را به خود جلب کرده است. جهت شناسایی مایعات یونی مناسب در روش مذکور تاکنونمطالعات تجربی مختلفی صورت گرفته است اما این مطالعات به دلیل نیاز به صرف هزینه و زمان زیاد، بسیار محدود می باشند.بنابراین، روش های مدل سازی تئوری جهت جایگزینی مطالعات تجربی مورد بررسی قرارگرفته اند. در این مطالعه سعی شدهاست تا به کمک روش مدل سازی ارتباط کمی ساختار-خاصیت ۱ ( QSPR ) و با جمع آوری ۵۱ سیستم سه جزئی شامل مایعیونی، ترکیب نیتروژن دار (پیریدین) و حلال هیدروکربنی، جزء مولی پیریدین در فاز غنی از مایع یونی ( ۲Y ) پیش بینی شود.روش رگرسیون خطی چندگانه ۲ ( MLR ) جهت توسعه مدل خطی و شبکه پرسپترون چندلایه ۳ ( MLP ) جهت توسعهمدل غیرخطی مورد استفاده قرار گرفته است. طبق نتایج، مدل غیرخطی AARD%=۹/۱۶۶۰,R۲=۰/۹۸۷۱ دقت بالاتری نسبت به مدل خطی AARD%=۴۸/۷۸۲۳,R۲=۰/۷۳۸۶ جهت پیش بینی ۲Y دارد. ازاین رو، مطالعه حاضر توانایی بالای شبکه عصبی مصنوعی را به عنوان زیرمجموعه ای از هوش مصنوعی ۵ در توسعه مدل های QSPR نشانمی دهد.

کلیدواژه ها:

نیتروژن زدایی استخراجی ، ارتباط کمی ساختار-خاصیت QSPR ، شبکه عصبی مصنوعی ، مایعات یونی