پیش بینی کارایی کاتالیزورهای آلی در واکنشهای شیمیایی با استفاده از الگوریتمهای داده کاوی و یادگیری ماشین

پیش بینی عملکرد کاتالیزورهای آلی در واکنشهای شیمیایی نقش مهمی در تسریع توسعه فرآیندهای شیمی سبز و کاهش هزینه های آزمایشگاهی دارد. در این تحقیق با بهره گیری از الگوریتمهای داده کاوی و یادگیری ماشین شامل جنگل تصادفی، گرادیان بوستینگ و شبکههای عصبی چندلایه، چارچوبی داده محور برای پیش بینی بازده واکنشهای کاتالیزوری توسعه داده شد. دادههای مورد استفاده شامل ۱۲۰۰ نمونه واکنش شیمیایی با ویژگیهای ساختاری، فیزیکوشیمیایی و شرایط عملیاتی واکنش بودند. ویژگیهای مولکولی توسط نرم افزارهای ChemAxon و ۱۶ Gaussian استخراج و سپس بهینه سازی شدند. نتایج نشان داد که مدل گرادیان بوستینگ با ضریب تعیین R۲ برابر ۰.۹۴ بهترین عملکرد را دارد و توانست کاتالیزورهای برتر را با اختلاف کمتر از ۵ درصد نسبت به نتایج شبیه سازی ترمودینامیکی شناسایی کند. این مطالعه نشان میدهد که تلفیق داده کاوی و یادگیری ماشین میتواند به عنوان ابزاری موثر در طراحی سریع و دقیق کاتالیزورهای آلی و بهینه سازی واکنشهای شیمیایی مورد استفاده قرار گیرد که میتواند به بهبود بهره وری و کاهش هزینه ها در صنعت شیمی کمک شایانی نماید.

کلیدواژه ها:

الگوریتمهای یادگیری ماشین ، داده کاوی ، کاتالیزورهای آلی ، پیش بینی بازده ، شیمی محاسباتی