مدلسازی و شبیه‌سازی بیوسنسور آنزیمی برای تشخیص آفلاتوکسین B1 با استفاده از شبکه عصبی مصنوعی
Authors
Abstract:
افلاتوکسین B1 (AFB1) سمی ترین گروه آفلاتوکسین‌هاست که باعث آلودگی محصولات کشاورزی شده و اثرات مرگ باری بر سلامت انسان دارد. تشخیص AFB1 در مواد غذایی و خوراکی توسط بیوسنسورها سریع، کم هزینه و دقیق است. در این مقاله به مدلسازی و شبیه‌سازی واکنش‌های شیمیایی در بیوسنسور پتانسیومتری AFB1 جهت تعیین ثابت‌های بهینه نرخ واکنش پرداخته شده است. شبیه‌سازی واکنش‌های شیمیایی توسط نرم افزار COMSOL و بهینه سازی ثابت‌هاینرخ واکنش توسط شبکه عصبی مصنوعی و الگوریتم ژنتیک انجام شد. علاوه بر آن شبکه عصبی مصنوعی به عنوان تابع هدف مورد استفاده در الگوریتم ژنتیک به کار رفت. داده های تولید شده در مرحله شبیه سازی جهت آموزش و ارزیابی عملکرد شبکه عصبی مورد استفاده قرار گرفتند. نتایج بدست آمده نشان داد مدل COMSOL در مقایسه با داده‌های تجربی، پاسخ بیوسنسور را با MAPE برابر با 1023/0 % شبیه سازی کرد. شبکه عصبی مصنوعی آموزش داده شده با ساختار 1-48-5 نیز قادر به پیش بینی پاسخ بیوسنسور با MAPE برابر با 7074/0 % ، 9458/0 % ، 7473/0 % و 7492/0 % به ترتیب برای داده‌های گروه آموزش، اعتبار سنجی، آزمون و کل داده‌ها بود. نتایج بهینه‌سازی ثابت‌های نرخ واکنش توسط الگوریتم ژنتیک و شبکه عصبی مصنوعی نشان داد شبیه سازی پاسخ بیوسنسور AFB1 با استفاده از شبکه عصبی مصنوعی و پارامتر‌های ورودی انتخاب شده توسط الگوریتم ژنتیک دارای کمترین خطای MAPE برابر با 0026/0 % در پیش بینی میزان مهار آنزیم AChE توسط AFB1 است.
similar resources
مدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی
مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلا...
full textتشخیص بیماری دیابت با استفاده از شبکه عصبی مصنوعی و عصبی- فازی
Background & Aim: A main problem in diabetes is its timely and accurate diagnosis. This study aimed at diagnosing diabetes using data mining methods. Methods: The present study is an analytical investigation including 768 individuals with 8 attributes. Artificial neural networks and fuzzy neural networks were used to diagnose the diabetes. To achieve a real accuracy, the Kfold method was used ...
full textمدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها
این مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی ...
full textمدلسازی غلظت تری هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی
در این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع در شهرستان رشت به صورت موردی بررسی شده است. از اندازه گیری های انجام یافته بر روی آب شرب تصفیه خانه سنگر، داده های مورد نیاز،...
full textمدلسازی منطقهای دبی‌های اوج در زیر حوزه‌های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی
The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hyd...
full textMy Resources
Journal title
volume 51 issue 1
pages 23- 35
publication date 2020-03-20
By following a journal you will be notified via email when a new issue of this journal is published.
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023