در این پایان نامه یک روش ساده و حساس برای استخراج فاز جامد بر-خط و اندازه گیری مقادیر بسیار کم مس (ii) با استفاده از روش تزریق در جریان کوپل شده با اسپکترومتری جذب اتمی شعله ارائه شده است. در این روش مینی ستون پر شده با پلی استایرن کلرومتیله اصلاح شده با لیگاند 1- فنیل– 1،2- پروپان دی ان- 2- اکسیم تیو سمی کاربازون(ppdot) در 0/5 ph=به منظور بازداری بر- خط مس (ii) مورد استفاده قرار گرفت. مس بازداری شده در ستون بوسیله نیتریک اسید 0/1 مولار شسته شد و مستقیماً وارد مه پاش شد. به منظور بررسی پیش تغلیظ کمی و اندازه گیری مس (ii) متغیرهای شیمیایی و دستگاهی موثر در سیستم طراحی شده بهینه سازی شدند. تحت شرایط بهینه، منحنی کالیبراسیون در ناحیه غلظتی 120- 3 میکـروگرم بر لیتر خطی است. مـقدار حد تشخیص و فاکتور پیش تغلیظ برای حجم 10 میلی لیتر از نمونه (زمان پیش تغلیظ 4 دقیقه)، به ترتیب 59/0 میکروگرم بر لیتر و40 به دست آمد. انحراف استاندارد نسبی برای 6 اندازه گیری تکراری مس (ii) در سطح غلظتی 0040/0، 020/0 و 10/0 میکروگرم بر میلی لیتر، به ترتیب، 0/5 % ، 0/2 % و 6/1 % است. تأثیر سایر گونه های مزاحم موجود در بیشتر نمونه های حقیقی مورد بررسی قرار گرفت. صحت روش پیشنهاد شده بوسیله آنالیز نمونه های حقیقی مختلف مورد بررسی قرار گرفت.

در این تحقیق مطالعات ارتباط کمی ساختار-خاصیت (qspr)، برای پیش¬بینی دانسیته¬ی سیالات تجمعی شامل الکل¬ها، آمین¬های نوع اول و دوم و کربوکسیلیک اسیدها به کار گرفته شده¬اند. برای تولید توصیف¬کننده¬های مهم از دو روش مختلف استفاده شده است. در روش اول، ابتدا تعداد زیادی توصیف¬کننده شامل 18 دسته¬ی مختلف، توسط نرم افزار dragon محاسبه شدند و سپس برای انتخاب توصیف¬کننده¬های مهم از روش رگرسیون مرحله¬ای (sr) و الگوریتم ژنتیک بر اساس آنالیز حداقل مربعات (ga-pls) استفاده شد. تعداد 8 توصیف¬کننده توسط روش sr و 5 توصیف¬کننده توسط روش ga-pls انتخاب شدند. در روش دوم، توصیف¬کننده¬های بهینه بر اساس روش سهم گروه انتخاب شدند. پس از آنالیز ساختار شیمیایی تمام ترکیبات مورد مطالعه در این کار، نهایتاً 10 گروه عاملی ( -ch3, -ch2- , >ch-, >ch-oh, , cooh, -ch2-nh2, >ch-nh2, >nh) ایجاد شدند. توصیف¬کننده¬های انتخاب شده توسط این سه روش و دو توصیف¬کننده¬ی تجربی دما و فشار به عنوان ورودی شبکه¬ی عصبی مصنوعی مورد استفاده قرار گرفتند. 4 نوع شبکه¬ی عصبی مصنوعی با ترکیب الگوریتم¬های آموزشی لونبرگ-مارکوارت و بایزین با توابع انتقال لگاریتم سیگموئید و تانژانت سیگموئید استفاده گردید. پس از آموزش و بهینه سازی پارامترهای ann مانند تعداد ورودی، تعداد نرون لایه¬ی پنهان و تعداد دورهای آموزشی عملکرد مدل توسط سری تست مورد بررسی قرار گرفت. نتایج حاصل نشان می¬دهد که شبکه¬ی عصبی با الگوریتم آموزشی تنظیم لونبرگ-مارکوارت و تابع انتقال تانژانت سیگموئید و توصیف‎کننده‎های حاصل از روش سهم گروه می¬تواند رابطه¬ی بین توصیف¬کننده¬های ساختاری و دانسیته¬ی مولکلول-های مورد نظر را شبیه¬سازی کند. میانگین مربعات خطا (mse) و میانگین درصد انحراف مطلق (aad) برای سری تست توسط این روش به ترتیب برابر 2432/1 و %0867/0می¬باشد.

یک مطالعه ارتباط کمی ساختار-خاصیت بر روی شاخص های بازداری(ri) ترکیبات آلی انجام شد. استراتژی رگرسیون مرحله ای برای انتخاب توصیف کننده به کار گرفته شد. مدل سازی جهت ارتباط میان توصیف کننده های مولکولی انتخاب شده و شاخص های بازداری داده ها از طریق روش های خطی(رگرسیون خطی چندگانه؛ mlr) و غیر خطی (شبکه عصبی مصنوعی؛ ann) مورد بررسی قرار گرفته است. مدل های qspr به وسیله تکنیک توقف زود هنگام اعتبار سنجی شدند به طوری که مدل برای پیش بینی زمان بازداری ترکیبات سری بیرونی که در مراحل ایجاد مدل شرکت نداشتند، به کار برده شد. هر دوی روش های خطی و غیر خطی توانایی پیش بینی دقیقی دارند اگر چه مدل ann نتایج دقیق تری دارد. خطای مربع میانگین (mse) سری تست توسط مدل های mlr و ann به ترتیب 75/549و34/714 بودند. در بخش دوم، روش های mlr و ann برای پیش بینی زمان بازداری 126 دی فنیل اتر برومینه شده(pbde) بر روی فاز ساکن db-1 ستون کروماتوگرافی گازی به کار برده شد. خطاهای مربع میانگین سری تست به دست آمده توسطمدل های mlr و ann برای آن دسته از ترکیبات به ترتیب 0/028و 0/017بودند.

چکیده ندارد.

چکیده ندارد.