پیش تغلیظ مقادیر ناچیز آرسنیک(v)و تالیم(i) توسط نانوذرات دی اکسیدتیتانیوم و اندازه گیری آن بااستفاده ازاسپکترومتری جذب اتمی با کوره گرافیت و مطالعه رابطه کمی ساختار- فعالیت (qsar)آفت کش ها و ترکیبات فنولی با استفاده از شبکه های عصبی مصنوعی

در بخش اول این تحقیق نانو ذرات دی اکسید تیتانیوم با مساحت سطح بالا با استفاده از روش سنتز سونو شیمی در فرکانس بالا با شدت پایین و دمای نسبتاً پایین (?c75) تهیه شد و میکرو ستون بار گزاری شده با این نانو ذرات، به عنوان جاذب برای استخراج و پیش تغلیظ همزمان مقادیر جزئی تالیم و آرسنیک از محلول های آبی مورد استفاده قرار گرفت. بعد از انجام پیش تغلیظ در مدت زمان مشخص با استفاده از مقدار بسیار کمی از شوینده مناسب، یونها واجذب شده و با استفاده از اسپکترومتری جذب اتمی با کوره گرافیت اندازه گیری شدند. پارامترهای تجربی برای پیش تغلیظ تالیم (tl(i)) و آرسنیک (as(v)) از جمله ph، حجم و سرعت جریان محلول نمونه، غلظت و حجم شوینده و اثر یون های مزاحم مورد بررسی قرار گرفت. تحت شرایط بهینه حد تشخیص روش مورد استفاده برای تالیم و آرسنیک به ترتیب ng l-1 0/87 و ng l-1 0/72 و انحراف استاندارد نسبی برای 5 اندازه گیری از نمونه های فوق به ترتیب %4/6 و %3/5 می باشد. ظرفیت جذب نانو ذرات دی اکسید تیتانیوم برای یون های تالیم و آرسنیک به ترتیب 24 و 31 mg g-1 جاذب بدست آمد. روش فوق به طور موفقیت آمیز برای اندازه گیری تالیم و آرسنیک در نمونه های آب و نمونه مرجع استاندارد مورد استفاده واقع شد. در بخش دوم این تحقیق یک مطالعه ارتباط کمی میان ساختار و فعالیت (qsar) برای زمان بازداری ترکیبات در سیستم کروماتوگرافی گاز حاوی 38 ترکیب مختلف شامل آفت کش ، علف کش و اورگانو هالیدها و 50 ترکیب فنولی با استفاده از توصیفگرهای ساختار مولکولی انجام شد. به همین منظور ساختار های تمامی این ترکیبات با استفاده از نرم افزارهای تخصصی رسم شد و با استفاده از روش های نیمه تجربی اوربیتال مولکولی، ساختار سه بعدی مولکول ها بهینه شده و توصیفگرهای مختلف هندسی ،الکترونی و غیره محاسبه شدند. با بکار گیری روش های کمومتریکس بهترین توصیف کننده ها برای توسعه یک مدل رگرسیون مناسب و با قدرت پیش بینی بالا انتخاب گردید. برنامه spss مرحله ای به همراه روش ژنتیک الگوریتم، برای انتخاب متغیرهایی که بهترین مدل را نتیجه بدهد مورد استفاده قرار گرفت. با استفاده از دو روش شبکه عصبی مصنوعی (ann) و رگرسیون خطی چند متغیره (mlr) بهترین مدل ها با کمترین خطاهای استاندارد و بیشترین ضرایب همبستگی با توصیف کننده های انتخاب شده، با استفاده از دو نرم افزار matlab و spss ساخته شد. بعد از تولید مدل ها، کیفیت پیشگویی مدل های qsrr برای یک مجموعه خارجی شامل 12 ترکیب آفت کش و 10 ترکیب فنولی که به صورت تصادفی انتخاب شده بودند، مورد آزمایش قرار گرفت. نتایج آماری حاصل از پیش گویی زمان بازداری این ترکیبات نشان دادند که روش شبکه عصبی از رگرسیون خطی چند متغیره نتایج بهتری نشان می دهد. در این مطالعه مربع ضرایب رگرسیون مربوط به پیشگویی برای مدل های رگرسیونی mlr و ann برای آفت کش ها به ترتیب 9510/0 و 9831/0 و برای ترکیبات فنولی به ترتیب 9757/0 و 9902/0 بدست آمد.