مدل سازی ann برای پیش بینی دانسیته ی سیالات تجمعی با استفاده از توصیف کننده های مولکولی

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.