امروزه ارتباط کمّی ساختار - خاصیت (qspr) برای مطالعه ی وابستگی خواص مختلف فیزیکوشیمیایی ترکیبات با ساختار مولکولی استفاده شده است. در بخش اول این پروژه، از رگرسیون خطی چندگانه (mlr) به عنوان یک روش خطی و از شبکه ی عصبی مصنوعی (ann) به عنوان روشی غیر خطی برای پیش بینی ثابت هنری 333 ترکیب آلی استفاده گردید. سری داده-ها به سری های آموزش (263 ترکیب)، آزمون (40 ترکیب) و ارزیابی بیرونی (30 ترکیب) تقسیم شدند. یک شبکه ی عصبی پیشخور سه لایه پس انتشار خطا با استفاده از چهار توصیف کننده ی مولکولی بدست آمده در مدل mlr، ایجاد گردید. مشخصات آماری بدست آمده به وسیله ی مدل خطی چندگانه (942/0=r2 ، 109/0=mse برای سری آزمون) توانایی پیش بینی آنرا نشان داد، درحالی که توانایی پیش بینی ann تا اندازه ای بهتر می باشد (982/0=r2 ، 039/0=mse برای سری آزمون). در بخش دوم این پروژه، روش های الگوریتم ژنتیک بر اساس رگرسیون خطی چندگانه (ga-mlr) و الگوریتم ژنتیک بر اساس شبکه ی عصبی مصنوعی (ga-ann) برای ایجاد مدل-های qspr میان توصیف کننده ها و ضریب شکست 144پلیمر استفاده شدند. توصیف کننده -هایmor15e ، r2e،r2p و j3d به وسیله ی الگوریتم ژنتیک برای تشکیل مدل های خطی و غیر خطی به منظور پیش بینی ضریب شکست انتخاب شدند. مجذور میانگین مربعات خطای سری های آموزش، آزمون و ارزیابی برای مدل ann به ترتیب، 018/0، 023/0، 018/0 و همچنین ضرایب تعیین (r2)، 929/0، 881/0 و 931/0 هستند.

اخیراً تلاش های زیادی برای محاسبه فاکتور ساختار استاتیک، s(k) ، سیالات چگال انجام گرفته است. در کار حاضر ما برای محاسبه فاکتور ساختار استاتیک سیال زنون در حالت های مختلف ترمودینامیکی از تابع توزیع شعاعی سیال کرات سخت استفاده کرده ایم. نتایج بررسی رفتار فاکتور ساختار محاسبه شده نشان می دهد که مدل ارائه شده برای بررسی سیال زنون می تواند به خوبی رفتار s(k) در ناحیه ی گسترده ای از k را برای حالت های ترمودینامیکی با چگالی بالا نشان دهد. اما نتایج به دست آمده برای حالت های ترمودینامیکی با چگالی پایین بویژه رفتار s(k) در k کم مطلوب نیست. لذا ما از این مدل برای بررسی رفتار فاکتور ساختار سیال زنون در چگالی های بالا و در نواحی k بالا استفاده کردیم. مطالعات انجام شده بر روی سیال آرگون از نتایج مشابهی برخوردار است. از آنجایی که این مدل برای چگالی های پایین و در نواحی k کم مناسب نیست لذا ضروری است تا از مدل دیگری برای محاسبه فاکتور ساختار سیال زنون در این نواحی استفاده شود. مدلی که ما برای این منظور از آن بهره گرفته ایم بر اساس تعریفی از تابع همبستگی مستقیم بنا شده است که بر اساس آن توانستیم رفتار فاکتور ساختار سیال زنون را به خوبی برای چگالی های پایین و در ناحیه k کم پیش بینی نمائیم. نتایج حاصل نشان داد که با افزایش دما در نواحی دور از دمای بحرانی مقدار s(0) کاهش می یابد. همچنین مشخص گردید که مقادیر به صورت خطی با کاهش چگالی کاهش می یابد. در پایان، نتایج حاصل از مدل ارائه شده با نتایج حاصل از مدل های دیگر و همچنین تفاوت ها و سازگاری های بین این مدل ها مقایسه گردیده است.

ما در این پایان نامه سعی نمودیم با محاسبه فاکتور ساختار،(s(k، سیال زنون با استفاده از مدلی برای تابع همبستگی مستقیم،(c(r، برهمکنش های سیال را مورد بررسی قرار دهیم. در این مدل، تابع (c(r بر اساس نظریه اختلال به دو سهم مغزی و دنباله تقسیم شد. سهم مغزی تابع (c(r دارای دو پارامتر است که در هر دما و چگالی قابل محاسبه می باشند. سهم دنباله تابع(c(r نیز به پتانسیل جفت لنارد-جونز(6و12) وابسته است که در آن پارامتر عمق چاه پتانسیل به صورت موثر در نظر گرفته شده است و در هر دما و چگالی قابل محاسبه می باشد. ما در این روش از قاعده همدماهای خطی، lir، برای محاسبه پارامترهای بین مولکولی استفاده نمودیم. ما رفتار تابع فاکتور ساختار سیال زنون و همچنین کریپتون را در نواحی مختلف ترمودینامیکی شامل ناحیه نزدیک به نقطه بحرانی مورد بررسی قرار دادیم. نتایج حاصل از مدل با داده های تجربی و مقادیر حاصل از سایر مدل های در دسترس مقایسه گردید که از توافق خوبی به ویژه در چگالی های بالا برخوردار بود. یکی از ویژگی های قابل ملاحظه مدل ارائه شده توانایی آن در نمایش رفتار اورنشتین- زرنیک تابع (s(k در k کم می باشد همچنین مدل ارائه شده به خوبی رفتار مجانبی (s(0 در ناحیه نزدیک به نقطه بحرانی را نشان می دهد که ناشی از پدیده افت و خیز بحرانی می باشد. ما توانستیم با استفاده از مقادیر (s(k در ناحیه k کم، بسط تابع (c(k، تبدیل فوریه تابع (c(r، و همچنین پارامتر طول همبستگی، را در ناحیه فوق بحرانی پیش بینی نمائیم. در انتها، با تعیین وابستگی طول همبستگی با پارامتر های بین مولکولی پتانسیل، برهمکنش های مولکولی سیال زنون در هر دما و چگالی مورد ارزیابی قرار گرفت.

امروزه پلیمر ها با قابلیت های فراوان و کاربرد گسترده ای که دارند بسیاری از جنبه های زندگی ما را پوشش داده اند. یک دسته از این مواد، پلیمر های رسانا هستند. در دهه های اخیر تحقیقات وسیعی در کشف قابلیت های جدید این پلیمر ها، بهینه کردن خواص و کاربرد های نوین آن ها صورت گرفته است. در این پایان نامه به پلی تیوفن که یکی از پلیمر های رسانا ست توجه شده و اثرات استخلاف آلکیل بر خواص ساختاری و الکترونی این پلیمر بررسی شده است. ما بررسی های خود را با استفاده از روش های آغازین و نظریه تابعی چگالی انجام داده ایم. ساختار کلیه مونومر ها و الیگومر-های مورد مطالعه توسط مجموعه پایه 6-31g** بهینه گردید. نتایج محاسبات روی مونومر ها نشان داده است که با اتصال آلکیل به تیوفن، طول پیوند ها تغییر می کند اما با افزایش طول استخلاف آلکیل تغییری در هندسه مولکول ایجاد نمی شود. همچنین در اثر استخلاف، تساوی بار در موقعیت های ? و ´? و همچنین ? و ´? حلقه مونومر از بین می رود و چگالی بار در موقعیت های نزدیک به استخلاف کاهش و در موقعیت های دورتر افزایش می یابد. بررسی شکاف انرژی در مونومر-ها نشان داده است که با اتصال گروه آلکیل به تیوفن، شکاف انرژی کوچک می شود و با افزایش طول استخلاف، این شکاف کوچک تر می شود اما برای آلکیل های بزرگ تر از پروپیل تغییر چندانی در شکاف انرژی به وجود نمی آید. لذا استخلاف های متیل، اتیل و پروپیل برای بررسی الیگومر ها انتخاب شده اند. ما با مطالعاتی که روی ساختار الیگومرهای 3- آلکیل تیوفن انجام داده ایم، پیکربندی ht – ht را برای محاسبات الیگومر ها انتخاب کردیم. محاسبات انجام گرفته روی الیگومر های خنثی و رادیکال کاتیون نشان داد که الیگومر های رادیکال کاتیون ویژگی های بسیار بهتری دارند. سیستم مزدوج در آن ها همگن است و پیچش ندارد که این لازمه رسانایی در یک پلیمر مزدوج است. همچنین مطالعات روی شکاف انرژی نشان داد که با افزایش طول زنجیر الیگومر، شکاف کوچکتر می شود. بررسی نتایج بدست آمده نشان می دهد که با وجود اختلافاتی که در روند شکاف انرژی در الیگومر های کوچک تر دیده می شود با بزرگ تر شدن طول زنجیر پلیمری و سیستم مزدوج، این تفاوت ها کمتر می شود و به نظر می رسد برای الیگومر های طویل تر، نوع استخلاف آلکیل اثر چندانی بر شکاف انرژی ندارد. همچنین مطالعات روی پتانسیل یونش الیگومر-های 3- آلکیل تیوفن نشان از کاهش پتانسیل یونش با افزایش طول زنجیر دارد.

تمام سیالات چگال از قاعده های تجربی متعددی پیروی می کنند. با توجه به اینکه رفتار یک سیستم به بر هم کنش ذرات سازنده ی آن سیستم ربط دارد می توان نتیجه گرفت که یک پتانسیل برهم کنش عمومی بین ذرات سازنده در تمام سیستم های چگال وجود دارد. قاعده ی همدمای خطی lir قاعده ای است که برای سیالات متراکم و فوق بحرانی به دست آمده و دارای مبنای نظری است. طبق این قاعده، کمیت بر حسب برای هر هم دمای سیال چگال خطی است، که دانسیته ی مولی می باشد. این قاعده در ابتدا بر اساس یک مدل شبکه ای برای سیال لنارد-جونز (6-12) به دست آمد[50] و سپس بر اساس مدل ساده ی دیگری توسعه پیدا کرد[51] و وابستگی دمایی پارامترهای شیب و عرض از مبدأ آن به دست آمد. ارائه ی این مدل، از رابطه ی ترمودینامیکی دقیق زیر شروع می شود: (2-31) در این عبارت، جمله ی اول، فشار حرارتی و جمله ی دوم، فشار داخلی است. در اینجا جمله ی فشار داخلی سیستم با استفاده از یک مدل برای انرژی پتانسیل پیکربندی سیستم و سپس مشتق گیری از آن نسبت به حجم به دست می آید. در این مدل فرض می شود که هر مولکول فقط با نزدیکترین همسایگان خود برهم کنش دارد و انرژی پتانسیل کل، به صورت حاصل جمع این برهم کنش های جفت گونه با نزدیکترین همسایگان جفت است. این فرض ظاهراً غیرمنطقی است اما زمانی که فرض می شود انرژی پتانسیل کل سیال به برهم کنش های نزدیکترین همسایه ها نسبت داده می شود، بدان معناست که برهم کنش های برد بلند یک جفت با سایر مولکول ها که عمدتاً جاذبه ای می باشند، و اثر محیط سیال بر روی توزیع بار جفت، هر دو در انرژی پتانسیل جفت مجزا گنجانده شده اند. چنین پتانسیل جفتی به عنوان متوسط پتانسیل جفت موثر aepp در نظر گرفته می شود[52]. این پتانسیل جفت موثر دارای ویژگی های زیر است: الف) از آنجا که تمام برهم کنش های برد بلند لحاظ شده اند، عمق چاه پتانسیل بیش از عمق پتانسیل جفت مجزای مربوطه است. ب) چون اثر محیط سیال بر روی توزیع بار الکتریکی مولکول ها در نظر گرفته شده است، انرژی پتانسیل کل سیال را دقیقاً می توان با حاصل جمع تمام متوسط انرژی های پتانسیل برهم کنش موثر برابر گرفت. ج) از آنجایی که در سیال چگال، یک مولکول درست مانند یک سیال بسیار رقیق به طور یکنواخت و متقارن توسط سایر مولکول ها احاطه می شود، لذا شکل ریاضی تابع پتانسیل جفت موثر مانند جفت مجزا به صورت لنارد-جونز در نظر گرفته می شود، اما برخلاف پارامترهای تابع پتانسیل مجزا، پارامترهای متوسط پتانسیل جفت موثر قطعاً به حالت ترمودینامیکی سیستم وابسته است. با استفاده از متوسط پتانسیل جفت موثر لنارد-جونز (6-12) در انرژی پتانسیل پیکربندی مشتق‎گیری نسبت به حجم و سپس انجام چند عملیات ریاضی، نتیجه ی نهایی زیر حاصل می شود: (2-32) که درآن پارامترهای a و b عبارتند از: (2-33) (2-34) بنابراین مدل فوق نه تنها رفتار خطی بر حسب را پیش بینی می کند، بلکه برای وابستگی دمایی پارامترهای آن نیز رفتار معینی را پیش بینی می کند، که به طور تجربی تأیید گردیده است. قاعده ی هم دمای lir رفتار خطی فوق را در محدوده ی و برای سیالات چگال قطبی و غیرقطبی پیش بینی می کند که و به ترتیب دانسیته و دمای بویل سیال می باشد. معادله ی (2-32) در سال 1994 با استفاده از تقریب تک سیال واندروالس به مخلوط سیالات چگال نیز تعمیم داده شد[53]. بر اساس این تقریب، هر معادله ی حالتی که برای سیال خالص قابل استفاده باشد عیناً برای مخلوط سیالات نیز کارایی دارد با این تفاوت که پارامترهای معادله به ترکیب سیستم بستگی خواهد داشت. با استفاده از تقریب توزیع تصادفی و همچنین مدلی که برای استخراج خود معادله ی حالت به کار رفته بود، وابستگی پارامترهای lir به ترکیب سیستم به صورت زیر تعیین گردید: (2-35) (2-36) که در آن کسرمولی گونه ی در مخلوط بوده و و مقدار پارامترها برای مخلوطی است که تمام برهمکنش های آن از نوع باشد. سپس با استفاده از قاعده ترکیبی لورنتز-برتولت پارامترهای ناجور، و بر حسب پارامترهای جور به صورت زیر به دست آمد: (2-37) (2-38) معادلات فوق، تقریب متوسط هندسی نامیده می شود. لازم به تذکر است که در یک مخلوط دوتایی پارامتر a یک تابع پیچیده ی درجه ی چهارم از ترکیب سیستم می باشد. از اینرو نسبت a/b که می‎تواند به صورت یک تابع درجه ی دوم از ترکیب سیستم فرض شود به جای پارامتر a درمعادله ی (2-38) آمده است[53].

هدف اصلی از کار حاضر گسترش روش رابطه ی کمّی ساختار- خاصیت (qspr) با استفاده از شبکه ی عصبی مصنوعی برای پیش بینی هدایت گرمایی آلکان های خطی در محدوده ی وسیعی از دما و فشار است. مدل سازی برای پیش بینی این خاصیت با استفاده از سه روش انتخاب توصیفگر شامل رگرسیون خطی چندگانه مرحله ای(mlr)، اتحاد جداسازی داده و انتخاب خاصیت(cdfs) و الگوریتم ژنتیک(ga) انجام گرفت. سپس توصیفگرهای انتخابی هر روش به عنوان ورودی شبکه ی عصبی مصنوعی سه لایه مورد استفاده قرار گرفتند. با استفاده از روش مولفه های اساسی سری داده ها به سه دسته آموزش(798نقطه داده)، ارزیابی (201نقطه داده) و سری تست(216 نقطه داده )دسته بندی شدند. بعد از آموزش و بهینه سازی پارامترهای شبکه (شامل وزن ها و بایاس ها)، مدل های بهینه شده برای ارزیابی داده های سری تست به کار گرفته شدند. میانگین مربعات خطای بدست آمده از سه روش mlr-ann، cdfs-ann و ga-annبرای سری تست به ترتیب مقادیر 1757/1، 0411/1 و 1079/1 است. نتایج نشان می دهند که هر سه مدل غیر خطی طراحی شده برای پیش بینی هدایت گرمایی آلکان های خطی نتایج خوبی ارائه می کنند اما مدل بهینه شده با روش cdfs-ann تا حدی نتایج بهتری دارد.

در این تحقیق از شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی و پیش بینی ویسکوزیته ی آلکانها در محدوده ی وسیعی از دما و فشار استفاده گردید. تعداد زیادی توصیف کننده با استفاده از نرم افزار دراگون محاسبه شدند و توصیف‏کننده‏های انتخاب شده زیر مجموعه‏ای از 18 دسته توصیف‏کننده‏های دراگون توسط روش رگرسیون خطی چندگانه می‏باشد. 4 توصیف کننده تئوری و2 توصیف کننده تجربی دما و فشار به عنوان ورودی شبکه مورد استفاده قرار گرفتند. توصف‏کننده‏های انتخاب شده برای ایجاد یک شبکه 1-5-5 و ماشین بردار پشتیبان استفاده شد. داده ها در شبکه عصبی به سه سری: آموزش، ارزیابی و تست تقسیم شدند و داده‏ها در ماشین بردار پشتیبان به دو سری: آموزش و تست تقسیم شدند. پس از آموزش شبکه و بهینه کردن پارامترهای شبکه عصبی و ماشین بردار پشتیبان، کارایی مدل توسط سری تست مورد بررسی قرار گرفت و نتایج حاصل از شبکه عصبی و ماشین بردار پشتیبان برای این سری ها با نتایج تجربی مقایسه گردید.

در این تحقیق، مطالعات ارتباط کمی ساختار – خاصیت (qspr) با استفاده از مدل سازی خطی و غیرخطی برای پیش بینی ضریب خودنفوذی آلکان های خطی به کار گرفته شده است. داده های مربوط به ضریب خودنفوذی، با استفاده از روش تحلیل مولفه ی اصلی(pca) به چهار دسته ی آموزش، ارزیابی، تست و تست بیرونی دسته بندی گردید. توصیف کننده های ساختار مولکولی محاسبه شد و پس از حذف توصیف‎کننده های اضافی و افزودن دو پارامتر دما و فشار، مدل سازی خطی آغاز گردید. از دو روش رگرسیون مولفه ی اصلی (pcr) و رگرسیون کمترین مربعات جزئی (pls) جهت مدل سازی خطی بهره گرفته شد که در هر دو روش ابتدا مولفه های اصلی ساخته و تعداد بهینه ی مولفه ها محاسبه شد. سپس مدل سازی با مولفه های اصلی بهینه انجام شد و در نهایت مدل های نهایی برای پیش بینی داده‎های مربوط به سری تست بیرونی به کار گرفته شدند. مقدار میانگین مربعات خطای مربوط به سری تست بیرونی برای مدل های pcr و pls به ترتیب 6129/0 و 5327/0 حاصل گردید. در مدل سازی غیرخطی، جهت جداسازی توصیف کننده های بهینه از دو روش رگرسیون مرحله‎ای (sr) و الگوریتم ژنتیک (ga) استفاده شد. توصیف کننده های منتخب به شبکه ی عصبی وارد شدند و مدل سازی برای هر دو روش انتخاب توصیف کننده، صورت گرفت. شبکه های ساخته شده پس از آموزش و بهینه سازی جهت پیش بینی داده های مربوط به سری تست بیرونی مورد استفاده قرار گرفتند. مقدار میانگین مربعات خطای مربوط به سری تست بیرونی برای مدل های sr-ann و gnn به ترتیب 0379/0 و 0219/0 به دست آمد. این نتایج نشان دهنده ی برتری روش های غیر خطی در مرحله ی انتخاب توصیف کننده و در مرحله ی مدل سازی می باشند.

هدف اصلی این تحقیق، ایجاد مدل ارتباط کمی ساختار-خاصیت (qspr) برای پیش بینی ضریب انبساط‎پذیری هم فشار ترکیبات آلی است. شمار زیادی توصیف‎گر توسط نرم افزار دراگون محاسبه شدند و بهترین توصیف گرها از میان این توصیف گرهای محاسبه شده، با روش اتحاد جداسازی داده و انتخاب خاصیت (cdfs) انتخاب شد. در راهبرد cdfs داده ها چندین بار دسته‎بندی شد و هر بار با استفاده از روش رگرسیون مرحله ای sr)) انتخاب توصیف گر انجام گرفت. مدل های به دست آمده از نظر تشابه و عدم تشابه توصیف گرها مقایسه شدند. مدل نهایی مدلی است که توصیف‎گرهای آن در میان مدل های به دست آمده مشترک است. 6 توصیف گر با روش cdfs انتخاب شدند. توصیف‎گرهای انتخاب شده با روش انتخاب توصیف گر، به همراه متغیرهای تجربی دما و فشار به عنوان ورودی برای ایجاد مدل رگرسیون خطی چندگانه (mlr)، شبکه ی عصبی مصنوعی (ann) و ماشین بردار پشتیبان svm)) ارائه شدند. عملکرد هر مدل توسط سری تست ارزیابی شد. نتایج نشان می دهد که ماشین بردار پشتیبان می تواند ارتباط انبساط پذیری هم فشار و توصیف‎گرهای ساختاری را به خوبی پیش بینی کند. مقدار میانگین مربعات خطا برای سری تست به دست آمد. هم‎چنین عملکرد مدل های غیرخطی با مدل رگرسیون خطی چندگانه مقایسه شد. نتایج برتری مدل غیرخطی نسبت به مدل خطی را نشان می دهد.

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.

در این تحقیق، قدرت پیوند هیدروژنی درون مولکولی (4-سالیسیلیدن ایمینو) بنزو-15-کرون-5 (4seb15-c-5)، به وسیله محاسبات تئوری تابعی چگالی (dft) ، نظریه کوانتومی اتم¬ها در مولکول ((qtaim و تجزیه و تحلیل اوربیتال¬ پیوند طبیعی (nbo) مورد بررسی قرار گرفت.ترکیب 4seb15-c-5 در سطح /6-311++g** b3lyp بهینه شد و نتایج مربوط به ساختار مولکولی، فرکانس¬های ارتعاشی، جا¬به¬جا¬یی شیمیایی 1hnmr و توپولوژی مربوط به نقطه بحرانی پیوند n•••h با پارامترهای نظیر در مولکول¬های n-سالیسلیدن آنیلین (san ) مقایسه شد. پارامترهای ساختاری نشان ¬داد که اثر عمده استخلاف 15-کرون-5 بر روی نیتروژن حلقه آنیلین در 4seb15-c-5 کوتاه¬تر¬¬ شدن جزئی فاصله¬ی h•••n و بلند شدن طول پیوند o-h در مقایسه با مقادیر مشابه در san است. مقدار ?h پروتون پیوند o-h در ترکیب 4seb15-c-5 نسبت به san به میزان ppm 96/0 به میدان¬ پایین¬تر جا¬به¬جا می¬شود. نتایج aim برای این ترکیبات نشان داد که گستره نسبت ?vc/gc بین 1 و 2 و مقدار hb در نقطه بحرانی پیوند n•••h منفی است بنابراین طبیعت پیوندهیدروژنی n•••h برای این ترکیبات جزئی کووالانسی است. همچنین لاپلاسی چگالی الکترونی، ?2?b، چگالی انرژی کل، hb، در نقطه بحرانی پیوند n•••h ترکیبات4seb15-c-5 و san به ترتیب دارای مقادیر مثبت و منفی است در نتیجه این ترکیبات به عنوان سیستمی که دارای پیوند هیدروژنی متوسط است طبقه بندی می¬شود.. مقایسه ساختارمولکولی، طیف¬های ارتعاشی و نتایج aim در ترکیب 4seb15-c-5 ، با همین نتایج در sanترتیب زیر را در مورد قدرت پیوند هیدروژنی نشان می¬دهد: 4seb15-c-5 > san

در این تحقیق مطالعه ی ارتباط کمی ساختار- خاصیت (qspr)، برای پیش بینی ضریب فعالیت در رقت بی نهایت 58 ترکیب آلی و آب در محیط مایع یونی، 1-بوتیل 1-متیل پیرولیدینیوم تری سیانو متانید [bmpyr][tcm]، در 6 دمای مختلف انجام شده است. تعداد زیادی توصیف کننده شامل 18 دسته‎ی مختلف، توسط نرم افزار dragon محاسبه شدند و سپس برای انتخاب توصیف‎کننده‎های مهم از دو روش رگرسیون مرحله ای (sr) و الگوریتم ژنتیک بر اساس آنالیز حداقل مربعات (ga-pls) استفاده گردید. تعداد 12 توصیف ‎کننده توسط روش sr و 10 توصیف کننده توسط روش ga-pls انتخاب شدند. توصیف کننده های انتخاب شده توسط این دو روش برای مدل سازی و پیش بینی ضریب فعالیت در رقت بی نهایت این ترکیبات به عنوان ورودی به شبکه ی عصبی مصنوعی (ann) و ماشین برداری پشتیبان (svm) داده شدند. عملکرد هر مدل توسط سری تست ارزیابی مورد بررسی قرار گرفت. نتایج به دست آمده نشان از برتری روش sr-ann نسبت به دیگر روش‎های به کار برده شده جهت پیش بینی ضریب فعالیت در رقت بی نهایت ترکیبات مورد مطالعه دارد. میانگین مربعات خطا (mse) و میانگین درصد انحراف مطلق (aad) سری تست برای روش های sr-ann، ga-ann، sr-svm و ga-svm به ترتیب برابر 0179/0، %430/2 و 0201/0، %483/3 و 0601/0 ، %135/10و 031/4 و %874/28 می‎باشد.

یکی از قدیمی‏ترین، اشتغال‏زا‏ترین و پرظرفیت‏‏ترین زیرساختهای صنعت نساجی کشور، صنعت پوشاک است. تامین پوشاک دارای اولویت قابل توجهی در برنامه‏ریزی‏های اقتصادی است. ولی صنعت پوشاک کشور به دلایل چندی از جمله ناهماهنگی با رشد تقاضای داخلی تاکنون قادر به تحویل کیفی نبوده است (درون پرور، صادقین، احمدی حدید، شمشیریان و طاهری، 1391). یکی از چالشهای بزرگ صنعت پوشاک کشور، عدم انطباق برخی تولیدات با نیاز بازار است که این امر سبب عدم فروش محصولات داخلی و در نتیجه روی آوردن مصرف ‏کنندگان به بازار کالاهای خارجی می‏شود. لذا این پژوهش در نظر دارد با نظرسنجی از بانوان جامعه، نیاز و خواسته آنها از پوشاک ایرانی، قیمت، توزیع و ترفیع آن را جهت افزایش فروش مورد بررسی قرار دهد. قیمت، محصول، توزیع و ترفیع متغیرهای مستقل و فروش متغیر وابسته تحقیق می باشد. 4 فرضیه تحقیق به این شرح می باشند.فرضیه اول: آمیخته محصول بر افزایش فروش در بازار پوشاک ایرانی- اسلامی با توجه به بخش‏بندی بازار، تاثیر دارد. فرضیه دوم: آمیخته قیمت بر افزایش فروش در بازار پوشاک ایرانی- اسلامی با توجه به بخش‏بندی بازار، تاثیر دارد.فرضیه سوم: آمیخته ترفیع بر افزایش فروش در بازار پوشاک ایرانی- اسلامی با توجه به بخش‏بندی بازار، تاثیر دارد. فرضیه چهارم: آمیخته توزیع بر افزایش فروش در بازار پوشاک ایرانی- اسلامی با توجه به بخش‏بندی بازار، تاثیر دارد.جامعه آماری این تحقیق را بانوان بالای 15 سال، شهر تهران تشکیل می‏دهند. حجم نمونه با استفاده از فرمول کوکران با سطح خطای 5 درصد، 384 نفر محاسبه گردید.در این تحقیق از ازمون کولموگروف-اسمیرنوف،ازمون نسبت،ازمون فریدمن،من ویتنی و کروسکال والیس استفاده شده است.یافته‏های تحقیق نشان داد، هر چهار متغیر آمیخته بازاریابی (محصول، قیمت، ترفیع و توزیع) بر افزایش فروش پوشاک ایرانی- اسلامی تاثیر دارند. متغیر ترفیع ، بیشترین اثر را بر افزایش فروش پوشاک ایرانی- اسلامی مختص بانوان داشته است. متغیر محصول با اندکی تفاوت در رتبه دوم، متغیر قیمت در رتبه سوم و متغیر توزیع در رتبه چهارم قرار گرفته است.

در این تحقیق، دانسیته ی مایعات یونی با استفاده از دو روش که شامل: ترکیب روش سهم گروه با شبکه ی عصبی مصنوعی (gcm-ann) و روش سهم گروه با ماشین بردار پشتیبان (gcm-svm) می باشد، تخمین زده شد. مجموعه ی نقاط شامل، 3107 نقطه داده ی تجربی دانسیته برای محدوده ی وسیعی از دما (293-414 k)، فشار (0/1-65 mpa) و دانسیته (869/21-2400 kg.m-3) مطابق با 188 مایع یونی می باشد. مجموعه ی داده ها در شبکه ی عصبی مصنوعی به طور تصادفی به سه گروه: آموزش، ارزیابی و تست تقسیم بندی شدند و داده ها در ماشین بردار پشتیبان به دو گروه: آموزش و تست تقسیم شدند. ما مجموع 33 گروه ساختاری بعلاوه‎ی دما و فشار را به عنوان مقادیر ورودی به کار گرفتیم. پس از آموزش شبکه و بهینه کردن پارامترهای شبکه‎ی عصبی مصنوعی و ماشین بردار پشتیبان، کارایی مدل توسط سری تست مورد بررسی قرار گرفت و نتایج حاصل از شبکه ی عصبی مصنوعی و ماشین بردار پشتیبان برای این سری‎ها با نتایج تجربی مقایسه گردید. نتایج نشان می دهد که ماشین بردار پشتیبان و روش سهم گروه انتخاب شده، نشان دهنده ی یک جایگزین عالی برای تخمین دانسیته ی مایعات یونی با دقت قابل قبولی (r2=0/9996، mse=12/9525)، برای محدوده‎ی وسیعی از دما و فشار می باشد.

هدف این پایان نامه تعمیم معادله حالت ‏‎lir‎‏ به ترکیبات آلی با زنجیر طولانی با استفاده از روش سهم گروههاست. در این معادله ‏‎lir‎‏ که بر مبنای مفهوم پتانسیل جفت موثر استخراج شده است شکل ریاضی تابع پتانسیل جفت موثر مانند جقت منزوی به صورت لنارد - جونز ‏‎(12,6)‎‏ در نظر گرفته شده است. با این تفاوت که پارامترهای پتانسیل جفت موثر در منطقه چگال بر خلاف پارامترهای جفت منزوی به دما وابسته است. با توجه به اینکه این تابع پتانسیل به طور کیفی برای ذرات متقارن کروی مناسب است لذا برای ذرات نامتقارن مثل ترکیبات آلی با زنجیر طولانی انحراف از رفتار خطی معادله ‏‎lir‎‏ مشاهده می شود. اما اگر هر ترکیب آلی به صورت مخلوطی از گروههای تشکیل دهنده آن در نظر بگیریم به طوری که پتانسیل بر هم کنش هر جفت از این گروهها در چنین مخلوطی به صورت تابع پتانسیل جفت موثر باشد، آنگاه طبق تقریب تک سیال وان دروالس معادله حالت ‏‎lir‎‏ برای چنین مخلوطی کارایی خواهد داشت. اما پارامترهای معادله حالت جدید به ترکیب گروهها در سیستم (و یا به طول زنجیر در این مورد) بستگی دارد. به این ترتیب با استفاده از روش سهم گروهها معادله جدیدی برای ترکیبات آلی با زنجیر طولانی به دست آمد. با داشتن مقادیر سهم گروهها در پارامترهای معادله حالت و تقریب متوسط هندسی ، پارامترهای معادله حالت برای ترکیباتی با زنجیر طولانی پیش بینی شد و از این مقادیر برای پیش بینی دانسیته در دما و فشارهای مختلف استفاده گردید. با استفاده از این روش متوسط مقدار خطا در محاسبه برای آلکانهای خطی از ‏‎n‎‏ - پنتان تا ‏‎n ‎‏- ایکوزان کمتر از یک درصد ، الکلهای خطی از 1 - دودکانول حدود دو درصد و مخلوط آلکانهای خطی حدود 5/1 درصد به دست آمد.