پیش بینی ضریب تراکم پذیری همدمای ترکیبات آلی بر اساس توصیف کننده های ساختاری مولکولی در محدوده وسیعی از دما و فشار

در این تحقیق، مطالعات ارتباط کمی ساختار – خاصیت با استفاده از شبکه ی عصبی مصنوعی برای پیش بینی ضریب تراکم پذیری همدمای ترکیبات آلی مختلف به کار گرفته شده است. سری داده ها شامل ضریب تراکم پذیری همدمای 56 ترکیب در دما و فشارهای مختلف است که مجموعاً 4297 نقطه داده را تشکیل می دهد. برای انتخاب توصیف کننده های بهینه از دو روش رگرسیون مرحله ای (sr) و راهبرد cdfs استفاده شد. سپس مدل سازی به وسیله ی شبکه ی عصبی مصنوعی انجام گرفت و پس از بهینه سازی و آموزش شبکه، مدل حاصل برای پیش بینی ضریب تراکم پذیری همدمای 7 ترکیب سری تست که در هیچ یک از مراحل مدل سازی دخالت نداشته اند، به کار گرفته شد. مقایسه ی دو مدل حاصل از رگرسیون مرحله ای و راهبرد cdfs نشان داد که مدل به دست آمده از cdfs تعداد توصیف کننده ی کمتر و قدرت پیش بینی بالاتری دارد. میانگین مربعات خطای سری تست توسط مدل های sr-ann و cdfs-ann به ترتیب 4456/0 و 3012/0 به دست آمد. در مرحله ی بعد، شبکه ی عصبی مصنوعی به همراه روش سهم گروه (gcm) برای پیش بینی ضریب تراکم پذیری همدمای ترکیبات سری تست به کار گرفته شد. در این مدل سازی تعداد گروه-های تشکیل دهنده ی هر ترکیب و دو متغیر دما و فشار به عنوان متغیرهای ورودی شبکه ی عصبی در نظر گرفته شدند. میانگین مربعات خطای حاصل از این روش 2303/0 به دست آمد که نشان-دهنده ی برتری روش gcm-ann نسبت به دو روش sr-ann و cdfs-ann می باشد.