فهرست مقالات ارتباط کمی ساختار- خاصیت

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - روش‌های محاسباتی و مطالعه ارتباط کمی ساختار- خاصیت جهت پیش‌بینی نقاط ذوب ترکیبات نیتروآروماتیک حلقوی با استفاده از توصیف‌کننده‌های شیمیایی و مکانیک‌کوانتومی: ترکیب محاسبات DFT و QSPR
  مهدی نکوئی مهدی مهام
  روشDFT-B3LYP با سری پایه6-31G(d) جهت محاسبه چندین توصیف کننده مکانیک کوانتومی در 60 ترکیب نیتروآروماتیک حلقوی بکار گرفته شد. مناسب‌ترین توصیف کننده ها جهت مطالعه ارتباط کمی ساختار- خاصیت در پیش بینی نقاط ذوب ترکیبات نیتروآروماتیک حلقوی با استفاده از توصیف‌کننده های مکان چکیده کامل

  روشDFT-B3LYP با سری پایه6-31G(d) جهت محاسبه چندین توصیف کننده مکانیک کوانتومی در 60 ترکیب نیتروآروماتیک حلقوی بکار گرفته شد. مناسب‌ترین توصیف کننده ها جهت مطالعه ارتباط کمی ساختار- خاصیت در پیش بینی نقاط ذوب ترکیبات نیتروآروماتیک حلقوی با استفاده از توصیف‌کننده های مکانیک‌کوانتومی و شیمیایی و ماشین بردار پشتیبان(SVM) انجام شد. در ابتدا ساختار ترکیبات رسم و گروه مناسبی از توصیف‌کننده‌های شیمیایی و مکانیک‌کوانتومی محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با نقاط ذوب ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چند‌گانه(MLR) ساخته شد. سپس برای به دست آوردن مدل بهتر، از SVM استفاده گردید. داده های آماری، برتری روش SVM را نسبت به روش خطی MLR نشان می دهد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - مطالعه ارتباط کمی ساختار- خاصیت جهت پیش‌بینی قطبیت حلال با استفاده از توصیف‌کننده‌های مکانیک‌کوانتومی و ماشین بردار پشتیبان
  مهدی نکوئی بهزاد چهکندی
  مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی قطبیت برخی از حلال ها با استفاده از توصیف کننده های مکانیک کوانتومی و تکنیک ماشین بردار پشتیبان(SVM) انجام شد. مقادیر تجربی قطبیت برای 69 حلال گردآوری شد. این حلال ها شامل هیدروکربن های اشباع و غیراشباع، حلال های شامل هالوژن، چکیده کامل

  مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی قطبیت برخی از حلال ها با استفاده از توصیف کننده های مکانیک کوانتومی و تکنیک ماشین بردار پشتیبان(SVM) انجام شد. مقادیر تجربی قطبیت برای 69 حلال گردآوری شد. این حلال ها شامل هیدروکربن های اشباع و غیراشباع، حلال های شامل هالوژن، سیانید، نیترو، آمید، سولفید، مرکاپتو، فسفات، استر، اتر و غیره بود. در ابتدا ساختار حلال ها، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با قطبیت حلال مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چند‌گانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر، از SVM استفاده گردید. داده های آماری، برتری روش SVM را نسبت به روش MLR نشان می دهد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت ( QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از رگرسیون خطی چندگانه و ماشین بردار پشتیبان
  مهدی نکوئی سید عباس طاهری مجید محمدحسینی
  مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از روش رگرسیون خطی چند گانه(MLR) و ماشین بردار پشتیبان (SVM) انجام شد. در ابتدا ساختار ترکیبات شیمیایی، ترسیم و گروه مناسبی از توصیف کننده‌ها محاسبه گردید. سپس چکیده کامل

  مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از روش رگرسیون خطی چند گانه(MLR) و ماشین بردار پشتیبان (SVM) انجام شد. در ابتدا ساختار ترکیبات شیمیایی، ترسیم و گروه مناسبی از توصیف کننده‌ها محاسبه گردید. سپس با استفاده از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با خاصیت شیمیایی ترکیبات مورد نظر داشتند استفاده گردید. سپس از مدل خطی رگرسیون خطی چند‌گانه(MLR) و مدل غیرخطی ماشین بردارشتیبان (SVM) جهت پیش بینی ثابت های اسیدی ترکیبات استفاده گردید. داده های آماری، حاکی از برتری روش SVM نسبت به روش MLR بود. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی نیمه عمر بی فنیل های پلی کلرینه با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
  سکینه بهرامی نسب مهدی نکوئی سیدعباس طاهری
  مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش چکیده کامل

  مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش انتخاب مرحله ای برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با نیمه عمر ترکیبات مورد نظر داشتند استفاده گردید. با این روش 6 توصیف کننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ که از انواع توصیف کننده های توپولوژیکی، بار، نمایش سه بعدی مولکول بر اساس پراش الکترونی و تابع توزیع شعاعی هستند انتخاب گردید. در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 716/0 و 050/0 برای مدل خطی MLR و 896/0 و 030/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. پرونده مقاله