{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD147",
        "title": "مطالعه ارتباط کمی ساختار- خاصیت جهت پیش بینی اندیس بازداری بعضی  از ترکیبات آلی فرار موجود در جو",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1391",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QD147",
        "title": "مطالعه ارتباط کمی ساختار- خاصیت جهت پیش بینی اندیس بازداری بعضی  از ترکیبات آلی فرار موجود در جو",
        "degree": null,
        "faculty": "شیمی",
        "year": 1391,
        "authors": [
            {
                "name": "سارا مسگران کریمی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "ناصر گودرزی",
                "role": "استاد راهنما"
            },
            {
                "name": "منصور عرب چم جنگلی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "شاخص بازداری",
            "SR-ANN",
            "GA-ANN",
            "QSPR"
        ],
        "abstract": "در قسمت اول این تحقیق، مطالعات ارتباط کمی ساختار- خاصیت (QSPR) بر روی شاخص بازداری 60 ترکیب آلی فرار  (VOCs) انجام گرفت. دو روش برازش مرحله ای (SR) و الگوریتم ژنتیک (GA) برای انتخاب توصیف کننده های مناسب استفاده شد. توصیف کننده های انتخاب شده از این دو روش برای مدل سازی و پیش بینی شاخص بازداری این ترکیبات وارد شبکه عصبی مصنوعی (ANN) شدند. به منظور بررسی اعتبار این مدل ها از روش های مختلفی مانند به کارگیری سری تست، رد مرحله ای تک تک داده ها و y- تصادفی استفاده گردید. نتایج به دست آمده بیانگر توانایی خوب هر دو روش SR-ANN و GA-ANN برای پیش بینی شاخص بازداری می باشد. ضرایب تعیین سری تست با روش های SR-ANN و GA-ANN به ترتیب 0/995 و 0/992 بود.\r\n در قسمت دوم، مطالعات QSPR بر روی شاخص بازداری تعدای از ترکیبات استرول انجام شد. همانند قسمت اول، از روش های SR و GA برای انتخاب متغیرهای مناسب استفاده شد و توصیف کننده های منتخب برای مدلسازی و پیش بینی شاخص بازداری این ترکیبات وارد شبکه عصبی مصنوعی (ANN) شدند. ضرایب تعیین سری تست با روش های SR-ANN و GA-ANN به ترتیب 0/944 و 0/920 بود. نتایج نشان می دهد در این قسمت نیز هر دو روش از قدرت پیش بینی مناسبی برخوردار بودند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_QD147.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}