{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD182",
        "title": "مدل سازی ANN برای پیش بینی دانسیته ی سیالات تجمعی با استفاده از توصیف کننده های مولکولی",
        "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": "1392",
        "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": "QD182",
        "title": "مدل سازی ANN برای پیش بینی دانسیته ی سیالات تجمعی با استفاده از توصیف کننده های مولکولی",
        "degree": null,
        "faculty": "شیمی",
        "year": 1392,
        "authors": [
            {
                "name": "نازلی آزمونفر",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد راهنما"
            },
            {
                "name": "منصور عرب چم جنگلی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "ْQSPR",
            "شبکه عصبی مصنوعی",
            "رگرسیون مرحله ای",
            "الگوریتم ژنتیک",
            "سهم گروه"
        ],
        "abstract": "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 1/2432و %0/0867 می باشد.",
        "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_QD182.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"
    }
}