{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD227",
        "title": "مطالعه ی ارتبا ط کمی ساختار-خاصیت (QSPR) دانسیته ی مایعات یونی به صورت تابعی از دما و فشار با استفاده از روش های غیر خطی",
        "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": "1393",
        "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": "QD227",
        "title": "مطالعه ی ارتبا ط کمی ساختار-خاصیت (QSPR) دانسیته ی مایعات یونی به صورت تابعی از دما و فشار با استفاده از روش های غیر خطی",
        "degree": null,
        "faculty": "شیمی",
        "year": 1393,
        "authors": [
            {
                "name": "هدی کشتکار",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد راهنما"
            },
            {
                "name": "ناصر گودرزی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "دانسیته",
            "مایعات یونی",
            "روش سهم گروه",
            "شبکه ی عصبی مصنوعی",
            "ماشین بردار پشتیبان"
        ],
        "abstract": "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.",
        "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_QD227.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"
    }
}