توسعه ی مدل های هوش مصنوعی مبتنی بر ساختار مولکولی برای پیش بینی نقطهاشتعال آلکیل استرها

یکی از رویکردهای جدید در پیش بینی خواص شیمی فیزیکی، توسعه مدل های ارتباط کمی ساختار-خاصیت( QSPR ) می باشد. در این روش که مبتنی بر داده کاوی و تکنیک های یادگیری ماشین می باشد، خاصیت موردنظر به پارامترهای مولکولی مرتبط با ساختار شیمیایی مرتبط می شود. در این پژوهش دمای اشتعال ۱۷۹آلکیلاستر از ده خانواده شیمیایی متفاوت مورد آنالیز ارتباط کمی ساختار-خصوصیت قرار گرفت. برای توسعهمدل های پیش بینی کننده دمای اشتعال، ابتدا جامعترین مجموعه داده ممکن از انواع آلکیل استرها از پایگاه دادهخواص شیمی فیزیکی DIPPR جمع آوری شد. سپس، پس از رسم ساختار سه بعدی مولکول ها و بهینه سازیآنها، ۳۲۲۴ توصیف کننده مولکولی برای هر ساختار محاسبه شدند. در ادامه، با استفاده از روش جایگزینی بهبودیافته ERM ، چهار توصیف کننده به عنوان مناسب ترین توصیف کننده های مولکولی مرتبط با نقطه اشتعال آلکیلاسترها انتخاب شدند. سپس با کمک توصیف کننده های منتخب، سه مدل یادگیری ماشین مبتنی بر برنامه ریزیژنتیکی، ماشین بردار پشتیبان و جنگل تصادفی برای ایجاد ارتباط بین دمای اشتعال و توصیف کننده ها توسعهیافتند. نتایج عملکرد مدل ها بصورت پارامترهای آماری ضریب تعیین ، جذر میانگین مربعات خطا RMSEمیانگین خطای نسبی مطلق AARD% گزارش شدند. نتیجه عملکرد بهترین مدل پیش بینی کننده (مدلبرنامه ریزی ژنتیکی) در قالب ضریب تعیین بترتیب روی مجموعه آموزش، تست و کل، ۹۸ / ۰ ، ۹۷ / ۰ و ۹۸ / ۰ گزارششد.