31896

بررسي و مدل سازي انتالپي احتراق تركيبات الي و معدني با استفاده از روش QSPR

كارشناسي ارشد

شيمي معدني

1400

31/06/0403

دكتر فرانك منطقي

0

شيمي

به دست آوردن آنتالپي احتراق با استفاده از روش¬هاي آزمايشگاهي مانند كالري¬سنج بمبي يكي از متداول¬ترين روش¬ها براي بدست آوردن آنتالپي احتراق مي¬باشد. اما انجام اين آزمايش¬ها كاري زمان¬گير خواهد بود و نياز به نيروي كار ماهر نيز دارد. استفاده از روش¬هاي ماشيني همراه با روش مدل‌سازي رابطه كمي ساختار ويژگي (QSPR ) مي¬تواند زمان به دست آوردن اين نتايج را كم¬تر كند. در اين پژوهش مطالعه رابطه كمي ساختار-ويژگي براي 25 تركيب‌ معدني با استفاده از روش بهترين برازش خطي چندگانه و براي 1120 تركيب آلي با استفاده از روش¬هاي يادگيري ماشيني شامل روش خطي برازش خطي چندگانه و روش¬هاي غير خطي جنگل تصادفي و PCA-XGBoost صورت گرفت. با استفاده از روش¬هاي شبيه¬سازي، انرژي پيوند بين فلز و ليگاند تركيب¬هاي معدني محاسبه گرديد و نتايج حاصل از آن به عنوان يكي از توصيف كنندگان مدل مورد استفاده قرار گرفت. بيست و پنج تركيب معدني به نسبت تصادفي بيست به هشتاد به دو مجموعه آموزش كه شامل بيست تركيب مي¬باشد و مجموعه آزمون كه شامل پنج تركيب مي¬باشد، تقسيم بندي گرديد. همچنين تركيب‌هاي آلي با نسبت بيست ويك به هفتاد و نه به دو مجموعه آموزش و آزمون تقسيم بندي شدند. بعد از آموزش مدل تركيب‌هاي معدني نتايج به دست آمده براي مجموعه آزمون ضريب تعييني برابر با 9927/0 و ريشه ميانگين خطاي مربعات (RMSE) برابر با 008/0 به دست آمد كه نشان از قابل اعتماد بودن مدل مي¬باشد. همچنين در تركيب-هاي آلي دو روش غير خطي با روش خطي مورد مقايسه قرار گرفت و نتايج حاصل از ارزيابي مدل روش غير خطي PCA-XGBoost نسبت به روش جنگل تصادفي بيشتر مورد قبول قرار گرفت. براي اين روش غير خطي، ضريب تعييني برابر با 988/0 و ريشه ميانگين خطاي مربعات برابر با 5/25 كيلوژول بر مول به دست آمد كه در مقايسه با نتايج ساير پژوهش¬ها، مدلي مطمئن به ارمغان مي¬آورد.

1403/10/23

Investigating and modeling the enthalpy of combustion of organic and inorganic compounds using the QSPR method

9/21/2025 12:00:00 AM

Obtaining the enthalpy of combustion using experimental methods such as bomb calorimetry is one of the most common approaches for determining combustion enthalpy. However, conducting these experiments can be time-consuming and requires skilled labor. The use of machine learning methods combined with quantitative structure-property relationship (QSPR) modeling can reduce the time needed to obtain these results. In this research, a QSPR study was conducted for a series of inorganic compounds using the best multiple linear regression fitting method, and for 1120 organic compounds, using machine learning methods, including the linear method (multiple linear regression) and non-linear methods such as Random Forest and PCA-XGBoost. Through simulation techniques, the bond energy between metals and ligands in the inorganic compounds was calculated, and the results were used as one of the descriptors in the model. Twenty-five inorganic compounds were randomly divided in a 20:80 ratio into a training set (20 compounds) and a test set (5 compounds). Similarly, the organic compounds were divided into training and test sets in a 21:79 ratio. After training the model for inorganic compounds, the results for the test set yielded a coefficient of determination (R²) of 0.9927 and a root mean square error (RMSE) of 0.008, indicating the model's reliability. For the organic compounds, the two non-linear methods were compared with the linear method, and the non-linear PCA-XGBoost model performed better than the Random Forest model. For the non-linear method, the R² was 0.988 and the RMSE was 25.5 kJ/mol, showing promising results compared to other studies, suggesting a reliable model.

برازش خطي چندگانه , يادگيري ماشين , آنتالپي احتراق , QSPR

multiple linear regression , machine learning , QSPR , combustion enthalpy

Mirafshar Mirjalalimoghadam

Dr. Manteghi