{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD130",
        "title": "پیش بینی ضریب تراکم پذیری هم دمای ترکیبات آلی بر اساس توصیف کننده های ساختاری مولکولی در محدوده ی وسیعی از دما و فشار",
        "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": "QD130",
        "title": "پیش بینی ضریب تراکم پذیری هم دمای ترکیبات آلی بر اساس توصیف کننده های ساختاری مولکولی در محدوده ی وسیعی از دما و فشار",
        "degree": null,
        "faculty": "شیمی",
        "year": 1391,
        "authors": [
            {
                "name": "زهرا کاظم نادی ورنوسفادرانی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد راهنما"
            },
            {
                "name": "زینب موسوی تکیه",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "ارتباط کمی ساختار– ویژگی",
            "شبکه ی عصبی مصنوعی",
            "ضریب تراکم پذیری هم دما",
            "رگرسیون مرحله ای (SR)",
            "راهبرد CDFS",
            "روش سهم گروه (GCM)"
        ],
        "abstract": "در این تحقیق، مطالعات ارتباط کمی ساختار – خاصیت با استفاده از شبکه ی عصبی مصنوعی برای پیش بینی ضریب تراکم پذیری همدمای ترکیبات آلی مختلف به کار گرفته شده است. سری داده ها شامل ضریب تراکم پذیری همدمای 56 ترکیب در دما و فشارهای مختلف است که مجموعاً 4297 نقطه داده را تشکیل می دهد. برای انتخاب توصیف کننده های بهینه از دو روش رگرسیون مرحله ای (SR) و راهبرد CDFS استفاده شد. سپس مدل سازی به وسیله ی شبکه ی عصبی مصنوعی انجام گرفت و پس از بهینه سازی و آموزش شبکه، مدل حاصل برای پیش بینی ضریب تراکم پذیری همدمای 7 ترکیب سری تست که در هیچ یک از مراحل مدل سازی دخالت نداشته اند، به کار گرفته شد. مقایسه ی دو مدل حاصل از رگرسیون مرحله ای و راهبرد CDFS نشان داد که مدل به دست آمده از CDFS تعداد توصیف کننده ی کمتر و قدرت پیش بینی بالاتری دارد. میانگین مربعات خطای سری تست توسط مدل های SR-ANN و CDFS-ANN به ترتیب 0/4456 و 0/3012 به دست آمد.\r\nدر مرحله ی بعد، شبکه ی عصبی مصنوعی به همراه روش سهم گروه (GCM) برای پیش بینی ضریب تراکم پذیری همدمای ترکیبات سری تست به کار گرفته شد. در این مدل سازی تعداد گروه های تشکیل دهنده ی هر ترکیب و دو متغیر دما و فشار به عنوان متغیرهای ورودی شبکه ی عصبی در نظر گرفته شدند. میانگین مربعات خطای حاصل از این روش 0/2303 به دست آمد که نشان دهنده ی برتری روش GCM-ANN نسبت به دو روش SR-ANN و CDFS-ANN 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_QD130.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"
    }
}