{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD191",
        "title": "پیش بینی ارتباط کمّی ساختار- خاصیت (QSPR) ضریب خودنفوذی آلکان ها ",
        "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": "2026-06-25",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QD191",
        "title": "پیش بینی ارتباط کمّی ساختار- خاصیت (QSPR) ضریب خودنفوذی آلکان ها ",
        "degree": null,
        "faculty": "شیمی",
        "year": 1392,
        "authors": [
            {
                "name": "زهرا شهابی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد راهنما"
            },
            {
                "name": "حسین نیکوفرد",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "ارتباط کمی ساختار-خاصیت",
            "رگرسیون مؤلفه ی اصلی",
            "رگرسیون کمترین مربعات جزئی",
            "شبکه ی عصبی مصنوعی",
            "ضریب خودنفوذی",
            "رگرسیون مرحله ای",
            "الگوریتم ژنتیک"
        ],
        "abstract": "در این تحقیق، مطالعات ارتباط کمی ساختار – خاصیت (QSPR) با استفاده از مدل سازی خطی و غیرخطی برای پیش بینی ضریب خودنفوذی آلکان های خطی به کار گرفته شده است. داده ی مربوط به ضریب خودنفوذی، با استفاده از روش تحلیل مؤلفه ی اصلی(PCA) به چهار دسته ی آموزش، ارزیابی، تست و تست بیرونی دسته بندی گردید. توصیف کننده های ساختار مولکولی محاسبه شد و پس از حذف توصیف‎کننده های اضافی و افزودن دو پارامتر دما و فشار، مدل سازی خطی آغاز گردید. از دو روش رگرسیون مؤلفه ی اصلی (PCR) و رگرسیون کمترین مربعات جزئی (PLS) جهت مدل سازی خطی بهره گرفته شد که در هر دو روش ابتدا مؤلفه های اصلی ساخته و تعداد بهینه ی مؤلفه ها محاسبه شد. سپس مدل سازی با مؤلفه های اصلی بهینه انجام شد و در نهایت مدل های نهایی برای پیش بینی داده‎های مربوط به سری تست بیرونی به کار گرفته شدند. مقدار میانگین مربعات خطای مربوط به سری تست بیرونی برای مدل های PCR و PLS به ترتیب 0/6129 و 0/5327 حاصل گردید.\r\nدر مدل سازی غیرخطی، جهت جداسازی توصیف کننده های بهینه از دو روش رگرسیون مرحله‎ای (SR) و الگوریتم ژنتیک (GA) استفاده شد. توصیف کننده های منتخب به شبکه ی عصبی وارد شدند و مدل سازی برای هر دو روش انتخاب توصیف کننده، صورت گرفت. شبکه های ساخته شده پس از آموزش و بهینه سازی جهت پیش بینی داده های مربوط به سری تست بیرونی مورد استفاده قرار گرفتند. مقدار میانگین مربعات خطای مربوط به سری تست بیرونی برای مدل های SR-ANN و GNN به ترتیب 0/0379 و 0/0219 به دست آمد. این نتایج نشان دهنده ی برتری روش های غیر خطی در مرحله ی انتخاب توصیف کننده و در مرحله ی مدل سازی می باشند.",
        "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_QD191.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"
    }
}