{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD63",
        "title": "مدلسازی QSPR خواص ترمودینامیکی کتون 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": "1389",
        "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": "QD63",
        "title": "مدلسازی QSPR خواص ترمودینامیکی کتون ها",
        "degree": null,
        "faculty": "شیمی",
        "year": 1389,
        "authors": [
            {
                "name": "محبوبه صبوری",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد راهنما"
            },
            {
                "name": "منصور عرب چم جنگلی",
                "role": "استاد راهنما"
            },
            {
                "name": "حسین نیکوفرد",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "شبکه ی عصبی مصنوعی",
            "رگرسیون مرحله ای چندگانه",
            "توصیف کننده ُ کتون ها"
        ],
        "abstract": "مدل شبکه ی عصبی مصنوعی، برای پیش بینی دانسیته ی کتون ها در محدوده ی فشار  MPa 300-2 و محدوده ی دماییK  338-273 به کار گرفته شد. توصیف کننده ها از میان 18 دسته ی مختلف از توصیف کننده ها در نرم افزار DRAGON با استفاده از روش رگرسیون مرحله ای چندگانه و تکنیک stepwise انتخاب شدند. توصیف کننده های انتخاب شده شامل ATS4e و RDF040e بوده و همچنین دو توصیف کننده ی محاسباتی T و p برای ساخت مدل به کار گرفته شدند. داده های حاصل، به صورت گزینشی به سه دسته ی آموزش، ارزیابی و تست به ترتیب با تعداد 324، 107 و 107 تقسیم شدند به گونه ای که هر سری بهترین نماینده ی کل داده ها باشد. پس از مدلسازی و بهینه کردن پارامترهای شبکه، مدل ساخته شده، با استفاده از سری تست، مورد بررسی قرار گرفت. خطای مربع میانگین (MSE) برای سری تست، توسط مدل های MLR و ANN به ترتیب 0/9360 و 0/1735 بودند. نتایج به دست آمده نشان می دهد که هر دوی روش های خطی و غیر خطی توانایی دقیقی در پیش بینی دانسیته دارند، اگرچه ANN نتایج دقیق تری را نشان می دهد.",
        "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_QD63.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"
    }
}