اینو دیدی

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

اینو دیدی

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

پیش بینی ورشکستگی تحت شرایط جایگزین

اختصاصی از اینو دیدی پیش بینی ورشکستگی تحت شرایط جایگزین دانلود با لینک مستقیم و پر سرعت .

پیش بینی ورشکستگی تحت شرایط جایگزین


پیش بینی ورشکستگی تحت شرایط جایگزین

مقالات علمی پژوهشی چاپ شده با فرمت pdf صفحات 14 چکیده در شرایط متغیر اقتصادی ایران و نوسانات شدید در محیط فعالیت تجاری که ذینفعان را با عدم اطمینانهای عمده و احتمالات متعددی مواجه نموده است ، بررسی الگوهای پیش بینی ورشکستگی از اهمیّت بسزایی برخوردار است. از این رو هدف اصلی این پژووهش پژیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران در قلمرو زمانی 1390 تا 1394 تحت شرایط جایگزین مژی باشد. برای این منظور به مقایسه سه مدل پیش بینی درمانژدگی شژام BI و INO5 و Z-SCORE پرداختژه شژد و درنهایژت سژه فرضیه اصلی مطرح گردید، برای آزمون هر یک از فرضیه های اصلی پووهش دو فرضیه فرعی مطرح گردیژ د و در نهایژت نتژایآ آزمژون فرضیه ها نشان داد هر سه مدل توانایی پیش بینی ورشکستگی شرکتها را دارند و توانایی پیش بینی سه مدل برای یک سال و دوسال قب از ورشکستگی برابر است. کلید واژه: ورشکستگی، مدل BI ، مدل INO5 ، مدل Z-SCORE


دانلود با لینک مستقیم


پیش بینی ورشکستگی تحت شرایط جایگزین

جزوه آموزشی تجزیه و تحلیل سری های زمانی و پیش بینی بوسیله نرم افزار مینی تب (Minitab) به زبان فارسی (کارگاه روش های پیش بینی و

اختصاصی از اینو دیدی جزوه آموزشی تجزیه و تحلیل سری های زمانی و پیش بینی بوسیله نرم افزار مینی تب (Minitab) به زبان فارسی (کارگاه روش های پیش بینی و سری با Minitab) دانلود با لینک مستقیم و پر سرعت .

جزوه آموزشی تجزیه و تحلیل سری های زمانی و پیش بینی بوسیله نرم افزار مینی تب (Minitab) به زبان فارسی (کارگاه روش های پیش بینی و سری با Minitab)


جزوه آموزشی تجزیه و تحلیل سری های زمانی و پیش بینی بوسیله نرم افزار مینی تب (Minitab) به زبان فارسی (کارگاه روش های پیش بینی و سری با Minitab)

این فایل جزوه درس کارگاه روش های پیش بینی و تحلیل سری های زمانی در زنجیره تامین است که در آن نرم افزار آماری مینی تب یا Minitab برای استفاده در علم سری های زمانی و پیش بینی با مثال ها و تصاویر فراوان به زبان فارسی آموزش داده شده است. در این جزوه مفاهیمی چون آشنایی اولیه با نرم افزار مینی تب، رسم نمودارهای سری های زمانی، روش های مختلف پیش بینی مانند میانگین متحرک و هموارسازی نمایی با سری های زمانی، محاسبۀ خطاهای پیش بینی با نرم افزار مینی تب و بسیاری مطالب مفید دیگر در مورد کاربرد نرم افزار مینی تب در درس پیش بینی و تحلیل سری های زمانی آورده شده است.

مطالب:

  • آشنایی مقدماتی با نرم ­افزار Minitab
  • آمار توصیفی در Minitab
  • رسم و ویرایش نمودار سری زمانی در نرم ­افزار Minitab
  • برازش منحنی در روند در نرم ­افزار Minitab
  • میانگین متحرک ساده در نرم­ افزار Minitab
  • هموارسازی نمایی در نرم ­افزار Minitab
  • هموارسازی نمایی دوبل (دوگانه یا با اصلاح روند) در نرم­ افزار Minitab
  • انجام رگرسیون خطی ساده در نرم افزار مینی­تب Minitab
  • رسم نمودار در نرم­ افزار Minitab
  • تولید اعداد تصادفی در نرم ­افزار Minitab

مدرس و تهیه کننده: فضه پرتوی (استاد دانشگاه های علمی و کاربردی)

فرمت فایل: PDF

تعداد صفحه: 54


دانلود با لینک مستقیم


جزوه آموزشی تجزیه و تحلیل سری های زمانی و پیش بینی بوسیله نرم افزار مینی تب (Minitab) به زبان فارسی (کارگاه روش های پیش بینی و سری با Minitab)

دانلود مقاله کامل درباره پیش بینی سرعت و جهت بادهای فرساینده در ایران 22 ص

اختصاصی از اینو دیدی دانلود مقاله کامل درباره پیش بینی سرعت و جهت بادهای فرساینده در ایران 22 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 22

 

پیش بینی سرعت و جهت بادهای فرساینده در ایران

مقدمه

فرسایش بادی یک معضل جدی در بیشتر مناطق خشک و نیمه خشک دنیا و ایران است . توانائی پیش بینی دقیق فرسایش بادی خاک برای بسیاری منظورها ، از جمله برنامه های حفاظتی ، منابع طبیعی ، و کاهش آلودگی هوا ناشی از طوفان ضروری است ( 3 ) . از آنجایی که نیروی باد در طول سال ، ماه وحتی روز تا حد زیادی تغییر می نماید ، و همچنین قدرت فرسایندگی باد بستگی به توان سوم سرعت باد دارد . به منشور پیش بینی و کنترل فرسایش بادی در هر منطقه توزیع سرعت باد حائز اهمیت میباشد . همچنین علاوه برسرعت باد ، دانستن چگونگی تغییرات جهت باد در منطقه نیز امری ضروری است . زیرا نسبت جهت باد به جهت اضلاع زمین ، بادشکن ها ، ردیف کاشت گیاهان ، و شخم زمین ، نقش مهمی را در پیش بینی مقدار و جهت فرسایش بادی ایفا می کند ( 4) . مدل های مختلفی برای نشان دادن توزیع سرعت باد استفاده شده است . بی شک توزیع ویبل یکی از گسترده ترین توزیع هایی است که تا بحال برای نشان دادن پراکندگی سرعت باد مورد استفاده قرار گرفته است ( 5 ) . اهداف این پژوهش عبارت بودند از : 1 ) شبیه سازی ساعتی سرعت و جهت باد به روش استوکاستیک با استفاده از توزیع ویبل ، به منظور استفاده در مدل WEPS ، برای پیش بینی فرسایش بادی در شهرهای مختلف ایران ، 2) آزمون اعتبار سنجی توزیع ویبل و مدل کامپیوتری windpred ، در پیش بینی ساعتی سرعت و جهت باد ، . 3) ترسیم نقشه های سرعت و جهت بادهای فرساینده در ایران .

مواد و روشها

ابتدا 38 شهر که دارای حداقل 10 سال آمار ساعتی سرعت و جهت باد بودند ، انتخاب گردیدند . در مرحله بعد تعداد سال آماری هر شهری به دو دوره برابر تقسیم گردید ، بطوریکه از دوره اول برای شبیه سازی و از دوره دوم برای آزمون اعتبار سنجی مدل ( با استفاده از معنی دار بودن و نبودن ضرائب همبستگی ) استفاده شد . سپس با استفاده از توزیع ویبل ، شبیه سازی سرعت و جه باد بصورت ساعتی توسط برنامه Windpred ( 2 و 1 ) انجام گرفت . تابع توزیع تجمعی ویبل F (U) به صورت زیر میباشد :

(1) [-(u/c)k]F(u)=1-exp

که در این معادله u سرعت باد ( متر بر ثانیه ) ، c، پارامتر مقیاس ( با واحد سرعت ) ، و k پارامتر شکل ( بدون واحد ) ، میباشند ( 6 ) . در هرمرحله بعد ، دوره های باد آرام حذف و فراوانی باد در هر گروه سرعتی نرمالیزه گردیدند . بنابراین :

(2) [-(u/c)k]= 1-exp [ (F(u)-F0 ) / (1-F0)] F1(u) =

که در آن F1(u) توزیع تجمعی در حالتی است که دوره های باد آرام حذف شده است ، و F0 فراوانی دوره های باد آرام میباشد . پارامترهای k, c به روش حداقل مربعات و بکارگیری تابع توزیع تجمعی محاسبه شدند ( معادله 2 ) .

با استفاده از پارامترهای توزیع ویبل (c,k) فراوانی سرعت باد در هر ماه و در سال بصورت تجمعی و نرمال شده بدست آمد . به منظور شبیه سازی جهت باد ، اعداد بین صفر و یک بصورت تصادفی انتخاب ، و با جدول توزیع تجمعی جهت باد مقایسه گردیدند . برای شبیه سازی سرعت باد براساس جهت باد تعیین شده ، پارامترهای c،k توزیع ویبل برای آن جهت خاص از جدول های تعیین شده قبلی ، بدست امد و از معادله زیر استفاده گردید :

U= c{-1n[1-(F(u)-F0]/(1-F0)}1/k

با استفاده از روش انتخاب عدد تصادفی ، یک عدد بین صفر و یک انتخاب گردید . سپس این مقدار را به جای F(u) قرارداده و در نهایت سرعت باد شبیه سازی شده محاسبه گردید . به دلیل اینکه هدف شبیه سازی سرعت باد بصورت ساعتی بود ، با استفاده از رابطه زیر سرعت باد بصورت ساعتی شبیه سازی شد :

U(1)= Urep+0.5(umax-Umin) Cos[2p(24-hrmax+I)/24]

که در آن ، hrmax ساعتی از روز که سرعت باد حداکثر است ، I شاخص ساعت روز ، Umax سرعت باد حداکثر ، Umin سرعت باد حداقل ، و Urep سرعت شبیه سازی شده حاصل از معادله( 3 ) میباشد .

در مرحله بعد ، با استفاده از نتایج شبیه سازی شده ، نقشه درصد سرعت بادهای فرساینده و جهت غالب آنها ، و همچنین نقشه حداکثر سرعت باد و جهت غالب باد در هر ایستگاه با استفاده از نرم افزارهای SURFER و CorelDRAW10 برای ماه های مختلف سال تهیه گردید . بعنوان نمونه نقشه درصد سرعت بادهای فرساینده و جهت غال آنها ، برای ماه جولای نشان داده شده است ( شکل 1 ) لازم به ذکر است که در این نقشه ها ، شهرها به صورت دایره ، اسم شهرها واطلاعات مربوط به سرعت باد شهرها در داخل دایره و جهت باد غالب آنها هم بر روی دایره بشکل حروف و بصورت علامت پیکان ، نمایش داده شده است . همچنین برای نشان دادن سرعت حداکثر و درصد سرعت بادهای فرساینده ، از رنگهای مختلفی نیز استفاده گردید .

نتایج و بحث

با استفاده از داده های خام سرعت باد متعلق به نیمه اول هر دوره ، توزیع تجمعی ویبل بصورت ماهانه در تمامی ایستگاه ها ترسیم شد . سپس با استفاده از داده های خام همان دوره در مدل ، مقادیر شبیه سازی سرعت باد بدست آمد در ادامه ، ضریب های همبستگی بین توزیع تجمعی ویبل و سرعت شبیه سازی شده مشخص ، و معنی دار بودن یا نبودن آنها نیز تعیین گردیدند . مقادیر ضریب های همبستگی در تمامی ایستگاه ها و در تمامی ماه های سال بین 93/0 تا 0/1 بوده و در سطح یک درصد معنی دار بودند . بنابراین میتوان ادعا نمود که داده های سرعت باد از توزیع ویبل پیروی نموده ، و استفاده از این توزیع در امر شبیه سازی سرعت باد یتواند قابل قبول میباشد . در ادامه هم به منظور اعتبار سنجی مدل کامپیوتری Windpred ، مقایسه هایی بین توزیع فراوانی سرعت و جهت باد شبیه سازی شده ( با استفاده از داده های خام دوره اول ) ، و داده های خام دوره دوم صورت گرفت ، و ضریب های همبستگی آنها نیز تعیین گردیدند . مقادیر ضریب های همبستگی در تمامی ایستگاه ها و در تمامی ماه های سال ، برای سرعت باد بین 94/0 تا 0/1 ، و برای جهت باد بین 46/0 تا 0/1 بودند ، که در سطح یک درصد معنی دار می باشند . از اینرو میتوان نتیجه گرفت که همبستگی بسیار قوی بین سرعت و جهت باد شبیه سازی شده و داده های خام وجود دارد . در مرحله بعد درصد سرعت بادهای فرساینده و جهت غالب آنها در شهرهای مختلف ایران در ماه جولای ترسیم شد ( شکل 1 ) همانطور که مشاهده میشود ، در ماه جولای ، بیشترین میزان بادهای فرساینده متعلق به شهر زابل ( %7/61 ) با جهت باد غالب شمال شمال غربی ،و کمترین میزان بادهای فرساینده ، متعلق به شهر تبریز ( %1/0 ) با جهت باد غالب شرق میباشند .


دانلود با لینک مستقیم


دانلود مقاله کامل درباره پیش بینی سرعت و جهت بادهای فرساینده در ایران 22 ص

پاورپوینت درباره IBR بیماری تورم عفونی بینی و نای گاو

اختصاصی از اینو دیدی پاورپوینت درباره IBR بیماری تورم عفونی بینی و نای گاو دانلود با لینک مستقیم و پر سرعت .

پاورپوینت درباره IBR بیماری تورم عفونی بینی و نای گاو


پاورپوینت درباره  IBR بیماری تورم عفونی بینی  و نای گاو

فرمت فایل :power point( قابل ویرایش) تعداد اسلاید: 21 اسلاید

 

 

 

 

 

 

 

 

 

تاریخچه

¡طی دهه 1950 در ایالت متحده نیاز روز افزون به پروار بندی در مقیاس وسیع وظهور نوعی سندرم جدید به نام رینوتراکئیت عفونی گاو شد،کمی بعد یک هرپس ویروس را از مبتلایان به این بیماری جدا شده از گاوهای مبتلا به بیماری رینو تراکئیت عفونی فرج و واژن در ایالات متحده شرقی نشان داد که این ویروسها با هم فرقی ندارند اکنون دریافته اند که هرپس ویروس1 گاو وبیماریهای ناشی از ان در سراسر دنیا وجود دارد.
IBR
¡ویرون غشاء دار هرپس ویروس ها قطری حدود 150 نانومتر دارد ژنوم DNA دور بخش مرکزی که به شکل یک قرقره فیبری است گره خورده است و فیبر هایش به بخش داخلی کپسید اطراف ویریون متصل می باشد ،ماده گلبولی موسوم به تگومنت دور کپسید را فرا گرفته ، تاکنون بیش از 100 هرپس ویروس شناخته شده که همه ی انها درحشرات ،خزندگان ،دوزیستان و در واقع هر گونهء مورد بررسی از پستاندارن وپرندگان مشاهده کرده اند. لااقل یکی از بیماریهای مهم هر دام به غیر از گوسفند ناشی از هرپس ویروسها است .رینو تراکئیت عفونی گاو،یکی از این بیماری ها است.                                                                                 دارای 3  ، تحت خانواده است .1-الفا هرپس ویرینه.2-بتا هرپس ویروس 3-گاما هرپس ویرینه. که بیماری رینوتراکئیت عفونی گاوان در زیر خانواده ی الفاهرپس ویرینه جای دارند.

دانلود با لینک مستقیم


پاورپوینت درباره IBR بیماری تورم عفونی بینی و نای گاو

پروژه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg) دسته ی وسیعی از پلیمرهای پلی اتیلنی. doc

اختصاصی از اینو دیدی پروژه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg) دسته ی وسیعی از پلیمرهای پلی اتیلنی. doc دانلود با لینک مستقیم و پر سرعت .

پروژه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg) دسته ی وسیعی از پلیمرهای پلی اتیلنی. doc


پروژه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg) دسته ی وسیعی از پلیمرهای پلی اتیلنی. doc

 

 

 

 

 

 

 

نوع فایل: word

قابل ویرایش80 صفحه

 

چکیده:

هدف از این پژوهش ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg ) دسته ی وسیعی از پلیمرها می باشد. QSPR دانش جدیدی است که امکان دستیابی به داده های مورد نظر را با صرف حداقل وقت و هزینه فراهم می آورد. QSPR در لغت به معنی برقراری ارتباط کمی بین ساختار و خاصیت مولکول می باشد.

در واقع با استفاده از آنچه که قبلاً به صورت تجربی انجام شده است این ارتباط برقرار می شود و از آن برای پیش بینی خاصیت ترکیبات جدید استفاده می گردد. زمانی که نمونه های استاندارد از لحاظ فعالیت در دسترس نباشند ، آزمایش ها وقت گیر و پیچیده بوده یا هزینه کار بالا باشد ، QSPR روش مناسبی برای حل مشکل خواهد بود. ترکیبات مورد استفاده در این پژوهش همگی از خانواده پلیمره های پلی اتیلنی هستند. پلی اتیلن یکی از ساده ترین و ارزان ترین پلیمرها و پر مصرف ترین ماده پلاستیکی در جهان است. این ماده از پلیمریزاسیون اتیلن به دست می آید و به طور خلاصه به صورت PE نشان داده می شود. در این روش برای ایجاد مدل مناسب ازQSPR دسته ی از ترکیبات پلیمری شامل88 پلیمر پلی اتیلن را بعنوان سری داده ها انتخاب و ساختار مولکولی آنها بوسیله نرم افزار HYPERCHEM به روش AM1 اپتیمایز و با نرم افزار DRAGON بهترین توصیف کننده ها را انتخاب کرده و با دو تکنیک MLRو PCR مدلسازی و مناسبترین مدل را انتخاب می کنیم. نتایج بدست آمده برتری مدل بدست آمده با روش MLR (R2cal = 0.8733و R2per = 0.7575). نسبت به مدلهای بدست آمده با روش PCR (R2cal = 0.5587و 0.6092 R2per =). را نشان می دهد.

 

مقدمه:

امروزه به کارگیری روش هایی که دستیابی ارزان و سریع به اطلاعات را فراهم می آورد، بسیار مورد توجه است. شیمی نیز با توجه به گستردگی فراوان و وجود مسائل پیچیده و حل نشده بسیار به کارگیری چنین روش هایی را طلب می کند. استفاده از علوم ریاضی، آمار و رایانه در شاخه های مختلف علمی عرصه هایی جدید را ایجاد نموده که از جمله می توان به علومی همچون بیومتریک، آمار دارویی و کمومتریکس که حاصل تلفیق آن سه با زیست شناسی، داروسازی و شیمی می باشند، اشاره نمود ]2-1[. با وجود آنکه کمتر از 40 سال از پیدایش علم کمومتریکس می گذرد، امروزه این شاخه به یک علم پویا مبدل گشته، علمی که در هر زمینه ای تحولات چشمگیری را به دنبال داشته است. در این بخش از پژوهش سعی شده است تا اطلاعات اولیه ای از اصول کمومتریکس ، ارتباط کمی ساختار- خاصیت ، دمای انتقال شیشه ای(Tg) و ترکیبات مورد استفاده در اختیار قرار گیرد.

 

فهرست مطالب:

چکیده

فصل اول: مقدمه ای بر روشهای کمومتریکس،پارامتری وPCR

1-1-مقدمه

1-1-1-کمومتریکس

1-1-2- بررسی کمی ارتباط بین ساختار وخاصیت (QSPR)

1-2-دمای انتقال شیشه ای(Tg)  

1-3-پلیمرهای پلی اتیلنی

1-4- روش های پارامتری

1-4-1- انتخاب سری داده ها

1-4-2- انتخاب و محاسبه توصیف کننده ها

1-4-2-1- توصیف کننده های توپولوژیکی

1-4-2-2- توصیف کننده های الکترونی

1-4-2-3- توصیف کننده های هندسی

1-4-2-4- توصیف کننده های خواص فیزیکو- شیمیایی

1-4-2-5- توصیف کننده های توسعه یافته

1-4-3- تجزیه و تحلیل و ارزیابی توصیف کننده ها

1-4-4- آنالیز مدل های آماری و انتخاب مدل مناسب

1-4-4-1- رگرسیون خطی چندگانه

1-4-4-2- انتخاب متغیر

1-4-5- تجزیه و تحلیل آماری مدل

1-4-6- نرم افزارهای مورد استفاده

1-5- روش PCR

فصل دوم: مروری بر کارهای گذشته

2-1-مطالعات QSPR

2-2- ارتباط کمی ساختار و خاصیت(QSPR) بر روی پلیمرها

2-2-1- خواص پلیمرها

2-2-2- کاربردهای پلیمرهای پلی اتیلنی

2-3- کارهای انجام شده بروی پلیمرها و پیش بینی (Tg)

فصل سوم: بخش تجربی(مدلسازی و پیش بینی دمای انتقال شیشه ای)

3-1- مدل سازی و پیش بینی دمای انتقال شیشه ای

3-1-1- انتخاب سری داده ها

3-1-2- محاسبه توصیف کننده ها

3-1-3- تجزیه و تحلیل آماری توصیف کننده ها

فصل چهارم: بحث و نتیجه گیری

4-1- روش کار

4-2- انتخاب توصیف کننده های مناسب و ایجاد مدل خطی با روشMLR

4-3- روش PCR

4-3-1- مدلسازی بر اساس روش PCR

4-3-2- مدلسازی PCR با PCهای مرتب شده بر اساس مقدار واریانس

4-3-3- مدلسازی PCR با PCهای مرتب شده بر اساس مقدار همبستگی با خاصیت

4-4- نتیجه گیری کلی

4-5- پیشنهادات برای تحقیقات آینده

مراجع

 

فهرست جداول:

جدول (1-1): نام برخی از اندیس های توپولوژی 

جدول (1-2): نام برخی از توصیف کننده های الکترونی   

جدول (1-3): نام برخی از توصیف کننده های کوانتومی 

جدول (1-4): نام تعدادی از توصیف کننده های فیزیکو- شیمیایی 

جدول (1-5): اندیس های توسعه یافته 

جدول (3-1): نام و مقادیر تجربی Tg(k)exp مولکولهای انتخابی 

جدول(4-1): مشخصات توصیف کننده های انتخاب شده برای مدلسازی با روش MLR

جدول (4-2): اطلاعات آماری مدل ایجاد شده با روش MLR 

 

فهرست اشکال:

شکل (1-1): مولکول پلی اتیلن

شکل (1-2): گراف مولکولی 2 و 4- دی‌متیل پنتان

شکل (1-3): انواع زیر گراف ها

شکل (1-4): نمایی از محیط اصلی نرم افزار هایپرکم

شکل (1-5): نمایی از محیط اصلی نرم افزار دراگون

شکل (1-6): نمایی از محیط اصلی نرم افزار اکسل

شکل (4-1): مقادیر Tg محاسبه شده توسط روش MLR بر حسب مقادیر تجربی برای مولکولهای سری آموزشی

شکل (4-2): مقادیر Tg محاسبه شده توسط روش MLR بر حسب مقادیر تجربی برای مولکولهای سری ارزیابی

شکل (4-3): جمع تراکمی مقادیر واریانس (اطلاعات) در هر بردار ویژه

شکل (4-4): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های دسته کالیبراسیون و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی

شکل (4-5): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های دسته

پیش بینی و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی

شکل (4-6): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg

برای مولکولهای سری آموزشی بر حسب تعداد PCهای وارد شده در مدلسازی

شکل (4-7): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg

برای مولکولهای سری ارزیابی بر حسب تعداد PCهای وارد شده در مدلسازی

شکل (4-8): ضرایب همبستگی هر PC با مقادیرTg  

شکل (4-9): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های

دسته کالیبراسیون و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی.

PCها بر اساس همبستگی اشان به Tg به مدل وارد شده اند

شکل (4-10): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های

دسته پیش بینی و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی.

PCها بر اساس همبستگی اشان به Tg به مدل وارد شده اند

شکل (4-11): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg برای

مولکولهای سری آموزشی بر حسب تعداد PCهای وارد شده در مدلسازی بر اساس همبستگی اشان با Tg

شکل (4-12): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg برای 70

مولکولهای سری ارزیابی بر حسب تعداد PCهای وارد شده در مدلسازی بر اساس همبستگی اشان با Tg

 

منابع ومأخذ:

[1] R. A. Mayer, "Encyclopedia of analytical chemistry"., Wiley, 2000.

[2] P. Geladi, SAR and QSAR Envorm. Rcs., 2(1995) 193.

[3] P. C. Jurs, B. R. Kowalski, T. L. Isenhour, C. N. Reilly, Anal. Chem., 4(1969) 690.

[4] P. C. Jurs, B. R. Kowalski, T. L. Isenhour, C. N. Reilly, Anal. Chem., 41(1969) 1949.

[5] P. C. Jurs, B. R. Kowalski, T. L. Isenhour, C. N. Reilly, Anal. Chem., 4(1969) 695.

[6] G. W. Enix, H. W. Zwanziger, S. Geiss, Chemometrics Environmental Analysis., VCH, New York, 1997.

[7] D. L. Mannssanat, B. G. M. Vandeginste, S. N. Deming, L. Kaufman, Chemometrics., A Text Book, Elsevier, Amsterdam, 1998.

[8] C. Hansh, T. Fujita, J. Am. Chem. Soc., 86 (1964) 1616.

[9] L. Xuefeng, G. Zhang, J. Dong, X. Zhou, X. Yan, M. Luo, Theochem., 71 (2004) 119.

[10] P. Lind, C. Lopes, K. Oberg, B. Eliasson, Chemical Physics Letters., 387(2004) 238.

[11] R. O. Potts, R. H. Guy, Pharm Res., 9 (1992) 663.

[12] E. J. Lien EJ, H. Gao, Pharm Res., 12 (1995) 1628.

[13] E. D. Bayer, J. K. Strasters, M. G. Khaledi, Anal. Chem., 63 (1991) 828.

[14] M. N. Hassan, P. C. Jurs, Anal. Chem., 62 (1990) 2318.

[15] E. Arab Tehrany, F. Fournier, S. Desobry, Journal of Food Engineering., 64 (2004) 315.

[16] A. Fassihi, D. Abedi, L. Saghaie, R. Sabet, H. Fazeli, European Journal of Medical Chemistry., 44 (2009) 2145.

[17] J. H. A. Alfahemi, D. L. Cooper, N. L. Allan, Theochem., 901 (2009) 56.

[18] J. Ghasemi, S. Saaidpour, S. D. Brown. Theochem., 805 (2007) 27.

[19] J. Ghasemi, S. Saaidpour, Chem. Pharm. Bull., 55 (2007) 669.

[20] X. Liu, J. Chen, H. Yu, J. Zhao, Chemosphere., 64 (2006) 1619.

[21] J. Tronchet, M. Grigorov, N. Dolatshahi, F. Moriaud, J. Weber, European Journal of Medical Chemistry., 32 (1997) 279.

[22] Katritzky, A. R.; Sild, S.; Lobanov, V.; Karelson, M. Quantitative Structure-Property Relationship (QSPR) Correlation of Glass Transition Temperatures of High Molecular Weight Polymers. J. Chem. Inf. Comput. Sci. 1998, 38, 300-304.

[23] M. Karelson, Molecular Descriptors in QSAR/QSPR, Wiley, New York, 2000.

[24] R. Tadeschini, V. Consonni, Handbook of Molecular Descriptors, Wiley-VCH, Weinheim, 2000.

[25] Cameilio, P.; Lazzeri, V.; Waegell, B. QSPR in Polymers: A Straightforward New Approach to Calculate the Glass Transition Temperature. Polym. Preprints: Am. Chem. Soc., DiV. Polym. Chem. 1995, 36, 661-662.

[26] Katrizky, A. R.; Rachwal, P.; Law, K. W.; Karelson, M.; Lobanov,V. S. Prediction of Polymer Glass Transition Temperatures Using a General Quantitative Structure-Property Relationship Tretment. J. Chem. Inf. Comput. Sci. 1996, 36, 3879-884.

[27] Bicerano, J. Prediction of Polymer Properties, 2nd ed.; Marcel Dekker,

  1. : New York, 1996.

[28] H. Wiener, J. Am. Chem. Soc., 69 (1947) 17.

[29] A. T. Balaban, Chem. Phys. Lett., 89 (1981) 399.

[30] M. Randic, J. Chem, Phys., 62 (1975) 309.

[31] T. Clark, A Hand Book of Computational Chemistry., John Wiley and sons, New York, 1985.

[32] J. A. Pople, D. Beveridege, Approximate molecular orbital Theory., Mc Graw-Hill, 1970.

[33] J. R. Torres- Lapassio, R. M. Villanueva-Camanas, J. M. Sanchis mallos, J. Chromatogr., 639 (1993) 87.

[34] M. Dewar, W. Thiel, J. Am. Chem. Soc., 99 (1977) 4499.

[35] E. Eroglu, H. Turkmen, Journal of Molecular Graphics and Modelling., 26 (2007) 701-708.

[36] F. A. Pasha, H. K. Srivastava, Y. Beg, P. P. Sing, American Journal of Immunology., 2 (2006) 23.

[37] K. Osmialowski, J. Halkiewicz, A. Radecki, R. Kaliszan, J. Chromatogr., 346 (1985) 53.

[38] P. W. Atkins. Quanta, Oxford University Press., Oxford, 1991.

[39] T. R. Stouch, P. C. Jurs, J. Chem. Inf. Compute. Sci., 26 (1986) 1.

[40] E. K. Whalen-Pederson, P. C. Jurs, Anal. Chems., 53 (1981) 2184.

[41] J. Schuur, J. Gasteiger, Anal. Chem., 69 (1997) 2398.

[42] R. Todeschini, M. Lassagni, E. Marengo, J. Chemon., 8 (1994) 263.

[43] J. Ghasemi, S. Saaidpour, Analitica Chemica Acta., 604 (2007) 99.

[44] L. B. Kier, L. H. Hall, Advances in drug design., Vol 22, Academic Press, New York, 1992.

[45] G. E. Kelloge, L. B. Kier, P. Gaillard, L. H. Hall, J. Comp. Aid. Molc. Des., 1 (1996) 513.

[46] L. B. Kier, L. H. Hall, B. B. Brown, J. Chem. Inf. Comput. Sci., 35 (1995) 1074.

[47] http://www.eslc.vabiotech.com/ma/conn

[48] L. B. Kier, L. H. Hall, Quant. Struct. Act, Relat., 10 (1991) 134.

[49] E. Morgan, Chemometrics' Experimental design., John Wiley and sons, London, 1991.

فتوحی. اکبر ، اصغری. فریبا (1383). " آنالیز آماری داده ها با SPSS ". چاپ دوم. [50]

منصور فر. کریم (1374). " روش های آماری ". چاپ هشتم. تهران: انتشارات دانشگاه تهران. [51]

[52] Hyperchem Software, Release 7.0 for windows, Hypercube Inc., 2002.

[53] M.J. Frisch, M.J. Trucks, H.B. Schlegel, G.E. Scuseria, M.A. Robb, J.R. cheeseman, V.G. Zakrzewski, et al., Gaussian 98, Revision A.7, Gaussian lnc., Pittsburg, PA, 1998.

[54] R. Todeschini, Dragon Software, version 2.1 ,Milano Chemometrics and QSPR Group.,2002.(http://www.disat.unimib.it/vhml)

[55]Microsoft Office Excel 2003, Microsoft corporation., 2003.

[56] H. P. Schults, J. Chem. Inf. Comput. Sci., 29 (1989) 227.

[57] M. N. Hassan, P. C. Jurs, Anal. Let., 89 (1982) 399.

[58] A.R. Katrinzky, S. Sild, V. Lobanov and M.J. Karelson, J. Chem. Inf. Comput. Sci. 38 (1998), p. 300

[59] S.J. Joyce, D.J. Osguthorpe, J.A. Padgett and G.J. Price, J. Chem. Soc. Faraday Trans. 91 (1995), p. 2491.

[60] C. Cao and Y. Lin, J. Chem. Inf. Comput. Sci. 43 (2003), p. 643

 [61] B.G. Sumpter and D.W. Noid, J. Thermal Anal. 46 (1996), p. 833.

 [62] B.E. Mattioni and P.C. Jurs, J. Chem. Inf. Comput. Sci. 42 (2002).


دانلود با لینک مستقیم


پروژه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg) دسته ی وسیعی از پلیمرهای پلی اتیلنی. doc