Evaluation of Chemical Equilibrium Data with the Use of Artificial Neural Networks
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F02%3A00007256" target="_blank" >RIV/00216224:14310/02:00007256 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Evaluation of Chemical Equilibrium Data with the Use of Artificial Neural Networks
Popis výsledku v původním jazyce
Multivariate calibration with experimental design (ED) and artificial neural networks (ANN) modeling can be used to estimate equilibria constants from any kind of protonation or metal-ligand equilibrium data like potentiometry, polarography, spectrophotometry, extraction, etc. The method was tested on evenly or randomly distributed experimental error-free data and data with random noise and the results show that even rather higher experimental errors do not influence significantly the prediction power and correctness of ANN prediction. ANN with appropriate ED can provide accurate prediction of stability constants with the relative errors in the range of 4% or smaller while the approach is very robust. Comparison with a hard model evaluation based on non-linear regression techniques shows excellent agreement. Proposed ANN method is of a general nature and, in principal, can be adopted to any analytical technique used in equilibria studies.
Název v anglickém jazyce
Evaluation of Chemical Equilibrium Data with the Use of Artificial Neural Networks
Popis výsledku anglicky
Multivariate calibration with experimental design (ED) and artificial neural networks (ANN) modeling can be used to estimate equilibria constants from any kind of protonation or metal-ligand equilibrium data like potentiometry, polarography, spectrophotometry, extraction, etc. The method was tested on evenly or randomly distributed experimental error-free data and data with random noise and the results show that even rather higher experimental errors do not influence significantly the prediction power and correctness of ANN prediction. ANN with appropriate ED can provide accurate prediction of stability constants with the relative errors in the range of 4% or smaller while the approach is very robust. Comparison with a hard model evaluation based on non-linear regression techniques shows excellent agreement. Proposed ANN method is of a general nature and, in principal, can be adopted to any analytical technique used in equilibria studies.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
CB - Analytická chemie, separace
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2002
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Polyhedron
ISSN
0277-5387
e-ISSN
—
Svazek periodika
21
Číslo periodika v rámci svazku
14-15
Stát vydavatele periodika
GB - Spojené království Velké Británie a Severního Irska
Počet stran výsledku
10
Strana od-do
1375
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—