Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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