Evaluation of chemical equilibria with the use of artificial neural networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F02%3A00007642" target="_blank" >RIV/00216224:14310/02:00007642 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Evaluation of chemical equilibria 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 onnon-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. (C) 2002 Elsevier Science Ltd. All rights re

Název v anglickém jazyce

Evaluation of chemical equilibria 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 onnon-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. (C) 2002 Elsevier Science Ltd. All rights re

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

CB - Analytická chemie, separace

OECD FORD obor

—

Projekt

<a href="/cs/project/GA203%2F02%2F1103" target="_blank" >GA203/02/1103: Umělé neuronové sítě a plánování pokusů v analytické chemii, zejména v separačních metodách</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2002

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

1375-1384

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—