Prediction of the Adsorption Capability onto Activated Carbon of Liquid Aliphatic Alcohols using Molecular Fragments Method

رابطه كمي خاصيت - ساختار ((QSPR براي تخمين زدن جذب سطحي الكل هاي زنجيري در كربن فعال با استفاده از روش قطعات مولكولي زير ساختاري (SMF) توسعه داده شد. ظرفيت جذب سطحي كربن فعال (gr/100grC) براي 150 تركيب الكل زنجيري در شرايط تعادلي مورد مطالعه قرار گرفت. روش رگرسيوني گام به گام (جلورونده و عقب رونده) انتخاب متغير و رگرسيون خطي چندگانه(MLR) براي توصيف اثر ساختار مولكولي روي ظرفيت جذب سطحي كربن فعال با توجه به روش QSPR بكاربرده شدند. براي ارتباط كمي ظرفيت جذب سطحي (Qe) با ساختار مولكولي، آناليز رگرسيون خطي چندگانه روي يك مجموعه 15 قطعه مولكولي زير ساختاري كه بوسيله نرم افزار ISIDA محاسبه شده بودند، اجرا گرديد. پنج قطعه انتخاب شده با انتخاب زير مجموعه متغيرها ، همگي متعلق به زير قطعات، نمايش كافي عوامل ساختاري تاثيرگذار روي تمايل الكل ها به كربن فعال در فرايند جذب سطحي است. در نهايت، يك مدل QSPR بر اساس معتبر سازي عرضي- يكي بيرون گذاشتن انتخاب شد و توانايي بيشتر پيش بيني مدل روي 30 تركيب بيرون نگه داشته شده از كاليبراسيون مدل مورد ارزيابي قرار گرفت. نتايج پيش بيني از مدل MLR توافق بسيار خوبي با مقادير تجربي دارد. با اعمال كردن روش MLR ما مي توانيم مقادير جذب 30 تركيب مجموعه تست را با مربع ضريب همبستگي معتبر شده عرضي (Q2ext) 9538/0 و جذر ميانگين مربع خطا (RMSE) 0832/2 پيش بيني كنيم.

Quantitative structure-property relationship (QSPR) for estimating the adsorption of aliphatic alcohols onto activated carbon were developed using substructural molecular fragments (SMF) method. The adsorption capacity of activated carbon (gr/100grC) for 150 aliphatic alcohols onto activated carbon (AC) is studied under equilibrium conditions. Forward and backwards stepwise regression variable selection and multilinear regression (MLR) are combined to describe the effect of molecular structure on the adsorption capacity of activated carbon according to the QSPR method. To quantitatively relate adsorption capacity (Qe) with the molecular structure MLR analysis is performed on the set of 15 substructural molecular fragments (SMF) provided by the software ISIDA. The five fragments selected by variable subset selection, all belonging to the subfragments, adequately represent the structural factors influencing the affinity of alcohols to AC in the adsorption process. Finally, a QSPR model is selected based on leave-one-out cross-validation and its prediction ability is further tested on 30 representative compounds excluded from model calibration. The prediction results from the MLR models are in good agreement with the experimental values. By applying MLR method we can predict the test set (30 compounds) with squared cross validated correlation coefficient (Q2 ext) of 0.9538 and root mean square error (RMSE) of 2.0832.