Yüzey aktif maddelerin kritik misel konsantrasyonu - kimyasal yapı ilişkisinin incelenmesi

Abstract

Deterjanların ana maddesini oluşturan yüzey aktif maddeler tanım olarak su içerisinde veya bir çözelti içerisinde çözündüğünde genellikle yüzey gerilimini düşüren bir etkiye sahiptir. Yüzey aktif maddeler, sıvılar arasında oluşan bu gerilimi azaltarak yıkama süresince köpük oluşturma ve temizleme görevini üstelenmektedirler. Yüzey aktif maddeler ile oluşturulan sulu çözeltiler kolloidal elektrolit davranışı sergilerler. Bu davranış sulu çözelti içinde bulunan misel olarak adlandırılan az veya çok düzenli yapıya sahip elektrik yüklü moleküllerin oluşumunu sağlamaktadır. Bu çalışmada yüzey aktif maddelerin kritik misel konsantrasyonu- kimyasal yapı ilişkisinin Yapay Sinir Ağları (YSA) yöntemi ile modellenerek tahmin edilmesi incelenmiştir. Yapay Sinir Ağları'nın görev tanımı açıklanacak olursa verilen bilgilere karşılık çıktı üretebilme olarak açıklanabilir. Bu belirtilen mekanizmanın çalışabilmesi için ise sistem belirli örnekler kullanılarak eğitilir. Sonra sistemde karar mekanizmasının çalışabilir hale gelmesi sağlanır. Son olarak da sistemde çıktı verileri üretilir. Çalışmamızda literatürde hesaplanmış toplam 127 adet deneysel veriler baz alınarak yeni bir model oluşturulması ve bu çalışmalarda kullanılan deneysel verilere karşılık oluşturulmuş model ile çalışmamızda oluşturacağımız yeni modelin karşılaştırmalı analizi yapılması amaçlanmıştır. Bu çalışmada kullanılan verilerin %70 'i eğitmek %30'u test etmek için kullanılmıştır. Kritik misel konsantrasyonunu en çok etkileyen 3 parametre (Qcmax, dipol moment, atom sayısı) girdi verisi olarak tanımlanmıştır. Bu tanımlamanın ardından literatürdeki deneysel verilerle tanjant sigmoid transfer fonsiyonu kullanılarak oluşturulan yeni modelde hata kareler toplamı ortalamasının karekökü (RMSE), determinasyon katsayısı(R), ortalama mutlak yüzde hata (MAPE) ve ortalama karesel hata (MSE) değerleri hesaplanarak literatürdeki model ve bu çalışmada oluşturulan modelin karşılaştırmalı analizi yapılmıştır. Bu değerler yeni oluşturulan modelin mevcut modelden daha başarılı tahminleme yapabildiğini göstermektedirSurfactants that make up the main ingredient in detergents are chemical compounds that affect (often reduce) surface tension when dissolved in water or an aqueous solution. It reduces this tension between surfactants and liquids and provides cleaning by creating foam during washing. Aqueous solutions formed with surfactants have a colloidal electrolyte behavior. This behavior enables the formation of electrically charged molecules with a more or less regular structure called micelles in aqueous solution. In this study, the prediction of the correlation between critical micelle concentration and chemical structure of surfactants by modeling by Artificial Neural Networks (ANN) method was investigated. If the task description of Artificial Neural Networks is explained from a technical point of view, it can be explained as being able to produce output against the given information. In order for this mechanism to work, the system is trained using specific examples. Then, it is ensured that the decision mechanism in the system becomes operable. Finally, outputs are produced in the system. In our study, the input and output values of the data were determined based on the experimental data calculated in the literature. 70% of all data was used for training and 30% for testing. The 3 parameters (Qcmax, dipole moment, atomic number) that most affect the critical micelle concentration were defined as inputs.Following this definition, in the new model created by using the tangent sigmoid transfer function with experimental data in the literature, RMSE: the square root of the mean sum of error squares, R: determination coefficient, MAPE: mean absolute percentage and MSE: mean square error values are calculated and the model in the literature and the model created in this study comparative analysis has been done. These values show that the newly created model can predict more successfully than the current model.