مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

612
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

725
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مدل سازی و بهینه سازی نانوبیوسنسور الیگونوکلئوتیدی با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک

صفحات

 صفحه شروع 171 | صفحه پایان 181

چکیده

 توسعه هر نوع بیوسنسور با چالش هایی در زمینه بهینه سازی پارامترها و کالیبراسیون مواجه است. در این تحقیق رویکردی مبتنی بر یادگیری ماشین برای مدل سازی و بهینه سازی مولفه های تاثیرگذار در ساخت نانوبیوسنسور الکتروشیمیایی بر اساس الکترود کربن شیشه ای اصلاح شده با گرافن اکسید و نانومیله طلا در شرایط کاری آزمایشگاهی ارائه شده است. پاسخ نانوبیوسنسور به عنوان خروجی و تاثیر هشت عامل موثر شامل: غلظت گرافن اکسید, غلظت نانو میله های طلا, غلظت پروب تک رشته ای, مدت زمان ماند پروب تک رشته ای بر روی الکترود اصلاح شده, مدت زمان ماند MCH بر روی الکترود اصلاح شده, مدت زمان هیبریداسیون پروب و الیگونوکلئوتید هدف, غلظت محلول شناساگر اوراست بلو, مدت زمان ماند اوراست بلو, به عنوان ورودی های مدل شبکه عصبی برای آموزش و توسعه مدل مورد استفاده قرار گرفتند. نتایج بدست آمده نشان داد که خروجی مدل همخوانی قابل قبولی با نتایج آزمایشگاهی داشته و مدل می تواند پاسخ نانوبیوسنسور را با دقت 91/96 درصد و میانگین درصد خطای مطلق 5090/5 درصد پیش بینی کند. در پایان با استفاده از الگوریتم ژنتیک مقادیر بهینه متغیرهای ورودی برای دستیابی به حداکثر جریان پاسخ نانوبیوسنسور, محاسبه گردید. نتایج بهینه سازی نشان داد که این روش عملکرد مناسبی در مقایسه با نتایج آزمایشگاهی دارد و می تواند برای ساخت و طراحی نانوبیوسنسور مورد استفاده قرار بگیرد.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    ایمانی، آیدین، حسین پور، سلیمان، عظیم زاده، مصطفی، و کیهانی، علیرضا. (1399). مدل سازی و بهینه سازی نانوبیوسنسور الیگونوکلئوتیدی با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک. مهندسی بیوسیستم ایران (علوم کشاورزی ایران)، 51(1 )، 171-181. SID. https://sid.ir/paper/144522/fa

    Vancouver: کپی

    ایمانی آیدین، حسین پور سلیمان، عظیم زاده مصطفی، کیهانی علیرضا. مدل سازی و بهینه سازی نانوبیوسنسور الیگونوکلئوتیدی با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک. مهندسی بیوسیستم ایران (علوم کشاورزی ایران)[Internet]. 1399؛51(1 ):171-181. Available from: https://sid.ir/paper/144522/fa

    IEEE: کپی

    آیدین ایمانی، سلیمان حسین پور، مصطفی عظیم زاده، و علیرضا کیهانی، “مدل سازی و بهینه سازی نانوبیوسنسور الیگونوکلئوتیدی با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک،” مهندسی بیوسیستم ایران (علوم کشاورزی ایران)، vol. 51، no. 1 ، pp. 171–181، 1399، [Online]. Available: https://sid.ir/paper/144522/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button