Evolutionary Artificial Neural Networks as Tools for Predicting the Internal Structure of Microemulsions
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to predict microemulsion structures by creating two artificial evolutionary neural networks (ANN) combined with a genetic algorithm. The first ANN would be able to determine the type of microemulsion from the desired composition, and the second to determine the type of microemulsion directly from a differential scanning calorimetry (DSC) curve. METHODS: The algorithms and the structures for each ANN were constructed and programmed in C++ computer language. The ANNs had a feedforward structure with one hidden level and were trained using a genetic algorithm. DSC was used to determine the microemulsion type. RESULTS: The ANNs showed very encouraging accuracy in predicting the microemulsion type from its composition and also directly from the DSC curve. The percentage success, calculated over the tested data, was over 90%. This enabled us, with satisfactory accuracy, to construct several pseudoternary diagrams that could facilitate the selection of the microemulsion composition to obtain the optimal desired drug carrier. CONCLUSIONS: The ANN constructed here, enhanced with a genetic algorithm, is an effective tool for predicting the type of microemulsion. These findings provide the basis for reducing research time and development cost for characterizing microemulsion properties. Its application would stimulate the further development of such colloidal drug delivery systems, exploit their advantages and, to a certain extent, avoid their disadvantages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».