Taguchi method and neural network for efficient <scp>β‐ketoenamine</scp> synthesis in deionized water
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The optimization of performance parameters, in particular the yield of the synthesis reaction of β‐enaminones in demineralized water, is crucial to improve their efficiency and accuracy. In this report, we investigate the optimization of the synthesis of β‐ketoenamines in deionized water by controlling several parameters such as reaction time, temperature, amine equivalent, acid percentage, and stirring rate. An orthogonal L 16 (4 5 ) network was created using Taguchi's approach, allowing for the best possible parameters. To forecast the contribution of each parameter, analysis of variance (ANOVA) techniques are also used. Multiple linear and nonlinear regression (MLR, MNLR) and multilayer perception artificial neural network (MLP‐ANN) predictive models were developed. Analysis of the results led to optimized design parameters, with time = 6 h, temperature = 25°C, amine equivalent = 1.5, acid percentage = 20%, and stirring rate = 1000 rpm, leading to a maximum yield of 63%. ANOVA analysis revealed that temperature, stirring rate, acid percentage, and time are the parameters with the greatest influence. The least sensitive parameter is the amine equivalent. The two main interactions are temperature * acid % and amine equivalent * rpm. The MLP‐ANN predictions are in good agreement with the experimental values, resulting in a higher R 2 compared to the quadratic regression model and the MLR model. By using molecular docking studies, the produced compounds' biological activity was investigated. Some of the synthesized compounds appear to be interesting and could be used for therapeutic applications. The results of this study give us insight into the gentle, cost‐effective, and biologically active synthesis of β‐enaminones in deionized water.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle