شرکت ملی پالایش و پخش فرآورده های نفتی ایران نشریه علمی فرآیند نو 1735-6466 21 93 2026 05 22 Accurate Prediction of Polymer Specific Heat Capacity Using Advanced Machine Learning Techniques پیش‌بینی دقیق ظرفیت گرمایی ویژه پلیمرها با بهره‌گیری از تکنیک‌های نوین یادگیری ماشین 79 90 737069 10.22034/farayandno.2026.2070453.2013 FA زینب ترابی دانشجو ، دانشگاه صنعتی امیرکبیر واحد ماهشهر، ماهشهر، ایران الناز فرزین فر دانشجو ، دانشگاه صنعتی امیرکبیر واحد ماهشهر، ماهشهر، ایران فاطمه سپهوند دانشجو ، دانشگاه صنعتی امیرکبیر واحد ماهشهر، ماهشهر، ایران محدثه سرلک دانشجو ، دانشگاه صنعتی امیرکبیر واحد ماهشهر، ماهشهر، ایران علیرضا باغبان کارمند، شرکت ملی مناطق نفتخیز جنوب، اهواز، ایران Journal Article 2025 12 28 This study focuses on predicting the specific heat of polymers using experimental data and machine learning algorithms. A comprehensive dataset comprising physical and chemical properties of polymers was utilized as input for various models, including linear regression, Ridge, Lasso, ElasticNet, K-nearest neighbors, artificial neural networks, and decision trees. The performance of these models was evaluated using mean squared error (MSE) and R-squared (R²) metrics. The results indicate that the Lasso and ElasticNet models provide the best balance between accuracy and generalization to new data. Specifically, the Lasso model achieved an MSE of 728.77 and an R² of 0.95, while the ElasticNet model recorded an MSE of 604.34 and an R² of 0.95. This study emphasizes that employing regularization techniques and ensemble models can significantly enhance the accuracy and stability of predictions for the thermal properties of polymers, leading to substantial savings in both time and costs associated with experimental testing. این پژوهش به پیش‌بینی گرمای ویژه پلیمرها با استفاده از داده‌های تجربی و الگوریتم‌های یادگیری ماشین می‌پردازد. مجموعه‌ای از داده‌های آزمایشگاهی شامل ویژگی‌های فیزیکی و شیمیایی پلیمرها به‌عنوان ورودی برای مدل‌های مختلف نظیر رگرسیون خطی، ستیغی، لاسو، الاستیک نت، نزدیک‌ترین همسایگی، شبکه عصبی مصنوعی و درخت تصمیم به‌کار گرفته شد. عملکرد این مدل‌ها با معیارهای میانگین مربع خطا و ضریب رگرسیون ارزیابی گردید. نتایج نشان می‌دهد که مدل‌های لاسو و الاستیک نت بهترین تعادل را بین دقت و قابلیت تعمیم به داده‌های جدید ارائه می‌دهند. به‌طور خاص، مدل لاسو با میانگین مربع خطا معادل 728/77 و ضریب رگرسیون برابر 0/95 و مدل الاستیک نت با میانگین مربع خطا برابر 604/34 و ضریب رگرسیون برابر 0/95 ارزیابی شدند. این مطالعه تأکید می‌کند که استفاده از تکنیک‌های منظم‌سازی می‌تواند دقت و پایداری پیش‌بینی خواص گرمایی پلیمرها را به‌طور قابل توجهی افزایش دهد و در هزینه و زمان آزمایش‌های تجربی صرفه‌جویی نماید.

https://www.farayandno.ir/article_737069_e51eae996b419c2a740b7b742aa804ad.pdf