Materials Informatics III
Polymers, Solvents and Energetic Materials
Sorozatcím: Challenges and Advances in Computational Chemistry and Physics; 41;
-
8% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 213.99
-
90 774 Ft (86 451 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 8% (cc. 7 262 Ft off)
- Discounted price 83 512 Ft (79 535 Ft + 5% áfa)
90 774 Ft
Beszerezhetőség
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Springer
- Megjelenés dátuma 2025. március 2.
- Kötetek száma 1 pieces, Book
- ISBN 9783031787232
- Kötéstípus Keménykötés
- Terjedelem371 oldal
- Méret 235x155 mm
- Nyelv angol
- Illusztrációk 66 Illustrations, black & white; 42 Illustrations, color 0
Kategóriák
Rövid leírás:
This contributed volume focuses on the application of machine learning and cheminformatics in predictive modeling for organic materials, polymers, solvents, and energetic materials. It provides an in-depth look at how machine learning is utilized to predict key properties of polymers, deep eutectic solvents, and ionic liquids, as well as to improve safety and performance in the study of energetic and reactive materials. With chapters covering polymer informatics, quantitative structure-property relationship (QSPR) modeling, and computational approaches, the book serves as a comprehensive resource for researchers applying predictive modeling techniques to advance materials science and improve material safety and performance.
TöbbHosszú leírás:
This contributed volume focuses on the application of machine learning and cheminformatics in predictive modeling for organic materials, polymers, solvents, and energetic materials. It provides an in-depth look at how machine learning is utilized to predict key properties of polymers, deep eutectic solvents, and ionic liquids, as well as to improve safety and performance in the study of energetic and reactive materials. With chapters covering polymer informatics, quantitative structure–property relationship (QSPR) modeling, and computational approaches, the book serves as a comprehensive resource for researchers applying predictive modeling techniques to advance materials science and improve material safety and performance.
TöbbTartalomjegyzék:
Part 1. Introduction.- Introduction to Machine Learning for Predictive Modeling II.- Introduction to predicting properties of organic materials.- Part 2. Cheminformatic and Machine Learning Models for Polymers.- Machine Learning Applications in Polymer Informatics ? An Overview.- Applications of predictive modeling for selected properties of polymers.- Polymer Property Prediction using Machine Learning.- Applications of predictive modeling for polymers.- Part 3. Cheminformatic and Machine Learning Models for Solvents.- Applications of predictive QSPR modeling for deep eutectic solvents.- Applications of predictive modeling for various properties of ionic liquids.- Part 4. Cheminformatic and Machine Learning Models for Energetic Materials.- Improving Safety with Molecular-Scale Computational Approaches for Energetic and Reactive Materials.- Predictive modeling for energetic materials.- Modeling the performance of energetic materials.- Applications of predictive modeling for energetic materials.
Több
