Abstract: In view of the new European Union chemical policy REACH (Registration, Evaluation, and Authorization of Chemicals), interest in ``non-animal'' methods for assessing the risk potentials of chemicals towards human health and environment has increased. The incapability of classical modelling approaches in the complex and ill-defined modelling problems of chemicals' environmental behavior, together with an availability of large computing power in modern times raise an interest in applying computational models inspired by the approaches coming from the area of artificial intelligence. This thesis is devoted to promote the applications of neuro/fuzzy techniques in assessing the environmental behavior of chemicals. Some of the bottlenecks lying in the neuro/fuzzy modelling of chemicals' behavior towards environment have been identified and the solutions have been provided based on the techniques of computational intelligence. The performance of modelling techniques is influenced by a number of factors regarding the choices of model inputs, model structure, model development criterion, and so on. These choices in many cases may not be suitable resulting into the development of a model with a low generalization capability (i.e. it doesn't cover the whole range of considered chemicals to be assessed). We introduce a methodology to improve the generalization capability of a given modelling technique. This is done via incorporating an “intelligence'' in the modelling technique. The effectiveness of the proposed methodology is demonstrated by studying the toxicity and bioconcentration factor modelling problems. As an application of the work to the field of Green Chemistry, a computer model was developed for predicting the toxicity of ionic liquids to Vibrio fischeri..
Zusammenfassung : Diese Dissertation beinhaltet die Anwendung von neuronalen bzw. fuzzy Netzen, um das Umweltverhalten von Chemikalien beurteilen zu können. In dieser Arbeit werden die Probleme der Modellierung von Chemikalien gegenüber der Umwelt aufgezeigt und Lösungen angeboten. Die Lösungen basieren auf künstlichen Intelligenztechniken. Die Qualität der Modellierungstechniken hängt von mehreren Faktoren ab, z.B. der Eingabe, der Struktur und so weiter. In vielen Fällen werden keine geeigneten Resultate erhalten. So läuft es auf die Entwicklung eines Modells mit einer niedrigen Generalisierungsfähigkeit (Verallgemeinerungsfähigkeit)hinaus. Es wurde deshalb eine Methodologie eingeführt, um die Generalisierungsfähigkeit zu einer gegebenen modellierenden Technik zu verbessern. Das wird über das Einführen einer "Intelligenz" in die modellierende Technik geschaffen. Der Erfolg der vorgeschlagenen Methode wird demonstriert durch die die quantitative Struktur-Aktivität-Beziehungsmodellierung (QSAR). (um eine Toxizitätsvorhersage organischer Verbindungen, der Biokonzentrationsfaktor Modellierung und die Toxizitätsstudie ionischer Flüssigkeiten.)