实验数据、分子动力学与机器学习协同揭示γ-丁内酯-乙酸异丙酯二元体系的物理化学机制

本研究针对二元溶剂体系在制药、涂料等工业应用中分子相互作用机制不明确的问题，通过整合实验测量（密度、等熵压缩率κs ）、分子动力学(MD)模拟和机器学习(ML)算法（H2O AutoML/R2 =0.986），首次系统解析了γ-丁内酯(GBL)与乙酸异丙酯(IPA)混合体系的非理想行为。研究发现负超额摩尔体积证实了氢键与偶极作用主导的分子收缩，为绿色溶剂设计提供了多尺度研究范式。

　　

在追求可持续化学工业的背景下，二元溶剂体系因其可调控的反应效率和环境友好特性成为研究热点。然而，像γ-丁内酯(GBL)和乙酸异丙酯(IPA)这类具有工业价值的绿色溶剂组合，其分子层面的相互作用机制长期缺乏系统研究。这两种溶剂分别作为生物降解性优良的环状酯和快干型醋酸酯，在制药和涂料领域应用广泛，但混合后可能产生的氢键网络和体积收缩效应会显著影响工业配方性能。传统单一研究方法难以全面揭示此类复杂体系的物理化学本质，亟需创新性的多学科交叉研究策略。

来自国内研究机构的团队在《Journal of Molecular Liquids》发表的研究中，创新性地采用三管齐下的研究策略：通过振动管密度计和数字折光仪测定298.15-318.15K温度区间的密度、声速和折射率；采用AMBER力场进行分子动力学(MD)模拟追踪原子运动轨迹；运用Random Forest、XGBoost等机器学习(ML)算法预测物性参数。研究特别关注了超额性质计算和径向分布函数(RDF)分析，并首次建立该二元体系的机器学习预测模型。

材料与方法
研究选用高纯度GBL(99%)和IPA(99.8%)，通过卡尔费休滴定控制水分。实验测量涵盖全浓度范围，结合Redlich-Kister方程拟合超额体积V^E
。MD模拟采用GAFF力场，在NAMD软件中运行100ns轨迹。机器学习特征工程包含温度、摩尔分数等7个变量，通过SHAP值评估特征重要性。

实验结果
密度测量显示混合物在298.15K时出现-1.25 cm³
·mol^-1
的负V^E
值，表明强分子间作用导致体积收缩。κ_s
的非线性变化验证了GBL羰基氧与IPA甲基间的偶极-诱导偶极作用。MD模拟的RDF图谱在0.25nm处出现特征峰，对应GBL的环状结构氧与IPA羰基的氢键作用距离。H2O AutoML在密度预测中表现最优，其决策路径分析揭示温度对预测结果的贡献度达43%。

结论与意义
该研究通过多尺度方法首次阐明GBL-IPA体系的相互作用机制：实验证实负V^E
源于GBL环状结构的空间位阻效应与异丙基的疏水相互作用；MD模拟可视化显示氢键寿命在308.15K时达到峰值(18.7ps)；ML模型成功将预测误差控制在±0.6%。这些发现不仅为溶剂配方设计提供了量化依据，更建立了实验-MD-ML协同研究的新范式，对推进绿色化工过程的智能化开发具有里程碑意义。研究提出的方法学框架可扩展至其他二元体系，特别在制药领域溶剂筛选和涂层干燥工艺优化方面展现出直接应用价值。