体相与界面热力学在受限共沸混合物选择性吸附中的角色

《The Journal of Physical Chemistry B》:Roles of Bulk and Surface Thermodynamics in the Selective Adsorption of a Confined Azeotropic Mixture

【字体: 大 中 小 】 时间:2026年04月14日 来源:The Journal of Physical Chemistry B 2.9

编辑推荐:

  为了解决共沸混合物难以通过体相蒸馏纯化的问题,研究人员在《The Journal of Physical Chemistry B》上报道了一项关于受限共沸混合物行为的研究。他们利用机器学习增强的经典密度泛函理论(cDFT)结合局部分子场理论(LMFT),提出了“神经LMFT”方法。该方法成功描述了具有非对称相互作用的二元Lennard-Jones混合物,并系统研究了其在多种热力学条件下的吸附选择性。研究发现,在壁-流体作用相同的情况下,当体相组成达到共沸点时,孔道会完全失去选择性。这一无选择性点在远离液-汽共存的条件下(包括超临界状态)依然存在,揭示了体相与界面热力学在调控受限流体选择性中的深刻关联。这项研究为理解受限流体混合物行为提供了新见解,并展示了一种“训练一次,多次应用”的高效策略,在化学分离和工业过程中具有应用前景。

  
在化工分离、气体存储和医疗健康等众多应用领域,对受限流体混合物行为的深刻理解至关重要。特别是那些在体相中形成共沸物的混合物,如乙醇-水体系,由于在特定组成下蒸汽与液体的组成相同,无法通过常规蒸馏进行有效分离。这促使科学家们探索将共沸混合物置于纳米尺度空间内——例如多孔材料中——是否能为分离提供新途径。传统上,分子模拟是研究此类问题的首选方法,但其计算成本高昂。经典密度泛函理论(cDFT)虽然从理论上提供了一种更高效的替代方案,但其精度严重依赖于对复杂过量自由能泛函的近似,这限制了其广泛应用。近年来,机器学习技术的兴起为构建高精度、高效率的cDFT泛函开辟了新道路。在此背景下,研究者们将目光投向了如何结合机器学习与物理理论,以深入探究一个基本但富有挑战性的问题:在受限空间中,体相共沸现象如何影响流体的吸附行为?体相和表面的热力学性质各自扮演了怎样的角色?
为了回答上述问题,研究团队在《The Journal of Physical Chemistry B》上发表了题为“Roles of Bulk and Surface Thermodynamics in the Selective Adsorption of a Confined Azeotropic Mixture”的研究论文。他们开发并应用了一种称为“神经局部分子场理论”(neural LMFT)的机器学习增强型密度泛函理论框架。该方法的核心在于“训练一次,多次应用”的策略:首先,在一个单组分、纯排斥的参考系统(WCA流体)上训练一个神经网络,以高精度地学习其直接相关泛函cR(1)。然后,通过一个受局部分子场理论(LMFT)启发的平均场处理,将吸引力相互作用纳入考虑,从而能够处理复杂的二元混合物。为了确保体相热力学的精确描述,该方法巧妙地利用了已知的精确状态方程(PeTS EoS)来提供必要的化学势信息。研究的模型系统是一个具有非对称相互作用的二元Lennard-Jones混合物,其体相在特定温度和压力下会形成正共沸点。利用神经LMFT的高计算效率,研究者系统地评估了该混合物在具有相同壁-流体相互作用的狭缝孔中,跨越广泛组成、压力、温度和壁-流体亲和力范围的吸附选择性。
主要关键技术方法
研究者采用的关键技术包括:1) 机器学习增强的经典密度泛函理论,具体为神经LMFT框架,它将神经网络学习与基于LMFT的平均场近似相结合。2) 大正则蒙特卡洛模拟,用于生成训练神经网络的参考数据,并验证理论预测。3) 已知的精确体相状态方程,用于确保理论能准确描述混合物的体相热力学性质。4) 对WCA参考流体进行训练得到的神经泛函,实现了“训练一次,多次应用”,可高效研究不同吸引力的混合物。
2.1. 神经LMFT
本研究引入并应用了神经LMFT方法。核心是将系统的相互作用分解为一个短程排斥参考部分(WCA势)和一个长程吸引部分。为排斥参考系统训练一个神经网络来学习其一阶直接相关泛函cR(1)。对于目标Lennard-Jones混合物,其过量自由能泛函在LMFT框架下被表达为参考系统泛函、体相化学势修正项以及一个平均场吸引项的加和。通过此方式,利用已知精确状态方程(PeTS EoS)提供的体相化学势信息,确保了理论能准确描述混合物的体相热力学,而神经网络的引入则精确捕捉了由排斥作用主导的关联效应。最终,系统的平衡密度剖面通过求解欧拉-拉格朗日方程获得。
2.2. 训练数据的生成
为训练神经泛函,研究者在三种不同温度下,对WCA流体进行了900次大正则蒙特卡洛模拟。模拟中使用了随机的化学势和形式复杂的外部势(包括正弦波和线性段组合,部分包含硬墙),以生成丰富的非均匀密度剖面数据。从这些模拟的平衡密度,通过公式反算出相应的cR(1),从而构建了训练数据集。
2.3. 训练神经泛函
训练过程遵循了先前工作的标准流程。神经网络以局部密度窗口和温度为输入,预测该位置的一阶直接相关函数值。模型包含两个隐藏层,使用Adam优化器和均方误差损失函数进行训练,在约一小时内完成。
2.4. 使用神经泛函
训练完成后,神经泛函与LMFT结合,得到目标混合物的c(1)。给定体相状态点,从PeTS EoS获得化学势,通过自洽迭代求解欧拉-拉格朗日方程得到平衡密度剖面。系统的巨势可通过泛函的线积分计算。整个计算过程高效,使得大规模系统扫描成为可能。
3.1. 神经LMFT成功描述了非对称二元LJ混合物
研究首先验证了神经LMFT的准确性。将理论预测的二元LJ混合物在狭缝孔中的密度剖面与GCMC模拟结果进行对比,发现在不同的壁-流体相互作用强度下(分别对应于孔内汽态和液态),理论预测与模拟数据吻合良好。这表明神经LMFT方法能够准确描述该非对称混合物的结构和相行为,其性能优于标准的平均场cDFT近似。
3.2. 对孔选择性的高效评估揭示了共沸组成在受限条件下的重要性
利用神经LMFT的高效性,研究者系统计算了在不同壁-流体作用强度和体相组成下的孔选择性Sα。结果显示,当体相组成xB较低时,孔优先吸附相互作用较弱的B组分;而当xB较高时,优先吸附相互作用较强的A组分。最引人注目的是,选择性的交叉点(即SA= SB= 1,孔完全无选择性)恰好出现在体相的共沸组成xB(az)≈ 0.67附近,且这一交叉点对壁-流体相互作用强度不敏感。
3.3. 体相热力学与共沸的鲁棒性特征
为了理解上述现象,研究者深入分析了混合物的体相热力学性质。他们发现,在共沸组成下,两个组分的偏摩尔体积相等,且等温压缩率出现极值。进一步的分析表明,在远离液-汽共存的超临界区域,共沸组成依然对应着这些热力学量的特殊点。这解释了为何即使远离开共存线,吸附选择性的交叉点依然稳定在共沸组成附近,表明体相热力学性质对界面行为有着深刻而持续的影响。
3.4. 孔选择性的热力学描述
研究者发展了一个描述孔选择性的热力学框架。他们证明,无选择性点对应于相对吸附为零,此时界面过剩自由能对体相组成的导数也为零。他们将此组成称为“无吸附共沸点”(aneotrope)。分析表明,在壁-流体作用对称的情况下,无吸附共沸点与体相共沸点重合。即使对于窄至几个分子直径的狭缝,其两个界面也表现为独立行为,因此上述结论在很小的孔中依然成立。
结论与讨论
本研究表明,体相共沸现象对受限流体的吸附行为有着超越相图本身的深远影响。通过结合机器学习与物理理论,研究者提出的神经LMFT方法成功实现了“训练一次,多次应用”,高效而准确地描述了二元LJ共沸混合物在受限条件下的行为。核心发现是,当孔壁与流体各组分的相互作用相同时,孔的选择性会在体相的共沸组成下完全消失,形成一个“无吸附共沸点”。这一现象源于共沸组成下体相热力学量的特殊行为(如相等的偏摩尔体积和压缩率极值),并导致界面过剩自由能取极值。令人惊讶的是,这一无选择性行为在远离液-汽共存区的超临界状态下依然存在,凸显了体相热力学在调控界面过程中的基础性作用。该工作不仅为理解复杂流体混合物的受限行为提供了新的理论视角和高效计算工具,其揭示的物理机制也对基于吸附的分离过程设计和多孔材料应用具有重要指导意义。未来,这一框架有望扩展到更复杂的系统,如具有长程静电作用或更复杂分子形状的流体混合物。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号