在化学、材料工程、制药学以及配方科学领域，溶解度预测始终是一个重要研究目标。不过，不同溶质本身的性质存在显著差异。一类典型的溶质是化学结构明确的分子化合物，如药品、农用化学品、香料、色素以及其他精细化工产品。对于这类化合物，通常可以通过其分子结构，借助为已知分子开发的成熟热力学模型来进行溶剂选择[1]、[2]?。然而，当面对化学结构不明确的溶质时，这种基于结构的分析方法就变得复杂起来。此处所说的“结构不明确”，指的是天然或合成材料，包括含有大量不同分子的复杂混合物、配方体系、生物基质以及交联材料——这些材料都无法用单一明确的分子结构来准确描述其实际特性。这类情况在现实应用中十分常见[3]，比如木质素[4]、沥青组分[5]、植物提取物以及类腐殖质物质。许多工业材料也属于这一类别，例如石油馏分、涂料树脂以及各类配方产品。
在结构不明确的材料中，聚合物、树脂和塑料[6]无疑是其中最重要且最难处理的类别。即便已知其重复单元，商业聚合物也并非单一分子，而是一群具有分子量分布的链状结构，同时还可能存在成分变化、结晶度差异、形态不同、残留低聚物以及添加剂等多种复杂因素。因此，聚合物的“溶解度”很难用单一的平衡态描述参数来体现，因为实际实验结果往往同时受到热力学相容性、动力学效应、形态特征以及加工过程的影响[7]。根据具体材料及实验方法的不同，观察到的现象可能包括完全溶解、缓慢溶解、膨胀、浑浊、凝胶形成，或是仅存在部分相容性[8]??、[9]?。
由于溶剂选择正面临越来越大的压力，这一问题显得尤为紧迫和关键。各类法规与可持续发展目标正在逐步限制许多传统的高性能溶剂的使用，尤其是含氯溶剂、芳香烃，以及NMP和DMF等几种极性非质子溶剂，原因在于它们具有毒性、挥发性、易燃性、异味，或是会对环境造成其他危害。与此同时，可供选择的替代溶剂种类正在迅速增加，包括新型生物基溶剂、离子液体、深共晶溶剂以及多种新的溶剂混合物[10]?、[11]。这就迫切需要高效的筛选工具。
对于结构不明确的复杂材料，溶质与溶剂之间相互作用的特征描述与预测，可以纳入“逆向方法”的更广泛框架中——在这种方法中，利用实验得到的溶剂响应数据来推断有效的描述参数，进而用于预测目的。汉森溶解度参数可以说是聚合物与配方科学领域中最常用的逆向描述参数构建方法，它通过将溶剂筛选数据转化为拟合后的相容性球体，从而用来预测未经测试的溶剂的行为[12]?、[13]。
此外，还出现了其他逆向或半逆向方法。亚伯拉罕型线性溶剂化能量关系可以从分配系数、溶解度或色谱测量数据中推断出多个互补的溶质描述参数[14]、[15]，而MOSCED则通过分别定义分散作用、极性以及氢键酸性和碱性等参数，进一步拓展了凝聚能密度的概念[16]、[17]。从逆向方法的角度来看，这些方法能够构建出比汉森溶解度参数更为丰富、更具特定相互作用特征的描述参数。不过，更高的描述能力也意味着更高的实验和计算成本，因此它们并不适合用于涉及结构复杂、定义不清的材料的常规溶剂选择与配方设计工作。
与之不同的是，COSMO-RS（真实溶剂的类导体筛选模型）采用了不同的思路。在其标准形式中，这是一种直接从结构到性质的预测方法：一旦知道了溶质的分子结构，就可以将量子化学层面的表面信息转化为关于溶剂亲和力的热力学预测值[18]。这使得COSMO-RS相比纯粹的经验性描述参数更具物理依据，预测能力也更强，尤其是在需要考虑特定相互作用或非理想溶剂效应的情况下。然而，对于那些无法确定唯一分子结构的结构不明聚合物和复杂溶质而言，这一优势反而成了局限。
正因如此，本文的论述并未沿用COSMO-RS的传统应用方式，而是聚焦于COSMO-RS反拟合这一较少被研究的策略，它将COSMO-RS纳入逆向溶解度方法的研究范畴。在这种方法中，无需事先明确知道溶质的精确分子结构，而是通过实验测定该材料对选定系列溶剂的响应，再利用这些数据来构建该溶质的有效COSMO-RS描述参数。换言之，这种方法并非遵循通常的从结构到性质的预测路径，而是通过反向工程，从溶剂筛选数据出发来推导参数。这使得COSMO-RS反拟合特别适用于实际的聚合物样品：它既保留了汉森溶解度参数的实验逻辑，又用嵌入热力学框架中的有效σ曲线取代了原有的汉森球体[19]。
因此，本文旨在以相同的实验基础，比较汉森溶解度参数与COSMO-RS反拟合这两种逆向方法在预测复杂聚合物材料溶解性方面的表现。之所以选择三醋酸纤维素作为案例研究，是因为它的溶剂溶解范围较窄、具有半结晶性，且乙酰化程度接近完全但并非100%，这使得其对微小的预测误差极为敏感。通过这一具有较高要求的测试对象，两种方法将使用完全相同的输入数据同时进行训练，这些数据包括用大约40种溶剂对聚合物进行的实验检测，以及针对所观察到的响应结果进行的简单定性分级。随后，这些数据会被以两种不同的方式加以利用：一种用于构建汉森球体，另一种则用于重构反拟合后的COSMO-RS σ曲线。最后，将这两种模型在识别初始筛选范围之外的合适纯溶剂及溶剂混合物的预测性能方面进行对比，并通过专门的实验验证来检验它们的预测结果。因此，本文不仅是对两种工具的简单比较，更是探讨了在目标材料兼具技术重要性与化学复杂性时，两种不同的溶剂选择方法论。
