摘要: 近年来，随着化工产业在全球市场上的竞争日益激烈，对于控制产品成本和提高质量的需求也越来越高。这种趋势促进了化工产业技术的不断优化和进步。结晶作为一种常见的化工技术，被广泛应用于产品的分离过程中。通过调控和优化结晶工艺，能够有效地改... 展开 近年来，随着化工产业在全球市场上的竞争日益激烈，对于控制产品成本和提高质量的需求也越来越高。这种趋势促进了化工产业技术的不断优化和进步。结晶作为一种常见的化工技术，被广泛应用于产品的分离过程中。通过调控和优化结晶工艺，能够有效地改善上游产品的质量，并实现产品纯度和收率的提高。在结晶工艺开发过程中，固-液相平衡数据，即溶解度数据是一项重要的热力学基础数据。建立具有足够广度和精度的数据库对于结晶方式的选择、溶剂的筛选，以及过程的调控和优化具有十分重要的意义。为了满足对溶解度数据库广度的需求，涌现出大量关于溶解度数据预测的研究。其中，机器学习预测法作为前沿的溶解度预测方法受到广泛关注。L-精氨酸及其衍生物作为一类重要的生物活性物质，其固-液相平衡溶解度的测定和分析对于工业生产和药物研发具有重要的研究价值。虽然L-精氨酸及其衍生物在生物活性物质和医药领域得到广泛研究，但目前国内外尚缺乏对其固-液相平衡溶解度的深入研究和报道。针对以上情况，本文测定了L-精氨酸及其三种衍生物（L-精氨酸-L-焦谷氨酸盐、L-精氨酸-α-酮戊二酸盐、Nα-苄氧羰基-L-精氨酸）的固-液相平衡溶解度，采用X-射线粉末衍射法（PXRD）和热重分析-差热扫描量热法（TGA-DSC）表征了平衡固相，分析了溶质在不同体系中的溶解行为与溶剂化效应，并使用经典预测方法和机器学习预测方法预测了溶解度数据并分析了其热力学参数，具体研究内容如下： （1）对改进的静态称重法在适用性和准确性方面进行了验证，并通过控制变量法对体系达到平衡所需时间进行了测定。实验结果表明，实验值与文献值的相对偏差（RD）及平均相对偏差（ARD）都在合理范围之内，表明该方法可以较为准确地测定溶解度数据。此外，对全部溶质随机选取溶剂体系，通过控制温度、搅拌速度和压力等变量，逐渐延长搅拌时间的方法，测定了全部溶质在体系中达到溶解平衡所需的时间，结果表明，1小时的搅拌足以在各体系建立稳定的溶解平衡。 （2）使用粉末X-射线衍射（PXRD）法和热重分析-差示扫描量热联用法（TGA-DSC）对L-精氨酸及其三种衍生物在不同溶剂体系中的平衡固相样品进行了表征。结果表明，L-精氨酸及其三种衍生物在部分所研究的溶剂体系中发生了晶体状态的改变。具体而言，L-精氨酸在甲醇体系；L-精氨酸-L-焦谷氨酸盐在水、异丙醇、丙酮、乙腈、乙酸乙酯、二氯甲烷以及正己烷溶剂体系和水+乙醇二元溶剂体系；Nα-苄氧羰基-L-精氨酸在甲醇、N,N-二甲基甲酰胺和正丁醇体系对应平衡固相的X-射线衍射图谱中均出现了与原料图谱明显不同的特征峰，这种现象说明在这些体系中的平衡固相发生了不同程度上的晶体状态的改变。其他所研究体系的平衡固相则未观察到晶型的改变。此外，TGA-DSC曲线表明，在测定溶解度的实验过程和干燥制备样品过程中，溶质都未经历热分解、熔融和熔融再结晶等固相状态的变化。 （3）采用改进的静态称重法详细测定了L-精氨酸、L-精氨酸-L-焦谷氨酸盐、L-精氨酸-α-酮戊二酸盐及Nα-苄氧羰基-L-精氨酸在纯溶剂和二元溶剂体系中的溶解度。结果表明，对于纯溶剂体系，L-精氨酸及其三种衍生物的溶解度均随体系温度的上升而增大，且随体系的不同表现出不同的温度敏感程度。通过对这种溶解行为进行分析，可以筛选出溶解度随温度变化较大的体系作为冷却结晶工艺的合适溶剂。此外，对于二元溶剂体系，溶解度均随体系中正溶剂组成的占比提升和温度的升高而增大，且变化趋势各不相同。 （4）从溶剂物性和Hansen溶解度参数两个角度，对L-精氨酸及其三种衍生物在不同体系中的溶解行为和溶剂化效应进行了分析和预测。从溶剂物性的角度分析可知，在全部体系中，溶剂极性对于溶质的溶解行为均起到主导的作用，但溶解行为并不完全与溶剂的极性大小顺序相符，除极性相互作用外，氢键相互作用、溶剂的内聚能密度以及分子结构也在不同程度上影响了体系的溶解行为。一方面，溶质分子与溶剂分子间的氢键相互作用在一定程度上促进了溶剂化的进行；另一方面，溶剂分子本身的内聚能密度则对溶质的溶剂化产生了抑制的作用，从而导致一些具有强极性的溶剂体系中出现了溶解度较低的现象。此外，计算了溶质和溶剂的Hansen溶解度参数，并进行了对比分析。结果表明，Hansen溶解度参数能够在部分溶剂体系中对溶解行为进行预测和分析，通过对比溶质的色散参数、氢键参数和极性参数可以在一定程度上加深对溶剂化过程主导因素的理解。然而，仅使用单一的参数对比并不能完全解释体系的溶剂化效应和预测溶解行为，还需结合多方面的影响因素综合分析。 （5）对实验测得的溶解度数据分别使用经典热力学方法和机器学习与热力学耦合方法进行关联预测。分析表明，对于经典热力学方法，除Apelblat-Machatha模型外，其他五个热力学模型均能较好地关联预测溶解度。综合分析评价表明，修正的Apelblat模型和Yaws模型在纯溶剂体系中的拟合效果相当；对于温度固定情况下的二元混合溶剂体系，二维Jouyban-Acree模型表现优于二维Machatha模型；在三维模型方面，Apelblat-Jouyban-Acree模型的表现优于Apelblat-Machatha模型。同时，机器学习与热力学耦合预测模型也取得了良好的效果。对预测得到的溶剂化热力学参数进行了分析，结果表明，在全部纯溶剂体系中，溶质的溶剂化过程都是吸热、熵减、自发的。对于二元溶剂体系，溶解过程则多为焓驱动、吸热、非自发的。使用机器学习预测模型对L-精氨酸及其三种衍生物在温度为298K时的250余种溶剂中进行了无参比预测，并对预测结果与溶剂的经验极性参数ET(30)进行了关联分析。结果表明，预测的溶解度的对数值与溶剂的极性存在一定的关系。此外，还预测了L-精氨酸及其三种衍生物在298K下的升华焓ΔHsub,298K、气相热容Cpg298K、固相热容Cps298K。 收起