《Chemical Engineering Science》:Modeling ab initio emulsion polymerization using thermodynamic and artificial neural network approaches for the vinyl monomer partition
编辑推荐:
乳液聚合(Emulsion Polymerization, EP)的建模通常涉及动力学模型与热力学模型的耦合。研究人员采用复杂或简化的方法计算单体在水相、单体液滴及聚合物粒子中的分配情况,如简单分配模型(Simple Partition Model, SMP)
乳液聚合(Emulsion Polymerization, EP)的建模通常涉及动力学模型与热力学模型的耦合。研究人员采用复杂或简化的方法计算单体在水相、单体液滴及聚合物粒子中的分配情况,如简单分配模型(Simple Partition Model, SMP)、Morton-Vanzo方程(Morton-Vanzo Equations, MVE)及半经验表达式,这些方法通常需要较高的计算资源。基于此,研究人员开发了一种基于热力学原理的更简化的替代模型,该替代模型利用人工神经网络(Artificial Neural Network, ANN)这一人工智能(Artificial Intelligence, AI)工具,通过求解MVE进行训练,可便捷地嵌入现有或新型EP模型中,避免了额外耗时算法的实现及收敛性问题。该模型与EP模型耦合,分析了苯乙烯(Styrene, STY)和甲基丙烯酸甲酯(Methyl Methacrylate, MMA)在60 ℃下以过硫酸钾(Potassium Persulfate, KPS)为引发剂、十二烷主峰基硫酸钠(Sodium Dodecyl Sulfate, SDS)为表面活性剂的本体聚合(ab initio polymerization)数据。所提出的模型简化了单体分配计算的实施,并可与伪本体模型(Pseudo-Bulk Model, PBM)和0-1-2模型等群体平衡方程(Population Balance Equations)便捷耦合。基于AI的方法与热力学模型的输出结果匹配良好,且模拟时间相近。
乳液聚合作为一种重要的工业聚合方法,广泛应用于涂料、粘合剂和合成橡胶等领域。传统的乳液聚合体系包含引发剂、表面活性剂和乙烯基单体,在60–80 ℃的水介质中进行,形成包含单体液滴、聚合物粒子和水相的多相体系,聚合过程通常划分为三个典型的阶段:阶段I为粒子成核期,阶段II为粒子增长期,阶段III为单体消耗期。目前,全面的确定性建模方法需同时考虑单体、引发剂和增长自由基的质量速率方程,描述聚合物粒子尺寸分布(Particle Size Distribution, PSD)的群体平衡方程,单体、聚合物和表面活性剂在各相中分配的热力学方程,以及聚合物摩尔质量分布(Molar Mass Distributions, MMDs)方程。然而,现有热力学模型如MVE涉及非线性方程组的求解,计算成本高且存在收敛困难,而SMP等简化方法虽计算简便但精度有限。因此,开发一种既能保持热力学准确性又便于实施的替代模型具有重要的科学意义和应用价值。
研究人员开展了基于ANN的替代模型构建及其与EP模型耦合的研究工作。该研究以单体转化率和粒子直径为输入变量,通过求解MVE生成训练数据,构建了用于估算聚合物粒子中单体体积分数(φ
1p)的ANN模型。随后,将该替代模型与PBM及0-1-2模型耦合,系统研究了STY/KPS/SDS和MMA/KPS/SDS体系在60 ℃下的本体乳液聚合动力学行为,考察了单体转化率(X)、平均自由基数(
n?)、Sauter平均径(d
32)、粒子数(N
p)、聚合物粒子中单体体积分数(φ
1p)、水相中单体体积分数(φ
1w)、单体液滴总体积(V
d)及聚合物粒子总体积(V
p)等关键参数的动态变化。该研究的意义在于为复杂乳液聚合体系的热力学-动力学耦合建模提供了一种高效可行的替代方案,所构建的混合模型发表于《Chemical Engineering Science》。
研究所采用的主要关键技术方法包括:以MVE为基准生成训练数据集,通过网格搜索优化ANN架构(包括神经元数量和层数),采用三层前馈神经网络结构(第一层4个神经元、第二和第三层各16个神经元),激活函数选用双曲正切函数(tanh),损失函数采用均方误差(Mean Squared Error),优化器选用Adam算法;群体平衡方程的求解采用线方法(Method of Lines)进行空间离散化,利用CVODE子程序求解PBM相关的常微分方程组(Ordinary Differential Equations, ODEs),利用ARKODE子程序求解0-1-2模型对应的ODEs,相对和绝对容差设置为10
-6至10
-9;ANN模型在Python 3环境中基于Keras和TensorFlow库实现,并通过TensorFlow Lite C API导出至C语言环境;实验验证部分采用动态光散射(Dynamic Light Scattering, DLS)技术测定粒子尺寸,通过重量分析法测定单体转化率,实验样本来源于研究团队自建的本体乳液聚合实验。
ANN训练结果表明,对于STY体系,研究人员以单体转化率和平均粒子直径为输入,MVE计算得到的φ
1p为输出,按80%、10%、10%的比例划分为训练集、验证集和测试集。经过网格搜索优化,确定了ANN的最佳架构,训练过程通过监控方程(14)定义的百分标准偏差(%SD)控制,当%SD低于1%时停止训练。训练与验证损失随迭代次数增加而单调下降,有效避免了过拟合现象。ANN预测的φ
1p随粒子直径增大而升高,在小粒子、高转化率区域(阶段III)显著下降;对于大粒子,φ
1p在转化率超过25%后即开始下降,表明单体传质优势促使体系快速进入阶段III。ANN输出与MVE数值解相比,前者边界呈现曲线特征而非直线,%SD为1.0%,表明替代模型具有优异的预测精度。
STY体系的PBM模拟结果显示,三种单体分配模型(SMP、MVE和ANN)均能较好捕捉实验单体转化率(X
STY)的变化趋势,但均存在一定低估;平均自由基数n?约为0.5且保持恒定,符合0-1乳液聚合特征;d
32和N
p随时间增加而增大;MVE计算的φ
1p在阶段I和II呈上升趋势,而SMP预测的φ
1p为恒定值,但在阶段III三者重叠;φ
1w的预测方面SMP与MVE略有差异,但该差异未显著影响V
d和V
p的预测结果,替代模型与精确解一致。PSD演化的比较表明,SMP在15 min和30 min时与MVE存在轻微差异,但90 min时三者吻合良好。RMSE分析显示各模型误差相近,MVE略优。
STY体系的0-1-2模型模拟结果表明,该复杂模型能良好描述X
STY的变化,n?同样接近0.5;N
p、φ
1p、φ
1w、V
d和V
p的行为与PBM结果相似,验证了替代模型在不同复杂度动力学框架中的适用性。
MMA体系的0-1-2模型模拟结果显示,由于MMA在水中的溶解度比STY高约两个数量级,模拟前50 min内各模型曲线基本重叠,仅φ
1p和φ
1w存在差异,但该差异未显著影响聚合速率和粒子增长速率,表明替代模型对不同水溶性的乙烯基单体均具有较好的适应性。
CPU时间比较表明,基于PBM的模型运行时间约为1 min,而0-1-2模型的计算时间高约两个数量级;ANN替代模型相对于MVE在本次研究中未显示出显著的时间优势。
研究讨论与结论部分指出,研究人员构建了以ANN计算单体分配、以速率方程和群体平衡方程描述聚合动力学的新型混合模型,用于STY和MMA在60 ℃下的本体乳液聚合研究。ANN模型以MVE生成的数据训练,标准偏差为1%,该模型分别与PBM和0-1-2模型耦合。混合模型能够良好捕捉实验趋势,与精确解相比未观察到显著偏差。MVE计算的φ
1p和φ
1w与SMP相比虽存在轻微差异,但该差异不影响单体转化率和Sauter直径的计算结果。ANN模型的模拟时间与SMP和MVE相近,证明了基于AI的热力学替代模型在保持计算精度的同时,有效简化了复杂乳液聚合体系的建模流程,为工业过程的优化控制提供了新的技术途径。