使用DPD建模和人工神经网络,在油极溶剂接口上对表面活性剂单层曲倾向的定量研究

科学领域:

• 合体和表面科学科学
• 计算化学计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 表面活性剂单层曲倾向是乳液类型和稳定性的关键.
• 缺乏对影响曲的因素,如相互作用和结构的定量理解.

研究的目的:

• 开发和验证一个人工神经网络 (ANN) 模型,用于预测表面活性剂单层曲倾向.
• 量化研究相互作用参数和表面活性剂结构对曲倾向的影响.

主要方法:

• 开发了一个ANN模型,使用来自散射粒子动力学 (DPD) 模拟的扭矩密度.
• 与DPD模拟数据对ANN模型进行了验证.
• 将模型扩展到表面活性剂-油-极性溶剂 (SOP) 系统.

主要成果:

• 该ANN模型成功地推导出了关系,并对相互作用参数,油量和表面活性剂结构 (大小,尾部分支) 的重要性进行了排名.
• 较弱的极性溶剂相互作用促进向油相曲,有利于油入极性溶剂乳液.
• 增加头-头 (HH) 或头-油 (HO) 之间的排斥增强了极溶性,而增加极溶剂-头 (PH),尾-尾 (TT) 或油-油 (OO) 排斥增强了脂性.
• 该模型证实,较大的油体大小增加了向油阶段的曲趋势.
• 尾部分支效应在脂性条件下得到放大,而在极性-溶性表面活性剂中则可以忽略不计.

结论:

• 开发的ANN模型为分析表面活性剂单层曲趋势提供了快速有效的工具.
• 该研究阐明了分子相互作用,结构和宏观性质 (如乳液形成) 之间的复杂相互作用.
• 对SOP系统中表面活性剂行为的洞察力为设计具有所需性质的乳液提供了指导.