15337

مروري بر پيشرفت‌هاي اخير در غربالگري حلال‌هاي سبز با روش‌هاي تلفيقي QSPR /COSMO-RS

1403

دكترمحمدامين ثباتي

در سال‌هاي اخير، حلال‌هاي سبز به‌عنوان جايگزيني ايمن، پايدار و سازگار با محيط‌زيست براي حلال‌هاي آلي متداول توسعه يافته‌اند. اين حلال‌ها با كاهش انتشار تركيبات آلي فرار، خطرات زيست‌محيطي و آسيب‌هاي انساني را به طور قابل‌توجهي كاهش مي‌دهند. در ميان اين دسته، مايعات يوني و حلال‌هاي يوتكتيك عميق به دليل ويژگي‌هايي مانند فشار بخار بسيار پايين، پايداري حرارتي بالا، امكان طراحي ساختاري، غير قابل‌اشتعال بودن و سازگاري بالا با محيط‌زيست موردتوجه ويژه قرار گرفته‌اند. باوجود اين مزايا، به دليل تنوع ساختاري بسيار گسترده در تركيبات ممكن از مايعات يوني و حلال‌هاي يوتكتيك عميق، ارزيابي تجربي تمام خواص فيزيكي، ترموديناميكي و زيست‌محيطي آن‌ها براي كاربردهاي صنعتي عملاً غيرممكن است. در چنين شرايطي، استفاده از روش‌هاي محاسباتي پيش‌بيني‌كننده مانند ارتباط كمي ساختار - خاصيت (QSPR) و مدل غربالگري شبه رسانا براي حلال‌هاي واقعي (COSMO-RS)، به‌عنوان ابزارهايي قدرتمند براي شناسايي و طراحي حلال‌هاي سبز مطرح شده‌اند. مدل ارتباط كمي ساختار - خاصيت با تحليل رابطه بين توصيفگرهاي ساختاري و خواص مولكولي، امكان پيش‌بيني سريع ويژگي‌هاي تركيبات را فراهم مي‌كند. از سوي ديگر، مدل غربالگري شبه رسانا براي حلال‌هاي واقعي با بهره‌گيري از محاسبات كوانتومي و ترموديناميك آماري، رفتار دقيق مولكول‌ها را در فاز مايع شبيه‌سازي مي‌كند. تركيب اين دو رويكرد كه به‌عنوان QSPR/COSMO-RS شناخته مي‌شود، توازني ميان دقت پيش‌بيني و سرعت غربالگري ايجاد مي‌كند و از كارآمدترين راهكارها براي طراحي هوشمند حلال‌هاي سبز محسوب مي‌شود. در اين تحقيق، مطالعات منتشر شده در سال‌هاي اخير موردبررسي و تحليل جامع قرار گرفته‌اند. نتايج اين بررسي‌ها نشان مي‌دهد كه استفاده از رويكردهاي تركيبي باعث بهبود چشمگير دقت پيش‌بيني خواصي همچون ضريب فعاليت در رقت بي‌نهايت، ويسكوزيته، چگالي، هدايت الكتريكي، حلاليت كربن‌دي‌اكسيد، كشش سطحي و اسيديته شده است. همچنين، مطالعات نشان مي‌دهند كه به‌كارگيري مدل‌هاي تركيبي مبتني بر يادگيري ماشين، ضمن كاهش خطاي مدل‌هاي سنتي، امكان طراحي حلال‌هاي سبز جديد را بر اساس خواص هدفمند مانند جذب گاز كربن‌دي‌اكسيد، بهينه‌سازي رسانايي يا تنظيم اسيديته فراهم مي‌سازد. در نهايت، اين پژوهش نشان مي‌دهد كه تلفيق ميان QSPR، COSMO-RS و يادگيري ماشين، چارچوبي جامع و دقيق براي طراحي حلال‌هاي سبز ايجاد مي‌كند كه در كنار كاهش هزينه‌هاي آزمايشگاهي، موجب سرعت‌بخشيدن به توسعه فناوري‌هاي مرتبط با شيمي پايدار، انرژي پاك و فرايندهاي دوستدار محيط‌زيست مي‌شود.

11/10/2025 12:00:00 AM

88321

1404/08/20