عنوان پایان‌نامه
کاربرد ماد فعال سطحی جدید برای تغییر ترشوندگی برای طراحی براساس کیفیت TQSAR
- رشته تحصیلی
- مهندسی شیمی - طراحی فرآیندها
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 44167
- تاریخ دفاع
- ۰۲ اسفند ۱۳۸۸
- دانشجو
- مجتبی فلاح فینی
- استاد راهنما
- علیرضا بهرامیان
- چکیده
- چکیده: پدیده¬های سطحی در صنایع گوناگون دارای کاربردهای بسیار گوناگون هستند و تحلیل دقیق آنها می-تواند در فهم بهتر آنها کمک کند. نمی¬توان در مورد پدید¬ه¬های سطحی صحبت کرد و مواد فعال سطحی را از قلم انداخت. از لحظه شروع استفاده از این مواد در صنایع گوناگون، تحقیقات صورت گرفته بر روی آنها به علت نیاز صنعت سرعت گرفت و این مسئله که ساختار شیمیایی آنها می¬تواند بر خواصی که از آنها مشاهده می¬شود، تاثیر گذار باشد، مورد تصدیق قرار گرفت. شاید بتوان گفت بهترین راه برای بررسی اثر ساختار شیمیایی مواد فعال سطحی بر روی خواص آنها همچون غلظت مایسل بحرانی یا تنش میان¬رویه که به گونه¬ای ترشوندگی را تحت تاثیر قرار می¬دهد، استفاده از مفهومی به عنوان روابط کمی ساختار/ویژگی یا QSPR می¬باشد. به طور کلی در این روش ابتدا ساختار شیمیای چندین ملکول مختلف با استفاده از روشهای کوانتومی همچون DFT بهینه شده و مقدار زیادی به حالت طبیعی نزدیک می¬شود. سپس تعدادی مشخصه¬ ساختاری تحت عنوان توصیف¬کننده از هر ملکول استخراج می¬گردد. پس از این کار با انجام تحلیلهای آماری سعی می¬شود تا رابطه¬ای ریاضی بین خاصیت مد نظر (که در تحقیق روبرو تنش میان¬رویه می¬باشد) و توصیف¬کننده¬های بدست آمده برقرار گردد. در نهایت نیز به توجیه فیزیکی مسئله پرداخته می¬شود و توصیف¬کننده¬ها مفهوم فیزیکی مناسبی پیدا می¬کنند. در این تحقیق، عوامل ساختاری مختلفی بر تنش¬میان¬رویه تاثیر گذار بوده است که تا حدودی در تطابق با تحقیقات پیشین است. عامل اول که باعث کاهش موثر تنش میان¬رویه است، حجم بخش آب¬گریز می¬باشد. این اثر تا حدودی می¬تواند تاثیرگذارترین عامل بر کاهش تنش میان¬رویه باشد. عامل دیگر توده¬ای بودن یا شاخه¬دار بودن بخش آبدوست است که در مواردی که ماده فعال سطحی دارای قابلیت پایینی در بخش آب-گریز خود است، بسیار نقش بسزایی در کاهش تنش میان¬رویه دارد. البته عامل آخر نیز همچون حجم بخش آب¬گریز نباید تعادل بین بخش آبدوست و آب¬گریز را به هم بزند و در این صورت اثر معکوس داشته، منجر به افزایش تنش میان¬رویه می¬گردد.
- Abstract
- Abstract: When two immiscible fluids meet each other, the demarcation that divides them is called Interface and due to different forces exerted from each bulk fluids on this interface, some sort of interface activity is created named Interfacial Tension (IFT). IFT is a decisive parameter in petroleum science and its reduction can improve oil recovery. Surfactants as good candidates to dwindle this characteristic have been developed and produced in enormous amount since their industrial usage expansion. From the very time of their industrial application, impact of their structure on the aforementioned attribute, namely IFT, has been revealed, but not fully investigated since QSPR came into scene. In recent years, various researches have been done on surfactant’s features such as CMC, Surface Tension, Surface pressure, HLB and etc. Dearth of QSPR works on influence of surfactants’ structure on IFT in order to show their effectiveness in suppressing IFT, made us to perform a QSPR procedure, on this drastic parameter. Due to lack of consistent data, we decided to create a new database by using Decane as the model oil and different aqueous solutions of some purchased materials as bulk phases. All of the experiments were done at ambient pressure and temperature. In order to measure IFT, a pendent drop apparatus was used, and a drop of normal decane was raised through the solution of surfactants. At first to find critical micelle concentrations of our materials, a Conductivity Meter (Jenway 4520) was used. The IFT of 24 different new surfactants were measured and the geometrical optimization of surfactants has been performed at B3LYP/6-311G** level, and quantum chemical and structural descriptors were calculated by home made program. Then, the best-fitted descriptors were selected using the variable selection of the genetic algorithm (GA-MLR). The predictive quality of the QSPR models were tested for an external prediction set of 8 compounds, randomly chosen out of 24 compounds. One GA-MLR model with three selected descriptors was obtained. This model with high statistical qualities, could predict the IFT of the molecules with a prediction error percentage lower than 6 %.
