计算机辅助高纯2-巯基苯并噻唑结晶溶剂设计方法
柴士阳1, 刘奇磊1, 梁馨元1, 张颂2, 郭彦锁2, 徐承秋2, 张磊1, 都健1, 袁志宏3    
1. 大连理工大学 化工系统工程研究所, 大连 116024;
2. 中国尚舜化工控股有限公司, 菏泽 274300;
3. 清华大学 化学工程系, 北京 100084
摘要:2-巯基苯并噻唑作为一种重要的硫化促进剂,广泛应用于橡胶行业。对于溶剂法制备高纯2-巯基苯并噻唑,选择合适的结晶溶剂至关重要。传统溶剂的筛选方法为实验试错,需要耗费大量的时间和金钱。该文提出了一种基于计算机辅助分子设计的结晶溶剂设计方法。计算机辅助分子设计问题可以表示为混合整数非线性规划模型,该模型包括目标函数、结构约束、性质约束和过程约束,目标函数为产品纯度和收率,同时对熔点、沸点、闪点、溶解度系数和固液相平衡进行约束。其中与过程约束相关的活度系数采用基于片段活度系数的类导体屏蔽模型(COSMO-SAC)进行预测。采用分步求解法对混合整数非线性规划模型进行求解,得到10种候选溶剂,其中8种溶剂所得产品的性能优于目前工业水平。对部分候选溶剂进行实验验证,结果显示所得产品的性能与模拟结果较为一致,从而证明了模型的有效性。
关键词计算机辅助分子设计    2-巯基苯并噻唑    结晶溶剂    基于片段活度系数的类导体屏蔽模型(COSMO-SAC)    实验验证    
Computer-aided design method of crystallization solvents for the recovery of high-purity MBT
CHAI Shiyang1, LIU Qilei1, LIANG Xinyuan1, ZHANG Song2, GUO Yansuo2, XU Chengqiu2, ZHANG Lei1, DU Jian1, YUAN Zhihong3    
1. Institute of Chemical Process Systems Engineering, Dalian University of Technology, Dalian 116024, China;
2. China Sunsine Chemical Holdings Ltd., Heze 274300, China;
3. Department of Chemical Engineering, Tsinghua University, Beijing 100084, China
Abstract: 2-Mercapotobenzothiazole (MBT) is an important vulcanization accelerator that is widely used in the rubber industry. The solvent-based methods for the preparation of high-purity MBT need to use a suitable crystallization solvent. The traditional trial-and-error solvent selection method is time consuming and expensive. This study presents a computer-aided molecular design (CAMD) model for designing crystallization solvents. The CAMD problem is expressed as a mixed-integer non-linear programming (MINLP) model with objective functions, structural constraints, property constraints and process constraints. The objective functions are the product purity and yield. The constraints include the normal melting point, normal boiling point, flash point, solubility parameters and solid-liquid equilibrium. The activity coefficients are predicted by the conductor-like screening model based on segment activity coefficient (COSMO-SAC). The model is solved using the decomposition-based approach and 10 candidate solvents are obtained with 8 solvents having better performance than the current industrial level. Finally, the candidate solvents are experimentally verified with the results consistent with the simulation results, thus proving the validity of the model.
Key words: computer-aided molecular design    2-mercapotobenzothiazole    crystallization solvent    conductor-like screening model based on segment activity coefficient (COSMO-SAC)    experimental verification    

近年来,随着橡胶工业的迅猛发展,橡胶产品的需求量逐年增加。硫化作为橡胶加工过程的最后一道工序,可以大幅提高橡胶制品的性能[1]。2-巯基苯并噻唑(2-mercapotobenzothiazole, MBT)作为橡胶生产过程中一种重要的硫化促进剂,受到了人们的广泛关注[2]

目前,MBT的合成方法主要为苯胺法[3]。该方法所得产品,除主产物MBT外,还包括副产物及未完全转化的原料。由苯胺法直接合成得到的粗产品无法满足下游工业的纯度要求,必须进一步精制。

工业提纯MBT的方法主要包括酸碱法和溶剂法[4]。酸碱法的优点是可以得到高纯的产品,技术成熟,并已经实现了工业化;但是该提纯过程会产生大量废水,存在严重的环保问题。溶剂法是根据粗MBT中各物质在溶剂中的溶解度不同而通过结晶操作实现分离; 与酸碱法相比,溶剂法在生产过程中无废水产生,可以满足当前的环保需求。

对于溶剂法制备高纯MBT,目前文献报道的溶剂主要有二氯甲烷、四氯化碳、二硫化碳、甲苯、硝基苯和苯胺等[4]。由于这些溶剂存在纯度、收率及安全性等问题,因此至今尚未工业化,目前急需找到一种高收率、高纯度、安全性好、环境友好的结晶溶剂。对于结晶溶剂的筛选/设计,研究者们多采用实验试错的方法,这会消耗大量的时间和金钱,而计算机辅助分子设计(computer-aided molecular design, CAMD)是一种不依靠实验,且能够快速、高效地设计/筛选出目标分子的方法。根据给定的目标物性,CAMD方法利用定量结构-性质关系(quantitative structure-property relationship, QSPR)建立分子结构和宏观物性之间的数学模型,这也是性质预测的逆过程[5]

1983年,Gani和Brignole[6]首次提出CAMD方法,并将其应用于萃取剂的设计。在此基础上,研究者们将CAMD进一步应用于萃取精馏[7]、液液萃取[8]、结晶[9]等多个领域,并取得了较好的效果。CAMD的成功应用依赖于性质预测方法的开发。基团贡献法是最常用的性质预测方法之一,其原理为分子的某一性质可看作组成该分子的各个基团对该性质的贡献值之和[10-11]。基团贡献法可应用于预测纯物质的各种物理性质、热力学性质及混合物的热力学性质等,但其不足之处是需要大量的实验数据来拟合相关参数,且难以区分同分异构体[12]

量子力学方法在一定程度上弥补了基团贡献法的不足。与基团贡献法相比,量子力学方法不需要通过实验数据拟合参数[13],且能区分同分异构体,但其计算过程会耗费大量时间,且精度较差。为解决上述问题,Klamt和Schüürmann[14]基于量子力学方法提出了一种连续化模型,即类导体屏蔽模型(conductor-like screening model, COSMO),随后又提出了应用于真实溶剂的类导体屏蔽模型(conductor-like screening model for real solvent, COSMO-RS)[15-16]。COSMO-RS模型认为分子是由带电荷的片段组成,分子的热力学性质是各片段间相互作用能的加和。该模型已被广泛应用于多种物性的预测。2002年,Lin和Sandler[17]在COSMO-RS模型的基础上提出了基于片段活度系数的类导体屏蔽模型(conductor-like screening model based on segment activity coefficient, COSMO-SAC)模型,该模型修正了COSMO-RS在计算活度系数时不符合热力学一致性的问题。

本文利用CAMD方法对制备高纯MBT的结晶溶剂进行设计,模型主要包含目标函数、结构约束、性质约束和过程约束。根据工业需求,目标函数设定为产品的纯度和收率,同时对溶剂的分子量、熔点、沸点、闪点等物性以及结晶过程的固-液相平衡进行约束,其中与固-液相平衡相关的活度系数采用SCM-ADF软件[18](www.scm.com/product/cosmo-rs)中的COSMO模块进行计算,所采用的方法为“COSMO-SAC-2016-Chen”。其余物性的预测均采用基团贡献法。

1 基于CAMD的结晶溶剂设计 1.1 问题描述

由苯胺法合成的MBT所包含的副产物主要有苯胺基苯并噻唑、苯并噻唑、硫磺和焦油,本研究待分离体系的组成如表 1所示。

表 1 待分离体系的组成
副产物 CAS 质量分数/%
2-巯基苯并噻唑 149-30-4 88
苯胺基苯并噻唑 1843-21-6 1
苯并噻唑 95-16-9 5
硫磺 7704-34-9 4
焦油 2

1.2 CAMD方法

采用CAMD方法设计结晶溶剂的流程如图 1所示。首先,应该明确工业需求,并将其转化为具体的物性。然后,建立包含有目标函数、结构约束、性质约束和过程约束的混合整数非线性规划模型(mixed-integer non-linear programming, MINLP)。对于高纯MBT的生产过程,产品的纯度和收率会直接影响工业的生产效益,因此将这两个参数设定为目标函数。同时,对结晶溶剂的要求如下:

图 1 CAMD设计结晶溶剂流程

溶剂保持液态。在结晶过程中溶剂应该始终保持液态,为满足这一要求,需要对其相对分子质量、熔点、沸点进行约束。

安全与环保。闪点和半致死浓度(lethal concentration 50, LC50)可分别用于表示溶剂的挥发性和毒性。闪点是易燃液体储存、运输和使用的安全指标。LC50为急性毒性试验中杀死一半被测动物的药品浓度,它是衡量存在于水中的毒物对水生动物和存在于空气中的毒物对哺乳动物乃至人类的毒性大小的重要参数。

溶解度系数。为使结晶过程达到更好的分离效果,结晶溶剂对MBT的溶解度要尽可能小,而对杂质的溶解度要尽可能大。根据“相似相溶”原理,溶剂的溶解度系数应与杂质的溶解度系数相近。

固-液相平衡。固-液相平衡曲线是结晶过程分析的基础,根据该曲线可以判断结晶过程的可行性,并估算最大收率和最优操作区域。

根据已有报道,制备高纯MBT所采用的结晶溶剂主要包括酯类、醇类和芳香族化合物[4]。根据给定的目标函数和约束条件,建立MINLP模型,具体包含目标函数、结构约束、性质约束及过程约束。其中:目标函数为产品的纯度与收率,结构约束包含八隅体规则、基团个数约束、基团重复个数约束、官能团个数约束及含有苯环的约束等,性质约束和过程约束具体包括相对分子质量、熔点、沸点、闪点、毒性、溶解度系数及固液相平衡方程等。CAMD模型的一般形式可参照文[19-20],本文将该通用模型应用于高纯MBT结晶溶剂的设计,并有针对性地选择相关约束及其上、下限,建立的CAMD模型如图 2所示。

图 2 结晶溶剂设计的CAMD模型

图 2中:PR表示产品收率;y表示产品纯度;w1为313.15 K时溶液中MBT的质量分数,该温度的设定与实际工业过程保持一致;w2为493.15 K时溶液中MBT的质量分数,该温度能够保证MBT在初始结晶阶段为液态;m1为粗产品中MBT的质量(g);msol为313.15 K时MBT在溶液中溶解的质量(g);m2为313.15 K时析出的固体质量(g);xiSat表示溶液中组分i的摩尔分数。固-液相平衡方程中活度系数γiSat的求解采用COSMO-SAC模型[21-22],其中ni表示组分i的分子式。求解固-液相平衡方程时需用到各物质的熔点Tm和熔化焓ΔHfus,具体数值如表 2所示。

表 2 粗MBT中各物质的熔点和熔化焓
名称 熔点/K 熔化焓/(kcal·mol-1)
2-巯基苯并噻唑 453.50 4.92
苯胺基苯并噻唑 419.33 6.89
苯并噻唑 275.15 3.06
硫磺 387.15 6.53
注:1 cal=4.186 8 J。

1.3 结果与讨论

用分步求解法[23]对1.2节建立的MINLP模型进行求解,得到10种候选溶剂(如图 2所示)。目前工业中常用的溶剂为甲苯,然而以甲苯为结晶溶剂所得产品的纯度不能满足下游工艺要求。为便于比较,用同样的方法计算出以甲苯为溶剂时所得产品的纯度与收率,并以这两个参数为基准,将坐标分为Ⅰ、Ⅱ、Ⅲ、Ⅳ 4部分,如图 3所示。图 3中A、B、C、D是需要保密的溶剂,以代号表示。

图 3 各候选溶剂所得产品纯度和收率示意图

根据图 3,候选溶剂集中分布于第Ⅰ、Ⅱ部分。第Ⅰ部分表示以候选溶剂为结晶溶剂所得产品的纯度和收率均优于甲苯,第Ⅱ部分表示以候选溶剂为结晶溶剂所得产品的收率优于甲苯,但纯度低于甲苯。10种候选溶剂中有8种分布于第Ⅰ部分,从理论上可以说明,利用CAMD模型设计/筛选结晶溶剂用于制备高纯MBT具有可行性。

2 实验验证

本文第1节使用CAMD模型得到了用于制备高纯MBT的结晶溶剂。本节对所得候选溶剂进行实验验证,这是由于在实际结晶过程中存在诸多不可控因素,这些因素难以在CAMD模型中加以全面考虑,因此必须进一步通过实验进行验证。

2.1 实验材料和装置

实验所用的溶质是由苯胺法合成的粗MBT,其中所含MBT的质量分数为88%。结晶溶剂选自图 3,下面以甲苯、A、B、C、D和乳酸乙酯为例进行实验验证,其余溶剂的验证过程与此相同。

2.2 实验装置及步骤

结晶过程中所用的实验装置主要有温度计、三口圆底烧瓶、布氏漏斗、机械搅拌装置、程序控温装置等,如图 4所示。实验过程分为4步:预加热、冷却结晶、过滤和干燥。具体展开如下:

图 4 制备高纯MBT的实验步骤

1) 预加热。MBT的熔点为172 ℃,室温下为固体,因溶剂对MBT的溶解度尽可能小,若将粗MBT直接加入到结晶溶剂中,粗产品中所包含的杂质无法与溶剂充分接触。因此,需进行预加热。具体操作为:调整水浴锅温度至90 ℃,待稳定后向三口烧瓶中加入150 mL溶剂,同时调整油浴锅温度至220 ℃,称取一定量粗MBT加入三口烧瓶中(粗MBT质量与溶剂质量的比值为溶剂比),打开机械搅拌装置,直至粗MBT完全融化为液体,待温度计示数稳定后,将液态粗MBT加入到溶剂中。

2) 冷却结晶。粗MBT加入到结晶溶剂的瞬时温度即为结晶初温,调整水浴锅温度至40 ℃,随着水浴锅温度的降低,溶液中不断析出固体,直至溶液温度下降至40 ℃(结晶终温)。

3) 过滤。结晶过程结束后,用布氏漏斗将结晶所得的固体与溶液分离,为防止晶体表面残留有杂质,可进一步用新鲜溶剂(100 mL)对过滤后的晶体进行洗涤。抽滤瓶中所得溶液为母液。

4) 干燥。过滤后所得的晶体中有部分溶剂残留,将晶体放入烘箱,设定烘箱温度为90 ℃,干燥8 h,所得产品即为精制MBT。

2.3 结果与讨论

产品纯度用高效液相色谱进行测定。首先分析结晶过程的影响因素,结果如表 3图 56所示。由表 3可得,结晶初温、是否洗涤和溶剂比会影响结晶过程所得产品的纯度和收率。由第1组和第2组实验可得,结晶初温的降低会使结晶收率略微增加,这是由于较低的结晶初温会形成较大的过饱和度,使得更多的固体从溶液中析出。从第1组和第3组实验可知,溶剂洗涤可以提高产品的纯度,但会使产品收率略微下降,这是由于溶剂洗涤会进一步溶解附着在晶体表面的杂质和产品。由第4—6组实验可得,随着溶剂比的降低,产品纯度不断下降,而收率明显增加,这主要是由于溶剂比的下降使得溶液过饱和度增加,在同样的冷却条件下,过饱和度大的溶液析出晶体的速度更快,甚至出现爆发式结晶,这会导致严重的母液包藏,造成产品纯度下降而收率增加。因此,在结晶过程中,应当根据实际条件选择适宜的溶剂比,使产品纯度和收率均能满足要求。本文最终选定的溶剂比为1:2。

表 3 结晶过程操作条件与实验结果
实验组 溶剂 溶剂比 初温/℃ 是否洗涤 收率/% 纯度/%
1 C 1:2 122 79.80 99.32
2 C 1:2 165 79.30 99.44
3 C 1:2 122 80.72 99.32
4 乳酸乙酯 1:1.5 60 72.40 98.63
5 乳酸乙酯 1:1.2 65 73.00 96.68
6 乳酸乙酯 1:1.0 80 82.10 95.30

图 5 母液循环次数对纯度的影响

图 6 母液循环次数对收率的影响

图 56所示为母液循环次数对纯度和收率的影响,其中循环母液的比例为86.7%(体积比)。图 5显示,随着母液循环次数的增加,除甲苯外,其余溶剂所得产品纯度的波动范围约为±1%,可认为母液循环次数对产品纯度几乎无影响。从图 6可知,随着母液循环次数的增加,产品收率先增加后降低,因此在结晶过程中应该选择适宜的母液循环次数。本文最终选定的母液循环次数为4。

将实验与模型结果进行对比,如图 78所示。由图 7可得,实验所得产品纯度与模拟值略有差别,但是在纯度变化趋势上,两者较为一致。根据实验结果,除甲苯外,4种候选溶剂所得产品的纯度均在99%以上,且以C作为溶剂所得产品纯度最高。由图 8可得,实验所得产品收率与模拟值同样也存在差距,根据实验结果,4种候选溶剂所得产品的收率与甲苯相当,或略优于甲苯。造成这种现象的原因为,在实验过程中除了固-液相平衡曲线外,初始结晶温度、降温速率、溶剂比、搅拌速率、是否洗涤等均会影响产品的纯度和收率,而这些因素在CAMD模型中无法被充分考虑。此外,实验过程中还存在母液包藏等诸多不可控因素,这使得模型与实验结果存在差距。但是,通过CAMD方法能大大缩小结晶溶剂的搜寻范围,为工业结晶溶剂的探索方向提供了依据。

图 7 实验所得产品纯度与模型结果的对比

图 8 实验所得产品收率与模型结果的对比

对于结晶实验过程,本文仅开展了初步的探索。除初始结晶温度、溶剂比、是否洗涤等因素外,母液循环量、降温速率等也会影响产品的纯度和收率。对于上述影响因素,首先应进行单因素分析,找到各因素适宜的操作范围,然后设计正交实验,确定最终的结晶操作条件,这些工作将在后续的研究中进一步展开。

3 结论

本文提出了一种基于计算机辅助分子设计(CAMD)的结晶溶剂设计方法,对制备高纯MBT的结晶溶剂进行设计,该方法替代了繁重的实验试错过程。首先,将CAMD表示为MINLP优化模型,建立目标函数、结构约束、性质约束和过程约束,其中与过程约束相关的活度系数采用COSMO-SAC模型预测,其余物性采用基团贡献法预测。然后,对所建立的MINLP模型,采用分步求解法进行求解,最终得到了10种候选溶剂。结果显示,其中8种候选溶剂所得产品的性能优于目前的工业水平。为了进一步验证模型的有效性,对模型所得的溶剂进行实验验证,通过结晶实验分析了溶剂比、初始结晶温度、母液循环次数等对结晶过程的影响,最终选定的溶剂比为1:2,母液循环次数为4。此外,将实验结果与模型结果进行了对比,结果表明候选溶剂所得产品的纯度均在99%以上,优于目前的工业水平,而候选溶剂所得产品的收率与目前工业水平相当,或略优于现状。结晶实验最终验证了模型的有效性,并得到了性能良好的结晶溶剂。本研究也为其他结晶溶剂的设计与筛选提供了参考。

参考文献
[1]
张倩云.橡胶促进剂MBT精制萃取剂的研究[D].上海: 华东理工大学, 2015.
ZHANG Q Y. Research on purification technology of rubber accelerator MBT[D]. Shanghai: East China University of Science and Technology, 2015. (in Chinese)
[2]
ZHAO J H, CHENG X L, WANG L C, et al. Hydrogenation of tar residue derived from the synthesis of rubber vulcanization accelerator 2-mercaptobenzothiazole[J]. Asia-Pacific Journal of Chemical Engineering, 2017, 12(3): 400-405. DOI:10.1002/apj.2082
[3]
SEBRELL L B, BOORD C E. The preparation and properties of 1-mercapto-benzothiazole, its homologs and derivatives[J]. Journal of the American Chemical Society, 1923, 45(10): 2390-2399. DOI:10.1021/ja01663a023
[4]
LI W X, LIU M L, LIU L, et al. Thermodynamic functions for solubility of 2-mercaptobenzothiazole in eleven pure organic solvents at temperatures from 273.15 K to 318.15 K and mixing properties of solutions[J]. The Journal of Chemical Thermodynamics, 2017, 112: 196-203. DOI:10.1016/j.jct.2017.05.013
[5]
LIU Q L, ZHANG L, LIU L L, et al. Computer-aided reaction solvent design based on transition state theory and COSMO-SAC[J]. Chemical Engineering Science, 2019, 202: 300-317. DOI:10.1016/j.ces.2019.03.023
[6]
GANI R, BRIGNOLE E A. Molecular design of solvents for liquid extraction based on UNIFAC[J]. Fluid Phase Equilibria, 1983, 13: 331-340. DOI:10.1016/0378-3812(83)80104-6
[7]
MARCOULAKI E C, KOKOSSIS A C. On the development of novel chemicals using a systematic optimisation approach, part II:Solvent design[J]. Chemical Engineering Science, 2000, 55(13): 2547-2561. DOI:10.1016/S0009-2509(99)00523-0
[8]
PRETEL E J, LÓPEZ P A, BOTTINI S B, et al. Computer-aided molecular design of solvents for separation processes[J]. AIChE Journal, 1994, 40(8): 1349-1360. DOI:10.1002/aic.690400808
[9]
KARUNANITHI A T, ACQUAH C, ACHENIE L E K, et al. Solvent design for crystallization of carboxylic acids[J]. Computers & Chemical Engineering, 2009, 33(5): 1014-1021.
[10]
ADJIMAN C S, GALINDO A, JACKSON G. Molecules matter:The expanding envelope of process design[J]. Computer Aided Chemical Engineering, 2014, 34: 55-64. DOI:10.1016/B978-0-444-63433-7.50007-9
[11]
GMEHLING J, WITTIG R, LOHMANN J, et al. A modified UNIFAC (Dortmund) model. 4. Revision and extension[J]. Industrial & Engineering Chemistry Research, 2002, 41(6): 1678-1688.
[12]
LIN S T, SANDLER S I. Multipole corrections to account for structure and proximity effects in group contribution methods:Octanol-water partition coefficients[J]. The Journal of Physical Chemistry A, 2000, 104(30): 7099-7105. DOI:10.1021/jp000091m
[13]
SHELDON T J, FOLIĆ M, ADJIMAN C S. Solvent design using a quantum mechanical continuum solvation model[J]. Industrial & Engineering Chemistry Research, 2006, 45(3): 1128-1140.
[14]
KLAMT A, SCHVVRMANN G. COSMO:A new approach to dielectric screening in solvents with explicit expressions for the screening energy and its gradient[J]. Journal of the Chemical Society, Perkin Transactions 2, 1993, 2(5): 799-805.
[15]
KLAMT A. Conductor-like screening model for real solvents:A new approach to the quantitative calculation of solvation phenomena[J]. The Journal of Physical Chemistry, 1995, 99(7): 2224-2235.
[16]
KLAMT A, JONAS V, BVRGER T, et al. Refinement and parametrization of COSMO-RS[J]. The Journal of Physical Chemistry A, 1998, 102(26): 5074-5085. DOI:10.1021/jp980017s
[17]
LIN S T, SANDLER S I. A priori phase equilibrium prediction from a segment contribution solvation model[J]. Industrial & Engineering Chemistry Research, 2002, 41(5): 899-913.
[18]
VELDE G T, BICKELHAUPT F M, BAERENDS E J, et al. Chemistry with ADF[J]. Journal of Computational Chemistry, 2001, 22(9): 931-967. DOI:10.1002/jcc.1056
[19]
LIU X Y, ZHAO Y H, NING P G, et al. Modified structural constraints for candidate molecule generation in computer-aided molecular design[J]. Industrial & Engineering Chemistry Research, 2018, 57(20): 6937-6946.
[20]
LIU Q L, ZHANG L, LIU L L, et al. OptCAMD:An optimization-based framework and tool for molecular and mixture product design[J]. Computers & Chemical Engineering, 2019, 124: 285-301.
[21]
ZHOU T, CHEN L, YE Y M, et al. An overview of mutual solubility of ionic liquids and water predicted by COSMO-RS[J]. Industrial & Engineering Chemistry Research, 2012, 51(17): 6256-6264.
[22]
CHEN W L, HSIEH C M, YANG L, et al. A critical evaluation on the performance of COSMO-SAC models for vapor-liquid and liquid-liquid equilibrium predictions based on different quantum chemical calculations[J]. Industrial & Engineering Chemistry Research, 2016, 55(34): 9312-9322.
[23]
KARUNANITHI A T, ACHENIE L E K, GANI R. A new decomposition-based computer-aided molecular/mixture design methodology for the design of optimal solvents and solvent mixtures[J]. Industrial & Engineering Chemistry Research, 2005, 44(13): 4785-4797.