🔬 condensed matter

The roles of bulk and surface thermodynamics in the selective adsorption of a confined azeotropic mixture

تستخدم هذه الدراسة نظرية الكثافة الوظيفية الكلاسيكية المعززة بالتعلم الآلي لتوضيح أنه في المخاليط الأزيوتروبية المحصورة، تتلاشى انتقائية الامتزاز عند التركيب الأزيوتروبي الكلي بسبب ظروف ديناميكية حرارية كلية محددة (تساوي أحجام المولات الجزئية والضغط القصوى) التي تخلق "أنيوتروباً" مقابلاً في طاقة الحرية البينية، وهي ظاهرة تستمر حتى في النظام فوق الحرج.

المؤلفون الأصليون: Katie L. Y. Zhou, Anna T. Bui, Stephen J. Cox

نُشر 2026-04-01

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Katie L. Y. Zhou, Anna T. Bui, Stephen J. Cox

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: مشكلة الكوكتيل "غير القابل للخلط"

تخيل أن لديك كوكتيلًا مكونًا من سائلين، لنسمهما السائل (أ) والسائل (ب). عادةً، إذا أردت فصلهما، يمكنك غلي الخليط؛ حيث يتبخر أحد السائلين بسرعة أكبر من الآخر، ويمكنك التقاط البخار للحصول على السائل (أ) النقي، تاركًا السقل (ب) خلفه.

لكن في بعض الأحيان، تخدعنا الطبيعة. عند نسبة محددة، يصبح السائل (أ) والسائل (ب) "صديقين مقربين" لدرجة أنه لا يمكن فصلهما، حيث يتبخران بنفس المعدل تمامًا. يُسمى هذا "الأزيوتروب" (Azeotrope). ومهما حاولت غلي وتكثيف هذا الخليط في وعاء كبير (التقطير في الكتلة)، فلن تتمكن أبدًا من فصلهما؛ فهما عالقان معًا.

السؤال: ماذا يحدث إذا ضغطنا هذا "الكوكتيل غير القابل للخلط" داخل ممر ضيق للغاية (مسام نانوي - Nanopore)؟ هل تجبرهم المساحة الضيقة على الانفصال، أم يبقون ملتصقين ببعضهم؟

الأداة: "الكرة البلورية" للفيزياء

للإجابة على هذا، لم يقم العلماء ببناء ممر ضيق وسكب السائل فيه فحسب (لأن ذلك صعب وصعب القياس)، بل قاموا ببناء نموذج حاسوبي ذكي للغاية.

فكر في هذا النموذج كأنه كرة بلورية تعمل بقوة التعلم الآلي (Machine Learning).

الطريقة القديمة: نماذج الفيزياء التقليدية تشبه محاولة التنبؤ بالطقس عبر مراقبة كل قطرة مطر على حدة؛ هي دقيقة ولكنها تستغرق وقتًا طويلاً جدًا.
الطوام الجديدة (هذه الورقة البحثية): استخدم العلماء "شبكة عصبية" (نوع من أنواع الذكاء الاصطناعي). لقد علموا الذكاء الاصطناعي كيف يتصرف سائل بسيط "تنافري" (مثل حشد من الناس الذين لا يرغبون في العناق). وبمجرد أن تعلم ذلك، قالوا له: "حسنًا، الآن تخيل أن هؤلاء الناس لديهم انجذاب طفيف تجاه بعضهم البعض".
استراتيجية "درب مرة واحدة، لتتعلم كثيرًا": هذا هو السر وراء هذه الورقة. بدلًا من تعليم الذكاء الاصطناعي سلوك كل خليط محتمل من الصفر، علموه قاعدة بسيطة واحدة (كيف تتصرف الجزيئات التنافرية). ثم استخدموا معادلة رياضية معروفة (معادلة الحالة - Equation of State) للتعامل مع جزء "الانجذاب". وهذا يعني أنهم دربوا الذكاء الاصطناعي مرة واحدة، وأصبح بإمكانه الآن التنبؤ بسلوك عديد من الخلطات المختلفة فورًا. الأمر يشبه تعليم طباخ كيفية تقطيع البصل ببراعة؛ بمجرد أن يتعلم ذلك، يمكنه صنع أي نوع من الحساء، وليس حساء البصل فقط.

الاكتشاف: "المفتاح السحري"

قام العلماء بتشغيل نموذج الذكاء الاصطناعي الخاص بهم على ممر ضيق (مسام شقي - Slit pore) وراقبوا سلوك السائلين مع تغيير الضغط، ودرجة الحرارة، ومدى "التصاق" الجدران.

إليكم ما وجدوه، مشروحًا ببساطة:

1. النقطة المثالية لـ "الأزيوتروب"
عندما يكون الخليط خارج الممر عند تلك "النسبة غير القابلة للخلط" الخاصة (الأزيوتروب)، يصبح الخليط داخل الممر غير انتقائي تمامًا.

تشبيه: تخيل حارسًا يقف عند باب ملهى ليلي (المسام). عادةً، يسمح الحارس بدخول السائل (ب) أكثر من السائل (أ)، أو العكس، اعتمادًا على الحشد. لكن عندما يكون الحشد في الخارج عند تلك "النسبة السحرية"، يتوقف الحارس عن الاهتمام؛ فهو يسمح بدخول (أ) و(ب) بنفس المعدل الذي يتواجدان به في الخارج تمامًا. يصبح المسام هنا محايدًا.

2. السحر يعمل في كل مكان (حتى في المناطق "فوق الحرجة")
الجزء الأكثر إثارة للدهشة هو أن هذه "الحيادية" لا تحدث فقط عندما يغلي السائل أو يتجمد، بل تحدث حتى عندما يكون السائل في حالة "فوق حرجة" (Supercritical) (وهي حالة غريبة يكون فيها السائل لا سائلًا ولا غازًا، بل عبارة عن حساء كثيف ساخن).

تشبيه: عادةً، تتغير قواعد الفيزياء بشكل جذري عند تسخين شيء ما. لكن هنا، تعمل "النسبة السحرية" مثل شعاع منارة يظل ثابتًا حتى في العواصف الهوجاء. مهما بلغت درجة حرارة وضغط السائل، إذا وصل إلى تلك النسبة المحددة، يتوقف المسام عن اختيار جانب دون آخر.

3. الـ "أنيوتروب" (نقطة الصفر)
أدرك العلماء أن هذه النقطة التي يتوقف عندها المسام عن اختيار جانب هي في الواقع نقطة ديناميكية حرارية محددة يسمونها "أنيوتروب" (Aneotrope).

التشبيه: فكر في التفاعل بين الجدار والسائل كميزان.
- إذا مال الميزان في اتجاه، سيفوز السائل (ب).
- إذا مال في الاتجاه الآخر، سيفوز السائل (أ).
- عند الـ "أنيوتروب"، يكون الميزان متوازنًا تمامًا. "الامتزاز النسبي" (أي مقدار تفضيل أحد السائلين للالتصاق بالجدار مقارنة بالآخر) ينخفض إلى الصفر.
- عند هذه النقطة تحديدًا، تصل "الاحتكاكية" أو "التوتر" بين الجدار والسائل إلى ذروة أو قاع (نقطة قصوى/دنيا). إنها نقطة المقاومة الدنيا لبقاء الخليط مختلطًا.

4. الجدران تعمل بمفردها
وجدوا أيضًا أنه حتى في الممر الضيق جدًا الذي يشعرك بالضيق، فإن الجدارين (اليسار واليمين) يعملان وكأنهما في غرفتين منفصلتين. إنهما لا "يتحدثان" مع بعضهما إلا في حال كان الممر ضيقًا للغاية. وهذا يعني أن فيزياء الجدار هي فيزياء محلية ومستقلة.

لماذا يهمنا هذا؟

هذا ليس مجرد رياضيات؛ إنه يتعلق بتنظيف العالم.

الفصل الصناعي: تعتمد العديد من العمليات الصناعية (مثل صناعة الوقود أو تنقية المواد الكيميائية) على فصل الخلطات. وإذا شكل الخليط "أزيوتروب"، فإنه يصبح كابوسًا في الفصل.
الحل: إذا فهمنا أن ضغط هذه الخلطات داخل مسام صغيرة يجعلها تتصرف بشكل مختلف (أو في هذه الحالة، يكشف عن نقطة دقيقة تكون فيها محايدة)، فيمكننا تصميم مرشحات وأغشية أفضل.
الخلاصة: باستخدام الذكاء الاصطناعي لتسريع الفيزياء، وجد العلماء "قاعدة عالمية" لهذه الخلطات المعقدة. لقد أثبتوا أنه حتى في فوضى السوالم شديدة الحرارة والضغط، توجد "نقطة مثالية" يتصرف فيها الخليط بشكل يمكن التنبؤ به تمامًا.

ملخص في جملة واحدة

استخدم العلماء ذكاءً اصطناعيًا ذكيًا لإظهار أنه عندما تضغط خليطًا صعب الفصل داخل مساحة ضيقة، توجد "نسبة سحرية" محددة يتوقف عندها الخليط عن الاهتمام بالجدران ويظل مختلطًا تمامًا، وهي قاعدة تظل صالحة حتى في درجات الحرارة والضغط الشديدين.

1. بيان المشكلة

تُظهر السوائل المختلطة التي تتميز بـ السلوك الأزيوتوبي (حيث تتطابق تركيبات الطور السائل والبخاري) سلوكاً لا يمكن فصله عن طريق التقطير التقليدي في الكتلة (bulk distillation). إن فهم كيفية سلوك هذه المخاليط تحت الحصر (confinement) (مثل المسام النانوية) أمر بالغ الأهمية لعمليات الفصل الصناعية، وتخزين الغازات، والموائع الدقيقة.

التحدي: توفر المحاكاة الجزيئية التقليدية (مثل طريقة مونت كارلو في المجموعة الكبرى Grand Canonical Monte Carlo - GCMC) رؤى مجهرية، ولكنها مكلفة حاسوبياً. أما نظرية الكثافة الكلاسيكية (cDFT) فهي أكثر كفاءة، لكنها تعتمد تاريخياً على تقريبات لـدالة الطاقة الحرة الزائدة ( $F^{ex}_{intr}$ )، والتي غالباً ما تفشل في التقاط سلوكيات الطور المعقدة مثل الأزيوتروبيا (azeotropy) والتعايش بين السائل والسائل بدقة.
الفجوة: هناك نقص في الفهم المتعلق بـ "الأزيوتروبيا الامتصاصية" (الامتصاص الانتقائي في المسام) وكيف تؤثر الخصائص الديناميكية الحرارية للكتلة (مثل نقطة الأزيوتروبيا) على الأنظمة المحصورة، لا سيما في الأنظمة فوق الحرجة (supercritical regimes).

2. المنهجية: Neural LMFT

يقترح المؤلفون نهجاً هجيناً يجمع بين التعلم الآلي (ML) ونظرية المجال الجزيئي المحلي (LMFT) ونظرية الكثافة الكلاسيكية (cDFT)، ويُطلق عليه اسم "Neural LMFT".

الاستراتيجية الجوهرية ("تدرب مرة واحدة، تعلم كثيراً"):
- بدلاً من تدريب شبكة عصبية على خليط ثنائي معقد بالكامل، يقوم المؤلفون بتدريب دالة عصبية على نظام مرجعي تنافري أحادي المكون (نظام ويكس-تشاندلر-أندرسون أو WCA fluid).
- يتم التعامل مع التفاعلات التجاذبية في خليط لينارد-جونز (LJ) الثنائي المستهدف عبر تقريب المجال المتوسط المستوحى من LMFT.
- تكامل ديناميكا الكتلة الحرارية: تستفيد الطريقة من معادلة حالة (EoS) معروفة وعالية الدقة (PeTS EoS) للتعامل مع خصائص الكتلة الديناميكية الحرارية. وهذا يسمح للشبكة العصبية بالتركيز فقط على الارتباطات غير المتجانسة.
الإطار النظري:
- يتم وصف النظام عبر دالة الجهد الكبير (grand potential functional). تُستخدم معادلة أويلر-لاغرانج لإيجاد كثافات الاتزان.
- يتم تفكيك دالة الارتباط المباشر أحادية الجسم، $c^{(1)}$ ، إلى جزء مرجعي (تتعلمه الشبكة العصبية) وجزء تجاذبي مجال متوسط مشتق من معادلة الحالة (EoS).
- بيانات التدريب: تم استخدام 900 محاكاة GCMC لسائل WCA أحادي المكون لتدريب شبكة عصبية (باستخدام Keras/TensorFlow) للتنبؤ بـ $c^{(1)}$ بناءً على ملفات تعريف الكثافة المحلية.
النظام المدروس:
- خليط لينارد-جونز (LJ) ثنائي غير متماثل (النوع A والنوع B) بخصائص تفاعل مختلفة ( $\epsilon_{AA} > \epsilon_{BB} > \epsilon_{AB}$ ) يظهر أزيوتروبيا موجبة عند $x_B \approx 0.67$ .
- الهندسة: مسام شقية (slit pore) مع تباين في قوة التفاعل بين الجدار والمائع وتباين في عرض المسام.

3. المساهمات الرئيسية

الابتكار المنهجي: إثبات استراتيجية "تدرب مرة واحدة، تعلم كثيراً" القوية، حيث يمكن لدالة عصبية واحدة مدربة على نظام مرجعي تنافري أن تتنبأ بدقة بسلوك المخاليط الثنائية المعقدة عند دمجها مع معالجة المجال المتوسط ومعادلة حالة دقيقة للكتلة.
اكتشاف النقطة "اللا-أزيوتريبية" (Aneotropic): تحديد أنه في الحصر المتماثل (حيث تتفاعل الجدران بالتساوي مع كلا النوعين)، يصبح المسام غير انتقائي تماماً (الاصطفائية $S_A = S_B = 1$ ) عند تركيبة محددة.
الربط الديناميكي الحراري: إرساء اتصال ديناميكي حراري صارم يوضح أن هذه النقطة غير الانتقائية (التركيبة اللا-أزيوتريبية، $x^{(an)}_B$ ) تتطابق مع التركيبة الأزيوتريبية للكتلة ( $x^{(az)}_B$ )، حتى بعيداً عن التعايش بين السائل والبخار (بما في ذلك الأنظمة فوق الحرجة).
استقلالية الواجهة: وجد أن واجهتي المسام الشقية تتصرفان بشكل مستقل حتى عند المسافات الصغيرة جداً (تصل إلى حوالي 3 أقطار جزيئية).

4. النتائج الرئيسية

أ. التحقق من صحة Neural LMFT

تعيد النظرية إنتاج نتائج محاكاة GCMC لملفات تعريف الكثافة والجهد الكبير بدقة عبر نطاق واسع من درجات الحرارة والضغوط.
نجحت في التقاط الانتقال من الحالات الشبيهة بالبخار إلى الحالات الشبيهة بالسائل داخل المسام مع زيادة التجاذب مع الجدار، متفوقة بذلك على نظرية cDFT التقلية القائمة على المجال المتوسط.

ب. انتقائية المسام والتركيبة الأزيوتريبية

التحول في الانتقائية: بالنسبة للجدران المتماثلة، يمتص المسام بشكل تفضيلي المكون الأقل وفرة والذي يمتلك تفاعلات (مائع-مائع) أضعف. ومع ذلك، يحدث تحول حيث تنعكس الانتقائية.
النقطة غير الانتقائية: يحدث هذا التحول تحديداً عند التركيبة الأزيوتريبية للكتلة ( $x^{(az)}_B \approx 0.67$ ).
القوة والمتانة: تستمر هذه الظاهرة عبر الأنظمة تحت الحرجة، والحرجة، وفوق الحرجة. حتى عندما يكون مائع الكتلة بعيداً عن تعايش الطور، تظل التركيبة التي يكون عندها المسام غير انتقائي ثابتة عند النقطة الأزيوتريبية.

ج. البصمات الديناميكية الحرارية للكتلة

كشف تحليل معادلة الحالة للكتلة أن التركيبة الأزيوتريبية تقابل:

تساوي الأحجام المولية الجزئية: الأحجام المولية الجزئية للنوع A والنوع B متساوية ( $\tilde{v}_A = \tilde{v}_B$ ) عند التركيبة الأزيوتريبية، بغض النظر عن الضغط أو درجة الحرارة.
القيم القصوى في الانضغاطية متساوية الحرارة: تظهر الانضغاطية متساوية الحرارة ( $\kappa_T$ ) قيمة قصوى محلية (حد أدنى أو أقصى اعتماداً على الضغط) عند التركيبة الأزيوتريبية.

د. الأصل الديناميكي الحراري للانتقائية

تعريف الـ Aneotrope: النقطة التي يكون فيها الامتصاص النسبي صفراً ( $\Gamma^{(B)}_A = 0$ ) تُعرف بـ النقطة اللا-أزيوتريبية (aneotropic point).
الطاقة الحرة للواجهة: تقابل النقطة اللا-أزيوتريبية قيمة قصوى (extremum) في التوتر السطحي بين الجدار والمائع ( $\gamma$ $γ$ ).
- عند الضغوط المنخفضة، يمتلك $\gamma$ حداً أدنى محلياً عند النقطة اللا-أزيوتريبية.
- عند الضغوط العالية، ينتقل إلى حد أقصى محلي.
الجدران غير المتماثلة: عندما تختلف ألفة الجدران ( $\Delta \epsilon_w \neq 0$ )، تنزاح التركيبة اللا-أزيوتريبية خطياً مع فرق ألفة الجدار، لكن الرابط الأساسي بين النقطة اللا-أزيوتريبية والحد الأقصى للتوتر السطحي يظل قائماً.

5. الأهمية والآثار المترتبة

الأهمية الصناعية: توفر هذه النتائج أساساً نظرياً لتصميم عمليات الفصل باستخدام المواد ذات المسام النانوية. إذا كان الخليط عند تركيبته الأزيوتريبية، فإن المسام المتماثل لن يفصل المكونات، بغض النظر عن الضغط أو درجة الحرارة (حتى في الظروف فوق الحرجة).
التقدم النظري: يجسد هذا العمل الفجوة بين ديناميكا الكتلة الحرارية وظواهر السطح، موضحاً أن خصائص الكتلة (مثل الأحجام المولية الجزئية) هي التي تملي سلوك الأنظمة المحصورة.
الكفاءة الحسابية: يوفر نهج "Neural LMFT" بديلاً عالي الكفاءة حسابياً لـ GCMC، قادراً على فحص نطاقات واسعة من الظروف الديناميكية الحرارية وهندسات المسام في دقائق على الأجهزة القياسية، مع الحفاظ على دقة عالية.
الاتجاهات المستقبلية: يقترح المؤلفون إمكانية توسيع هذا الإطار ليشمل المخاليط ذات أحجام الجسيمات المتباينة من خلال دمجه مع "meta-DFT" (تعلم اعتماد الدالة على جهود التفاعل مباشرة) واستخدام التعلم الآلي لتوليد معادلات حالة (EoS) للكتلة.

باختصار، يوضح البحث أن نظرية الكثفة الكلاسيكية المعززة بالتعلم الآلي يمكنها نمذجة السوائل المحصورة المعقدة بدقة، كاشفة عن أن التركيبة الأزيوتريبية تعمل كنقطة "غير انتقائية" عالمية بالنسبة للحصر المتماثل، مدفوعة بخصائص ديناميكية حرارية محددة للكتلة (تساوي الأحجام المولية الجزئية) وتتجلى كقيمة قصوى في الطاقة الحرة للواجهة.