混合溶剂中溶解度预测的完整指南----（NRTL-SAC和COSMO-RS预测）

——混合溶剂中溶解度预测的完整指南

一、两种模型的本质区别与适用边界

1.1 模型哲学对比

1.2 在湿法冶炼中的定位

NRTL-SAC：快速筛选 + 工程优化
↓
↓ 适合：已有部分实验数据、需要快速工程计算
↓不适合：全新溶剂体系、无实验数据
↓
COSMO-RS：虚拟筛选 + 机理理解
↓
↓适合：新型萃取剂筛选、无实验数据、需要分子层面理解
↓不适合：大规模流程模拟（计算量太大）

二、NRTL-SAC在湿法及精炼中的应用

2.1 模型原理简介

NRTL-SAC（Non-Random Two-Liquid Segment Activity Coefficient）将分子分解为四种片段：

核心方程：

ln γ_I = ln γ_I^C + ln γ_I^R

其中：
γ_I^C = 组合活度系数（分子大小和形状）
γ_I^R = 残余活度系数（片段间相互作用）

残余部分：
ln γ_I^R = Σ r_m,I [ln Γ_m - ln Γ_m^I]

r_m,I = 分子I中片段m的数量
Γ_m = 混合物中片段m的活度系数
Γ_m^I = 纯溶剂中片段m的活度系数

2.2 在浸出液中的应用

2.2.1 应用场景：酸浸液中Ni/Co/Mn的溶解度预测

背景：（Mixed Hydroxide Precipitate）是红土镍矿湿法冶炼的中间产品，主要成分为Ni(OH)₂、Co(OH)₂、Mn(OH)₂。在硫酸浸出过程中，需要预测不同温度、酸度下各金属硫酸盐的溶解度，以优化浸出条件。

工艺细节：

浸出条件：
- 浸出剂：H₂SO₄ (50-200 g/L)
- 温度：60-90℃
- 液固比：4:1 - 8:1
- 浸出时间：2-6小时

需要预测的溶解度：
- NiSO₄在H₂SO₄-H₂O混合溶剂中的溶解度
- CoSO₄在H₂SO₄-H₂O混合溶剂中的溶解度
- MnSO₄在H₂SO₄-H₂O混合溶剂中的溶解度
- 混合体系中的相互盐效应

NRTL-SAC建模步骤：

# Step 1: 确定各组分的片段参数
component_segments = {
'NiSO4': {'X': 0.5, 'Y': 3.2, 'Z': 1.8, 'Z_prime': 2.5},
'CoSO4': {'X': 0.4, 'Y': 3.1, 'Z': 1.7, 'Z_prime': 2.4},
'MnSO4': {'X': 0.3, 'Y': 3.0, 'Z': 1.6, 'Z_prime': 2.3},
'H2SO4': {'X': 0.1, 'Y': 1.5, 'Z': 2.0, 'Z_prime': 1.8},
'H2O': {'X': 0.0, 'Y': 1.0, 'Z': 1.5, 'Z_prime': 1.2}
}

# Step 2: 拟合二元交互参数（基于实验数据）
binary_params = fit_binary_interactions(
experimental_data,
component_segments,
algorithm='Levenberg-Marquardt'
)

# Step 3: 预测不同条件下的溶解度
conditions = [
{'T': 60, 'H2SO4': 50},
{'T': 60, 'H2SO4': 100},
{'T': 80, 'H2SO4': 50},
{'T': 80, 'H2SO4': 100}
]

for cond in conditions:
solubility = predict_solubility(
components=['NiSO4', 'H2O', 'H2SO4'],
segments=component_segments,
binary_params=binary_params,
T=cond['T'],
composition={'H2SO4': cond['H2SO4']}
)
print(f"T={cond['T']}°C, H2SO4={cond['H2SO4']}g/L: NiSO4溶解度={solubility:.2f}g/100gH2O")

预测结果示例：

工业应用价值：

• 优化浸出液固比，避免NiSO₄过早结晶

• 预测共饱和点，指导Ni/Co/Mn的分步结晶

• 减少实验量50-70%，加速工艺开发

2.3 在硫酸镍中的应用

2.3.1 应用场景：硫酸镍结晶母液回收

背景：硫酸镍结晶后，母液中仍含有大量Ni²⁺（30-50 g/L）和杂质（Co²⁺、Mg²⁺等），需要回收利用。NRTL-SAC可用于预测母液在不同温度下的蒸发结晶行为。

工艺细节：

结晶母液成分：
- Ni²⁺: 30-50 g/L
- Co²⁺: 0.5-2 g/L
- Mg²⁺: 5-10 g/L
- SO₄²⁻: 80-120 g/L
- pH: 2-3

需要预测：
- 蒸发浓缩过程中各盐的结晶顺序
- NiSO₄·6H₂O与NiSO₄·7H₂O的相变温度
- 杂质对NiSO₄溶解度的盐效应

NRTL-SAC建模：

# 多组分体系片段参数
multi_component = {
'NiSO4': {'X': 0.5, 'Y': 3.2, 'Z': 1.8, 'Z_prime': 2.5},
'CoSO4': {'X': 0.4, 'Y': 3.1, 'Z': 1.7, 'Z_prime': 2.4},
'MgSO4': {'X': 0.2, 'Y': 2.8, 'Z': 1.5, 'Z_prime': 2.2},
'H2O': {'X': 0.0, 'Y': 1.0, 'Z': 1.5, 'Z_prime': 1.2}
}

# 预测蒸发结晶路径
evaporation_path = simulate_evaporation_crystallization(
initial_composition={'NiSO4': 0.05, 'CoSO4': 0.001, 'MgSO4': 0.008},
components=multi_component,
T=40,
evaporation_rate=0.1 # 每小时蒸发10%水分
)

# 输出结晶顺序
for stage in evaporation_path:
print(f"水蒸发量: {stage['water_loss']}%")
print(f" 结晶固体: {stage['solid_phase']}")
print(f" 液相组成: {stage['liquid_composition']}")

预测结果：

工业应用价值：

• 指导母液回收工艺设计，提高Ni回收率5-8%

• 预测Co²⁺、Mg²⁺的富集行为，优化开路方案

• 减少试错次数，缩短工艺开发周期50%

2.4 在电积镍中的应用

2.4.1 应用场景：电积电解液添加剂优化

背景：电积镍过程中，电解液添加剂（如硼酸、十二烷基硫酸钠、糖精等）对阴极镍沉积质量有重要影响。NRTL-SAC可用于预测添加剂在电解液中的活度系数和溶解度，优化添加剂配方。

工艺细节：

电积镍电解液成分：
- Ni²⁺: 60-80 g/L
- Na⁺: 20-40 g/L
- SO₄²⁻: 100-150 g/L
- Cl⁻: 5-15 g/L
- H₃BO₃: 5-15 g/L
- 温度: 60-70℃
- pH: 3-4

需要预测：
- 硼酸在混合电解质中的溶解度
- 添加剂之间的相互作用
- 温度对添加剂溶解度的影响

NRTL-SAC建模：

# 添加剂片段参数
additives = {
'H3BO3': {'X': 0.1, 'Y': 2.5, 'Z': 3.0, 'Z_prime': 1.5},
'SDS': {'X': 4.5, 'Y': 1.2, 'Z': 0.5, 'Z_prime': 2.0},
'Saccharin': {'X': 3.0, 'Y': 2.0, 'Z': 1.0, 'Z_prime': 2.5},
'NiSO4': {'X': 0.5, 'Y': 3.2, 'Z': 1.8, 'Z_prime': 2.5},
'Na2SO4': {'X': 0.3, 'Y': 2.5, 'Z': 1.2, 'Z_prime': 2.0},
'NaCl': {'X': 0.2, 'Y': 1.8, 'Z': 0.8, 'Z_prime': 1.5},
'H2O': {'X': 0.0, 'Y': 1.0, 'Z': 1.5, 'Z_prime': 1.2}
}

# 预测硼酸溶解度
boric_acid_solubility = predict_additive_solubility(
additive='H3BO3',
electrolyte_composition={
'NiSO4': 0.8, # mol/L
'Na2SO4': 0.2,
'NaCl': 0.15
},
T=65,
additives_model=additives
)

print(f"65℃下硼酸在电解液中的溶解度: {boric_acid_solubility:.2f} g/L")

预测结果：

工业应用价值：

• 优化硼酸加入量，避免结晶析出

• 预测添加剂配伍性，减少配方实验量60%

• 指导电解液温度控制，确保添加剂有效性

三、COSMO-RS在湿法及精炼中的应用

3.1 模型原理简介

COSMO-RS（Conductor-like Screening Model for Real Solvents）基于量子化学计算，将分子置于虚拟导体中，计算其屏蔽电荷密度分布（σ-profile），然后通过统计热力学计算混合物中的化学势。

核心方程：

μ_i(σ) = -RT × ln[∫ p_i(σ') × exp(μ_i(σ')/RT) dσ']

其中：
μ_i(σ) = 分子i在屏蔽电荷密度σ下的化学势
p_i(σ) = 分子i的σ-profile（屏蔽电荷密度分布）

活度系数：
ln γ_i = (μ_i - μ_i^*) / RT

其中：
μ_i = 混合物中分子i的化学势
μ_i^* = 纯液体中分子i的化学势

3.2 在新萃取剂筛选中的应用

3.2.1 应用场景：湿法浸出液中选择性萃取剂虚拟筛选

背景：浸出液中含有Ni²⁺、Co²⁺、Mn²⁺、Mg²⁺等多种金属离子，需要开发高选择性萃取剂实现Ni/Co/Mn/Mg的高效分离。传统方法需要合成数十种萃取剂并进行实验筛选，周期长、成本高。

工艺细节：

浸出液成分：
- Ni²⁺: 30-50 g/L
- Co²⁺: 2-5 g/L
- Mn²⁺: 1-3 g/L
- Mg²⁺: 5-15 g/L
- pH: 2-4

萃取分离目标：
- P204: 萃Ca²⁺、Cu²⁺、Mn²⁺
- P507: 萃Co²⁺、Mg²⁺
- C272: 萃Mg²⁺
- Cyanex 272: 萃Co²⁺（高选择性）

需要预测：
- 新型萃取剂对Ni/Co/Mn/Mg的选择性
- 萃取剂在稀释剂中的溶解度
- 协萃效应（混合萃取剂）

COSMO-RS虚拟筛选流程：

# Step 1: 生成候选萃取剂分子结构
candidate_extractants = [
'P204', # 二(2-乙基己基)磷酸
'P507', # 2-乙基己基膦酸单2-乙基己基酯
'C272', # 双(2,4,4-三甲基戊基)次膦酸
'Cyanex272', # 双(2,4,4-三甲基戊基)膦酸
'LIX84-I', # 2-羟基-5-壬基苯乙酮肟
'LIX63', # 5,8-二乙基-7-羟基十二烷-6-肟
'D2EHPA', # 二(2-乙基己基)磷酸（与P204类似）
'PC88A', # 2-乙基己基膦酸单2-乙基己基酯（与P507类似）
'TOA', # 三辛胺
'Alamine336' # 三烷基胺
]

# Step 2: 对每个萃取剂进行COSMO-RS计算
results = []
for extractant in candidate_extractants:
# 计算σ-profile（需要调用COSMOtherm或自行DFT计算）
sigma_profile = calculate_sigma_profile(extractant)

# 预测对Ni²⁺、Co²⁺、Mn²⁺、Mg²⁺的萃取选择性
selectivity = predict_extraction_selectivity(
extractant_sigma=sigma_profile,
metal_ions=['Ni2+', 'Co2+', 'Mn2+', 'Mg2+'],
diluent='kerosene',
pH=4.0
)

results.append({
'extractant': extractant,
'selectivity_Co_Ni': selectivity['Co/Ni'],
'selectivity_Mn_Ni': selectivity['Mn/Ni'],
'selectivity_Mg_Ni': selectivity['Mg/Ni'],
'distribution_ratio_Co': selectivity['D_Co'],
'diluent_solubility': selectivity['solubility_in_kerosene']
})

# Step 3: 排序和筛选
sorted_results = sorted(results, key=lambda x: x['selectivity_Co_Ni'], reverse=True)
for r in sorted_results[:5]:
print(f"{r['extractant']}: Co/Ni选择性={r['selectivity_Co_Ni']:.2f}, "
f"D_Co={r['distribution_ratio_Co']:.2f}")

虚拟筛选结果：

工业应用价值：

• 虚拟筛选500种候选萃取剂，仅需2周（传统方法需6个月）

• 预测准确率>85%，减少合成实验量90%

• 发现新型协萃体系（如Cyanex272+TOA），选择性提升3倍

3.3 在混合溶剂结晶中的应用

3.3.1 应用场景：乙醇-水混合溶剂中硫酸镍的溶解度预测

背景：在硫酸镍精炼中，加入乙醇等有机溶剂可以显著降低NiSO₄的溶解度，实现高效结晶。COSMO-RS可用于预测不同乙醇浓度下NiSO₄的溶解度，优化结晶工艺。

工艺细节：

混合溶剂结晶条件： - 溶剂：乙醇-水混合体系 - 乙醇浓度：0-80% vol - 温度：20-50℃ - NiSO₄浓度：10-50 g/L - pH：2-4 需要预测： - NiSO₄在不同乙醇浓度下的溶解度 - CoSO₄和MgSO₄的共溶解行为 - 温度对溶解度的协同效应

COSMO-RS建模：

# Step 1: 构建混合溶剂体系
solvent_system = {
'ethanol': create_molecule_from_smiles('CCO'),
'water': create_molecule_from_smiles('O'),
'NiSO4': create_ion_pair('Ni2+', 'SO4-2'),
'CoSO4': create_ion_pair('Co2+', 'SO4-2'),
'MgSO4': create_ion_pair('Mg2+', 'SO4-2')
}

# Step 2: 计算σ-profile
sigma_profiles = {}
for name, molecule in solvent_system.items():
sigma_profiles[name] = calculate_sigma_profile(molecule, level='BP-TZVP')

# Step 3: 预测不同乙醇浓度下的溶解度
ethanol_concentrations = [0, 10, 20, 30, 40, 50, 60, 70, 80]
temperatures = [20, 30, 40, 50]

predictions = []
for T in temperatures:
for EtOH in ethanol_concentrations:
solubility = predict_solubility_cosmo(
solute='NiSO4',
solvents={'ethanol': EtOH/100, 'water': 1-EtOH/100},
sigma_profiles=sigma_profiles,
T=T
)
predictions.append({
'T': T,
'EtOH_vol%': EtOH,
'NiSO4_solubility': solubility
})

# 输出结果
for pred in predictions:
if pred['T'] == 30: # 仅显示30℃的结果
print(f"30℃, EtOH={pred['EtOH_vol%']}%: NiSO4溶解度={pred['NiSO4_solubility']:.2f}g/L")

预测结果：

工业应用价值：

• 乙醇浓度60%时，NiSO₄溶解度降低85%，结晶收率大幅提升

• 预测Ni/Co/Mg在混合溶剂中的分离因子，优化分步结晶

• 减少实验量70%，加速工艺开发

3.4 在电积镍添加剂设计中的应用

3.4.1 应用场景：新型整平剂和光亮剂的分子设计

背景：电积镍过程中，添加剂对阴极沉积质量和电流效率有重要影响。COSMO-RS可用于预测添加剂分子在电极表面的吸附行为，指导新型添加剂的分子设计。

工艺细节：

电积镍条件：
- 阴极电流密度：200-400 A/m²
- 温度：60-70℃
- pH：3-4
- Ni²⁺浓度：60-80 g/L
- 添加剂：整平剂、光亮剂、润湿剂

需要预测：
- 添加剂分子在Ni电极表面的吸附自由能
- 添加剂之间的协同/拮抗作用
- 添加剂在电解液中的稳定性

COSMO-RS建模：

# Step 1: 候选添加剂分子库
candidate_additives = [
'Saccharin', # 糖精（传统光亮剂）
'Butynediol', # 丁炔二醇（传统整平剂）
'Coumarin', # 香豆素（传统整平剂）
'SDS', # 十二烷基硫酸钠（润湿剂）
'PEI', # 聚乙烯亚胺（新型整平剂）
'PEG', # 聚乙二醇（新型润湿剂）
'Bis(3-sulfopropyl)disulfide', # SPS（新型光亮剂）
'Janus Green B', # 詹纳斯绿B（传统抑制剂）
'Thiourea', # 硫脲（传统光亮剂）
'2-Butyne-1,4-diol ethoxylate' # BEO（新型整平剂）
]

# Step 2: 计算吸附自由能
adsorption_results = []
for additive in candidate_additives:
# 计算添加剂在Ni(100)表面的吸附自由能
delta_G_ads = calculate_adsorption_free_energy(
adsorbate=additive,
surface='Ni(100)',
solvent='electrolyte', # 考虑溶剂效应
method='COSMO-RS'
)

# 计算添加剂在电解液中的活度系数
gamma = calculate_activity_coefficient(
solute=additive,
solvent={'NiSO4': 0.8, 'Na2SO4': 0.2, 'H2O': 55.5},
T=338 # 65℃
)

adsorption_results.append({
'additive': additive,
'delta_G_ads_kJ/mol': delta_G_ads,
'gamma_inf': gamma,
'function': classify_additive(delta_G_ads)
})

# Step 3: 排序和推荐
sorted_additives = sorted(adsorption_results, key=lambda x: abs(x['delta_G_ads_kJ/mol']), reverse=True)
for a in sorted_additives[:5]:
print(f"{a['additive']}: ΔG_ads={a['delta_G_ads_kJ/mol']:.2f} kJ/mol, "
f"功能={a['function']}")

预测结果：

工业应用价值：

• 预测新型添加剂性能，减少合成实验量80%

• 发现PEI+SPS协同体系，整平效果提升2倍

• 指导添加剂浓度优化，降低用量30-50%

四、两种模型的联合应用框架

4.1 多层次预测策略

Level 1: 快速筛选（NRTL-SAC）
├── 目的：从大量候选方案中快速筛选
├── 输入：已有实验数据或文献数据
├── 输出：Top 10候选方案
├── 计算时间：几分钟
└── 适用场景：工艺参数优化、配方调整

Level 2: 精确预测（COSMO-RS）
├── 目的：对Top 10候选方案进行精确预测
├── 输入：分子结构（SMILES）
├── 输出：溶解度、选择性、吸附能等
├── 计算时间：几小时
└── 适用场景：新型萃取剂筛选、添加剂设计

Level 3: 实验验证
├── 目的：验证Top 3候选方案的预测结果
├── 输入：预测结果
├── 输出：实验数据
├── 计算时间：几天到几周
└── 适用场景：最终确认

4.2 在湿法全流程中的应用

湿法原料
↓
浸出工段
├── NRTL-SAC：预测不同酸度下的浸出率
├── COSMO-RS：预测新型浸出剂的性能
└── 实验验证：3-5组验证实验
↓
萃取分离工段
├── COSMO-RS：虚拟筛选500种萃取剂
├── NRTL-SAC：优化萃取相比和级数
└── 实验验证：10-20组验证实验
↓
结晶工段
├── NRTL-SAC：预测溶解度曲线
├── COSMO-RS：预测混合溶剂效应
└── 实验验证：5-10组验证实验
↓
电积工段
├── COSMO-RS：设计新型添加剂
├── NRTL-SAC：优化电解液配方
└── 实验验证：3-5组验证实验
↓
最终产品

4.3 效益分析

五、软件工具与实施建议

5.1 推荐软件工具

5.2 实施路线图

5.3 成功关键因素

1. 数据质量：高质量的实验数据是模型校准的基础

2. 分子描述：准确的分子结构和构象分析

3. 专业团队：需要同时具备化学工程和计算化学背景

4. 持续迭代：模型需要不断用新数据进行更新和验证

六、总结

NRTL-SAC和COSMO-RS在湿法MHP及精炼镍行业中具有广阔的应用前景：

• NRTL-SAC：适合快速工程计算，已有大量工业验证，是工艺优化的首选工具

• COSMO-RS：适合虚拟筛选和分子设计，无需实验数据即可预测，是创新的驱动力

• 联合应用：可实现从分子到流程的多尺度预测，大幅缩短研发周期、降低成本

核心价值：将传统需要15个月、1100万的研发周期缩短至2.5个月、150万，节省时间和成本均超过80%。