Молекулярно-динамический расчет межфазного натяжения в двухфазной системе жидкий углеводород–вода–ПАВ: от разреженного монослоя ПАВ до сверхплотного

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Предложен способ вычисления низких значений межфазного натяжения (МФН) на основе молекулярно-динамического моделирования систем со сверхплотной упаковкой молекул поверхностно-активных веществ (ПАВ) на межфазной границе вода – жидкий углеводород. Методом молекулярной динамики с использованием полноатомных и грубозернистых моделей выполнены расчеты межфазного натяжения в двухфазных системах вода–алкан (декан, додекан) в присутствии различных индивидуальных ПАВ. Были рассмотрены следующие ионные и неионные ПАВ: додецилсульфат натрия (ДСН), хлорид цетилтриметиламмония (ЦТАХ), додецилбензолсульфонат натрия (ДБСН), децет-6 сульфат натрия C10E6SO4Na, монодециловый эфир гексаэтиленгликоля (C10E6), монононадециловый эфир триэтиленгликоля (C19E3), монододециловый эфир октапропоксипентаэтиленгликоля (C12P8E5). Показано, что увеличение адсорбции ПАВ до предельных значений снижает межфазное натяжение вплоть до нуля.

Full Text

Restricted Access

About the authors

А. А. Ванин

Санкт-Петербургский государственный университет

Email: nikolay.volkov@spbu.ru
Russian Federation, Санкт-Петербург, 199034

Н. А. Волков

Санкт-Петербургский государственный университет

Author for correspondence.
Email: nikolay.volkov@spbu.ru
Russian Federation, Санкт-Петербург, 199034

Е. Н. Бродская

Санкт-Петербургский государственный университет

Email: nikolay.volkov@spbu.ru
Russian Federation, Санкт-Петербург, 199034

А. К. Щёкин

Санкт-Петербургский государственный университет

Email: nikolay.volkov@spbu.ru
Russian Federation, Санкт-Петербург, 199034

Е. А. Турнаева

Тюменский государственный университет

Email: nikolay.volkov@spbu.ru
Russian Federation, Тюмень, 625003

М. С. Половинкин

Санкт-Петербургский государственный университет

Email: nikolay.volkov@spbu.ru
Russian Federation, Санкт-Петербург, 199034

Ю. А. Ерошкин

Санкт-Петербургский государственный университет

Email: nikolay.volkov@spbu.ru
Russian Federation, Санкт-Петербург, 199034

References

  1. Иванова А. А., Кольцов И. Н., Громан А. А. и др. // Нефтехимия. 2023. Т. 63. № 4. С. 449. https://doi.org/10.31857/S0028242123040019 (Ivanova A. A., Koltsov I. N., Groman A. A., et al. // J. Petroleum Chem. 2023. V. 63. No. 8. P. 867.) https://doi.org/10.1134/S0965544123060142
  2. Shi P., Luo H., Ta X. et al. // RSC Advances. 2022. V.12. № 42. P. 27330. https://doi.org/10.1039/d2ra04772a
  3. Bui T., Frampton H., Huang Sh. et al. // Phys. Chem. Chem. Phys. 2021. V. 23. N. 44. P. 25075. https://doi.org/10.1039/D1CP03971G
  4. Müller P., Bonthuis D. J., Miller R. et al. // J. Phys. Chem. B. 2021. V. 125. N. 1. P. 406. https://doi.org/10.1021/acs.jpcb.0c08615
  5. Ghoufi A., Malfreyt P., Tildesley D. J. // Chem. Soc. Rev. 2016. V. 45. N. 5. P. 1387. https://doi.org/10.1039/C5CS00736D
  6. Negin C., Ali S., Xie Q. // Petroleum. 2017. V.3. P. 197. https://doi.org/10.1016/j.petlm.2016.11.007
  7. Belyaeva E. A., Vanin A. A., Victorov A. I. // Phys. Chem. Chem. Phys. 2018. V. 20. Is. 36. P. 23747. https://doi.org/10.1039/C8CP02488J
  8. Belyaeva E. A., Vanin A. A., Anufrikov Yu. A. et al. // Colloids Surf. A. 2016. V. 508. P. 93. https://doi.org/10.1016/j.colsurfa.2016.08.022
  9. Волков Н.А., Ерошкин Ю. А., Щекин А. К. и др. // Коллоидн. журн. 2021. Т. 83. № 4. С. 382. https://doi.org/10.31857/S0023291221040157 (Volkov N. A., Eroshkin Yu.A., Shchekin A.K et al. // Colloid J. 2021. V. 83. N. 4. P. 406.) https://doi.org/10.1134/S1061933X21040141
  10. Volkov N.A., Tuzov N. V., Shchekin A. K. // Fluid Phase Equilibria. 2016. V. 424. P. 114. https://doi.org/10.1016/j.fluid.2015.11.015
  11. Vanommeslaeghe K., Hatcher E., Acharya C. et al. // J. Comput. Chem. 2010. V. 31. P. 671. https://doi.org/10.1002/jcc.21367
  12. Yu W., He X., Vanommeslaeghe K., Mackerell A. D., Jr. // Ibid. 2012. V. 33. P. 2451. https://doi.org/10.1002/jcc.23067
  13. Klauda J.B., Venable R. M., Freites J. A. et al. // J. Phys. Chem. B. 2010. V. 114. P. 7830. https://doi.org/10.1021/jp101759q
  14. Jorgensen W.L., Chandrasekhar J., Madura J. D. et al. // J. Chem. Phys. 1983. V. 79. P. 926. https://doi.org/10.1063/1.445869
  15. Humphrey W., Dalke A., Schulten K. // J. Mol. Graph. 1996. V. 14. P. 33. https://doi.org/10.1016/0263-7855(96)00018-5
  16. Hanwell M.D., Curtis D. E., Lonie D. C. et al. // J. Cheminform. 2012. V. 4. P. 17. https://doi.org/10.1186/1758-2946-4-17
  17. Faria B. F., Vishnyakov A. M. // J. Chem. Phys. 2022. V. 157. Article 094706. https://doi.org/10.1063/5.0087363
  18. van Buuren A. R., Marrink S.-J., Berendsen H. J. C. // J. Phys. Chem. 1993. V. 97. P. 9206. https://doi.org/10.1021/j100138a023
  19. Bussi G., Donadio D., Parrinello M. // J. Chem. Phys. 2007. V. 126. № 014101. https://doi.org/10.1063/1.2408420
  20. Essmann U., Perera L., Berkowitz M. L. et al. // J. Chem. Phys. 1995. V. 103. P. 8577. https://doi.org/10.1063/1.470117
  21. Allen M.P., Tildesley D. J. Computer Simulation of Liquids. Oxford University Press, 2017. 2nd ed. 626 p.
  22. Френкель Д., Смит Б. Принципы компьютерного моделирования молекулярных систем: от алгоритмов к приложениям. Пер. с англ. и науч. ред. Иванов В. А., Стукан М. Р. М.: Научный мир, 2013. 559 с.
  23. Marrink S.J., de Vries A. H., Mark A. E. // J. Phys. Chem. B. 2004. V. 108. P. 750. https://doi.org/10.1021/jp036508g
  24. Marrink S.J., Risselada H. J., Yefimov S. et al. // J. Phys. Chem. B. 2007. V. 111. P. 7812. https://doi.org/10.1021/jp071097f
  25. Souza P.C.T., Alessandri R., Barnoud J. et al. // Nat Methods. 2021. V. 18. P. 382. https://doi.org/10.1038/s41592-021-01098-3
  26. Ndao M., Devémy J., Ghoufi A., Malfreyt P. // J. Chem. Theory Comput. 2015. V. 11. P. 3818. https://doi.org/10.1021/acs.jctc.5b00149
  27. Martínez L., Andrade R., Birgin E. G., Martínez J. M. // J. Comput. Chem. 2009. V. 30. № 13. P. 2157. https://doi.org/10.1002/jcc.21224
  28. Berendsen H.J.C., van der Spoel D., van Drunen R. // Comp. Phys. Comm. 1995. V. 91. P. 43. https://doi.org/10.1016/0010-4655(95)00042-E
  29. van der Spoel D., Lindahl E., Hess B. et al. // J. Comp. Chem. 2005. V. 26. P. 1701. https://doi.org/10.1002/jcc.20291
  30. Pronk S., Páll S., Schulz R. et al. // Bioinformatics. 2013. V. 29. P. 845. https://doi.org/10.1093/bioinformatics/btt055

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. 1. Full-atomic models of surfactants and ions: dodecyl sulfate anion C12H25OSO3– (a), cetyltrimethylammonium cation C16H33N+(CH3)3 (b), hexaethylene glycol decyl ether C10E6 (c), C12P8E5 molecule (d), C10E6SO4– anion (e).

Download (150KB)
Indexing metadata
3. 2. A simulation cell containing 170 molecules of C10E6SO4Na, 700 molecules of decane, and 10,000 molecules of water. The Z axis is perpendicular to both monolayers of surfactants.

Download (257KB)
Indexing metadata
4. 3. Coarse-grained models of surfactants and ions used in calculations: (a) monodecyl ether of hexaethylene glycol C10E6, (b) mononadecyl ether of triethylene glycol C19E3 and (c) dodecylbenzenesulfonate anion DBS. Coarse–grained power centers {CH3 - (CH2)2 –} and {– (CH2)3 –} are represented by black balls, the benzene ring is represented by two closely spaced gray balls, the power centers {– CH2 – O – CH2 –}, {– OH} and {– SO3–} are white, red and yellow balls, respectively.

Download (55KB)
Indexing metadata
5. Fig. 4. Dependences of MFN on the adsorption of DSN at the decane–water interface, obtained at a temperature of 300 K, with a different number of surfactant molecules in the simulation cell.

Download (20KB)
Indexing metadata
6. Fig. 5. Dependences of MFN on adsorption for a nonionic surfactant (C10E6) at the decane–water interface, obtained in full-atomic modeling at a temperature of 300 K and a different number of surfactant molecules (100 and 170 molecules) in the simulation cell.

Download (18KB)
Indexing metadata
7. 6. Two–phase three-component system: water-dodecane–C10E6. The shape of the main cell of the simulation at various preset values of interfacial tension γ: 50 (a), 30 (b), 0 mN/m (c). The X-axis is vertical, the Z-axis is horizontal, and the Y-axis is perpendicular to the image plane.

Download (156KB)
Indexing metadata
8. 7. Dependences of MFN on the adsorption of surfactants at the decane–water interface at a temperature of 300 K for five individual surfactants: C10E6, DSN, CTAH, C12P8E5 and C10E6SO4Na.

Download (43KB)
Indexing metadata
9. 8. Dependence of the interfacial tension on the amount of surfactant adsorption at the interfacial boundary in the water–dodecane–surfactant system for three different surfactants (C10E6, C19E3, DBSH). The temperature is 353 K, the system is in mechanical equilibrium with a gas under pressure PN = 1 bar. Coarse-grained modeling data.

Download (9KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».