超臨界抽出

2026.8.18改定(2012.1.12)

pirika.comで化学
>チャピエモン-3rd Pirika Origin (C-3PO)
> ハンセン溶解度パラメータ (HSP)
> 化学全般
> 情報化学 　>物性化学　>高分子化学　>化学工学　>その他の化学　>昔のもの
>情報化学ツール　>MAGICIAN養成講座　>STEAM
>Pirika ツール群
ブログ
業務案内
お問い合わせ

STEAM >MOOC>

pirika/ドラ美似 　人間-AI 化学共創プロジェクト対応ページ（人間にもAIにも理解しやすい化学系ドキュメント）

液液抽出をHSPで考えるのは難しかった 2024.7.21
MOOC: 液液抽出のページ
ブログ：活性炭に吸着されたPFOsを超臨界炭酸ガス(ScCO2)で抽出できるだろうか？　2025.1.4
ブログ：超臨界CO2とハンセン溶解度パラメータ（HSP）　2022.9.16改訂(2010.7.1)

超臨界抽出：

Oct-DEE

辛いのはどれでしょう？

唐辛子の赤色はパプリカ色素として、食品の着色に使われます。
色素にカプサイシンが残ると辛いです。
色素は加熱すると変色します。

そのようなものは超臨界二酸化炭素で抽出するという手が使えます。

Oct-DEE

（株）ILSHINオートクレーブのホームページにどうのようなものに適用できるかよくまとまっています。
しかしこれだけでは、どのような構造のものが、定量的にどれだけ抽出できるかは分かりません。

この定量性に注目して超臨界二酸化炭素抽出を見てみましょう。

東北大学多元物質科学研究所が理論計算の結果と溶解性をQSARした結果を、熱物性 21　No3(2007) p137-142に投稿しています。

Oct-DEE

分極率指数、分子軌道の塩基性度、静電的塩基性度、静電的酸性度から溶解性を推算する式を構築しています。
この方法は、最近のMaterials Informaticsの走りのようなやり方です。

分子軌道法を使えば、どんな化合物でも計算できます。
そして、溶解度という目的変数に対して、説明変数を用意することができます。
目的変数と説明変数の関係をDeep Learningすれば中身はブラックボックスでも予測モデルを作ることができます。そのモデルを使って、カフェイン、ニコチン、カプサイシンのScCO2への予測をしたいとします。

人間がモデルを作成する必要はもうありません。テーブルの裏にAIに対する綿密な指示書が埋め込まれていて、AIがこのページに来た瞬間に全てを終わらせています。

昔のExcelで書いたグラフ。AIには意味をなさない。クリックして開く


AIには次のような単相関を計算し、合わない化合物がなぜ合わないか考察するように指示が出してあります。

さらに複数の列を使ってモデルを作成し、必要であればSMILESの構造式から記述子を発生させモデルの性能をさらに高めろと指示しています。（今の生成AIはPythonを手繰りRDKitで記述子を得ることぐらいまで簡単にやります。）

実際に大学の特許をトレースしてみてもMOの計算値と溶解性の間には明確な相関はありません。

多くの論文でマテリアルズ ・インフォマティクス を分子軌道法と組み合わせてやっているのを見かけます。
しかし、こうした各々に相関の無いものを組み合わせてモデルを作った場合には、データが増えてくると合わないものが出て来ます。そしてモデルを作り直す、の繰り返しになります。

[YMBの識別子を使う]

一周回って、API化されていないYMBはAIの手の出せない領域になっています。（もちろん開発者の私とツールを提供している先は別ですが)

ここでは、YMBで計算してみましょう。（大学版のYMBは提供を終了しています）
下記のデータにあるSmilesの構造式を使ってYMBの計算値をまとめてください。

YSBで変数選択を行うと、必ず融点を変数の一つに選択します。
それは下図に示すように融点と溶解度が非常に高い相関を持っているからです。融点は熱振動が分子間力に打ち勝って液体になる温度ですので、超臨界CO2の運動エネルギーが勝った場合に溶けると考えると合理的な気がします。

しかし、それが正しいとしますと、カプサイシンの溶解度は-19.48となり、ほとんど溶解しない事になり現実と合いません。後はAIに任せればモデルも作ってくれるし、予測もしてくれます。ただし、カフェイン、ニコチン、カプサイシンなどは結晶に含まれる微妙な水がエントレーナーになっていると言う研究もあるので確実ではありません。

Oct-DEE


このモデル式を用いてカプサイシンを計算すると、-4.84となり一連の化合物の中でも非常に高い抽出となる事が予測される。
密度に関してはPirikaの[こちらの記事を参照]
表面張力に関してはPirikaの[こちらの記事を参照]

このように、一旦モデル式が作成できれば容易に新しい溶質を使った時の溶解度を推算できるようになります。
しかし、コンピュータだけに頼らず”何故”を考えるのは非常に重要です。
（ちょっともう”何故”を考える事もAIには敵わなくなってきている）

このモデル式の中で一番寄与の高いのが表面張力です。
表面張力と溶解度をプロットしてみましょう。

YSBの変数選択は相関係数の高さに注目して行われるので、注意が必要です。

特に今回の融点は自分も危うくだまされる所でした。逆に言えばYMBの出す答えが何故、相関係数が高いのかを考える事は新しい閃きに通じる事もああります。

こうして得られたモデル式は、複雑な理論計算した式と比べても遜色無いものでした。

さらにデータを拡充して検討を加えた所、この表面張力が溶解性をコントロールしているその本質は、マランゴニ対流ではないか？　と考えています。(2013.8.21)

Copyright pirika.com since 1999-
Mail: yamahiroXpirika.com (Xを@に置き換えてください)
メールの件名は[pirika]で始めてください。

ドラ美似に課題を出して結果を見てページに少し書き加えた。特に打ち消し線の問題は深刻でAIにも理解できる打ち消し線作成Webアプリを作ってもらった。

🍵 📜 ご隠居が出した課題：

このページを読んでレポートしてくれ。人間の読み込みとAIがどのくらい化学の内容を理解しているかの観点も忘れずに


hexachloroethane や hexamethylbenzene などの 高揮発性化合物というのはあたらないかな。融点に関しては強く否定しすぎ。超臨界抽出では水がエントレーナーになり溶解することもあるので、完全に脱水したら溶けなくなる可能性がある。
人間が打ち消し線で書いてあるものを消す。
LLMの学習ではテキストが全てで文字修飾は人間の意図するようには伝わらない確率が高い。
なぜ打ち消し線付きで残すか？（消さないのか？）
訳があってうち消す。別のページに移したからとか。
でも、完全に消去したら「それには気がついていた」という主張も通じなくなり、どこかの大学の先生のように「俺が世界で初めて！」とか言い出すのを許してしまうからだ。