3. 共聚物Tg计算的核心模型

在丙烯酸树脂配方设计中，玻璃化温度（Tg）是决定成膜性、硬度、柔韧性和最低成膜温度的关键参数。均聚物的Tg可以通过查表获得，但实际使用的丙烯酸树脂几乎都是多种单体共聚而成，因此必须借助共聚物Tg计算模型来预测。本节聚焦三个最常用的模型——Fox方程、Gordon-Taylor方程和Pochan方程，从数学形式、适用条件和参数意义三个维度展开，帮助你在实际配方计算中选对模型、用对参数。

一、Fox方程：最常用的加权倒数模型

Fox方程由T. G. Fox于1956年提出，其数学形式为：

1/Tg = w1/Tg1 + w2/Tg2 + ... + wn/Tgn

式中，Tg为共聚物的玻璃化温度（绝对温度，K），wi为第i种单体在共聚物中的质量分数，Tgi为该单体均聚物的玻璃化温度（K）。注意温度必须使用开尔文，若用摄氏度需先加273.15转换。Fox方程的本质是假设共聚物的自由体积具有加和性，即各单体单元对自由体积的贡献按质量分数线性叠加，从而导出Tg倒数的加权平均。

Fox方程的适用条件较为明确：它最适合描述无规共聚物，且各单体均聚物Tg差异不太悬殊（一般建议Tg差值不超过100 K）的体系。对于丙烯酸酯类单体体系，如MMA（Tg约378 K）、BA（Tg约219 K）、2-EHA（Tg约218 K）、St（Tg约373 K）等常见组合，Fox方程通常能给出工程上可接受的预测精度。但当单体间存在强烈相互作用（如氢键、极性效应）或Tg差异极大时，Fox方程会偏离实测值。

二、Gordon-Taylor方程：引入相互作用参数

Gordon-Taylor方程最初用于描述增塑剂对聚合物Tg的影响，后被推广至共聚物体系。其二元形式为：

Tg = (w1·Tg1 + k·w2·Tg2) / (w1 + k·w2)

式中k为Gordon-Taylor参数，通常取k≈ρ1·Tg2/(ρ2·Tg1)或通过实验拟合确定，ρ为密度。与Fox方程相比，Gordon-Taylor方程多了一个可调参数k，能够部分吸收单体间相互作用和自由体积非理想性的影响。当k=1时，Gordon-Taylor方程退化为线性加权形式；当k取特定值时，可与Fox方程近似等价。

Gordon-Taylor方程的适用条件更宽泛，尤其适合含增塑剂、溶剂残留或单体极性差异较大的共聚体系。在丙烯酸树脂中，若配方含有较多极性单体（如AA、MAA）或与苯乙烯共聚，Gordon-Taylor方程往往比Fox方程更贴近实测Tg。但k值的确定需要额外信息——要么通过密度估算，要么通过至少一个已知Tg的实验点反算，这在实际配方开发中增加了工作量。

三、Pochan方程：考虑序列结构的修正模型

Pochan等人提出的模型进一步考虑了共聚物序列分布对Tg的影响。其形式可写为：

Tg = Tg1 + (Tg2 - Tg1)·(1 - w1)^n

式中n为拟合指数，反映序列长度和单体排列对Tg的贡献。Pochan方程的核心思想是：共聚物的Tg不仅取决于组成，还取决于单体单元的序列结构（嵌段长度、交替倾向）。当n=1时退化为线性混合；n偏离1的程度反映了序列非理想性。该模型在苯乙烯-丙烯酸酯嵌段或梯度共聚体系中表现出更好的预测能力。

Pochan方程的适用条件相对苛刻：需要已知或可估算的序列结构信息，n值通常需通过多个组成点的Tg数据拟合获得。对于常规无规共聚的丙烯酸树脂，若缺乏序列表征数据，Pochan方程的参数不确定性反而可能大于Fox方程。因此，它更适合研究型配方开发或对序列结构有明确控制需求的场景。

四、参数意义与工程选用建议

三个模型的参数意义各有侧重。Fox方程中的wi和Tgi都是可直接查表或由配方计算得到的“硬参数”，不需要实验拟合，因此工程上最易用。Gordon-Taylor方程中的k是“软参数”，既可由密度估算（k≈ρ1Tg2/ρ2Tg1），也可用一个实测Tg点反算，适合在已有少量实验数据时提升精度。Pochan方程中的n同样是软参数，且对序列结构敏感，通常需要至少三个不同组成点的Tg数据拟合，适用于研究型开发。

在实际丙烯酸树脂配方计算中，建议按以下顺序操作：首先用Fox方程做初步估算，得到Tg的基准值；若配方中含极性单体比例较高（如AA超过5%）或与苯乙烯共聚，再用Gordon-Taylor方程复核，k值可先用密度估算；若体系为嵌段或梯度共聚，或Fox与实测偏差超过10 K，则考虑用Pochan方程拟合。无论选用哪个模型，都应至少用一个已知配方的实测Tg（如DSC测得）进行校核，偏差在5 K以内可认为模型适用，超过10 K则需检查参数取值或模型适用性。

综上，Fox方程是丙烯酸树脂共聚物Tg计算的“默认工具”，Gordon-Taylor方程是考虑相互作用的“修正工具”，Pochan方程是面向序列结构的“研究工具”。理解三者的数学形式与参数意义，根据配方特征选择合适模型，并用实测数据校核，才能让Tg预测真正服务于配方设计。