烯丙基酚氧樹脂改性雙馬來酰亞胺體系的優化

江浩等

摘要：通過環氧樹脂與二烯丙基雙酚A合成了一種烯丙基酚氧樹脂，用以增韌雙馬來酰亞胺。在單因素試驗的基礎上，根據Box-Benhnken的中心組合試驗設計原理，選取改性樹脂體系組分為影響因子，應用響應面法進行3因素3水平的18組的設計試驗，改性樹脂性能（彎曲強度，沖擊強度，熱變形溫度）為響應值，對改性樹脂組分配比進行優化。結果表明，改性樹脂組分配比BMI、DDS、APO、DABPA、DAP為2∶1∶0.2∶0.84∶0.1（物質的量比）時，綜合性能最好，此時改性雙馬樹脂體系的沖擊強度可達到21.4 kJ/m2，彎曲強度為200.5 MPa，熱變形溫度為195.8 ℃。

關鍵詞：烯丙基酚氧樹脂；雙馬來酰亞胺；響應面法

中圖分類號：TQ433.4+37 文獻標識碼：A 文章編號：1001-5922（2014）11-0000-00

1 前言

雙馬來酰亞胺（BMI）樹脂是由聚酰亞胺樹脂體系派生出來的一類樹脂體系，是以馬來酰亞胺（MI）為活性端基的雙官能團化合物，其樹脂具有與典型熱固性樹脂相似的流動性和可塑性，可用與環氧樹脂相同的一般方法加工成型。同時它具有聚酰亞胺樹脂的耐高溫、耐輻射、耐潮濕和耐腐蝕等特點，但其自身熔點高，溶解性差，固化物韌性差，這些缺點都成為限制其發展的障礙。因此，必須對其進行改性。BMI的改性途徑多，目前行之有效的是用烯丙基化合物與BMI共聚，因為烯丙基化合物能改進BMI樹脂的工藝性和韌性而又不降低BMI樹脂的耐熱性[1～6]。本文以二烯丙基雙酚A和環氧樹脂為原料，選用胺類催化劑，合成烯丙基酚氧樹脂。利用合成的烯丙基酚氧樹脂來改性BMI，以期得到性能優越的改性雙馬樹脂體系。基于大量的前期試驗，應用響應面法對改性雙馬樹脂體系配比進行優化，研究了體系組分對改性樹脂性能的影響，為樹脂體系性能優化提供參考。

2 實驗部分

2.1 原材料

4，4'-雙馬來酰亞胺二苯基甲烷（BMI）；4，4'-二氨基二苯砜（DDS）；E51型環氧樹脂，環氧值0.51；二烯丙基雙酚A（DABPA）；四甲基溴化銨（TMAB）；鄰苯二甲酸二烯丙酯（DAP）。

2.2 試樣制備

（1）酚氧樹脂的制備

將原料DP與EP（物質的量比2∶1）熱熔混勻，升溫穩定在140 ℃左右后加入0.1% DP質量的催化劑TMAB，反應1 h得到烯丙基酚氧樹脂（APO）。

（2）改性雙馬樹脂試樣制備

將原料BMI與DDS（物質的量比2∶1）混合均勻，升溫至140 ℃預聚，得到擴鏈雙馬預聚體（BD），一段時間后降溫與DP按配比混合均勻。之后加入改性劑APO反應25 min，降溫至120 ℃加入稀釋劑DAP，攪拌均勻，倒入已預熱并涂有脫模劑的模具中，在真空烘箱中真空脫泡，轉移到鼓風干燥箱中固化，自然冷卻后經切割、處理得到澆注體試樣。

2.3 性能測試

澆注體試樣的沖擊強度、彎曲強度按GB/T 2567—2008測試，熱變形溫度按GB/T 1634.2——2004測試。

2.4 實驗設計

響應面法（RSM）是集數學和統計方法于一身，用來建立和分析幾個變量對響應值的影響的一種方法。本文通過Box-Benhnken（BBD）試驗設計[7～10]，利用Design-Expert軟件（8.0.6版本）對改性雙馬樹脂體系進行優化。在本試驗中，根據BBD實驗設計原理，建立重復六次的中心點，設計了18個配比的試驗。保持BMI（2mol）和DDS（1mol）的摩爾常數不變，以改性樹脂體系里面其他3組分為3個獨立變量因素（分別為系數A是APO，B是DABPA，C是DAP）進行響應面分析，來建立合理的數學模型預測其性能。每個因素3個水平，以（-1，0，1）編碼，其響應值y1、y2、y3分別是固化改性樹脂彎曲強度，沖擊強度和熱變形溫度。變量因素編碼與實際值的對應關系如表1所示。依據前期大量實驗，所有因素的取值均在合理的范圍之內。

表2給出了全部BBD試驗設計安排及其預測值和對應的實驗值，所有預測響應值都是根據BBD模型計算而來。一般來說，BBD二階模型響應值和自變量之間的關系可用公式（1）表示：

式中Y表示與變量xi一致的響應值。b0、bi、bii和bj是由模型估計的回歸系數，xi和xj是自變量的水平，e為標準誤差。

本實驗中，對實驗數據進行統計分析，通過多元回歸分析建立了相應的二階多項式方程。通過方差分析（ANOVA）和決定系數分析（R2）評價模型的合理性，最后利用模型得出一系列優化改性樹脂配方。

3 結果與討論

3.1 擬合模型的統計分析

如表2所示，試驗設計所得的實驗數據用來建立模型關聯自變量與響應值。通過方差分析建立足夠精確的模型，各響應值對應模型的二階多項式方程如式2，3，4所示。

P值可以用來檢查系數的顯著性，同時也表明每個獨立變量之間的相互作用程度。P值越小，其相應的系數對響應值的變化貢獻越顯著。本實驗中用F檢驗和P值檢查每個因素對其響應值影響的顯著性。表3給出了彎曲強度，沖擊強度和熱變形溫度模型的方差分析結果。基于方差分析表，可以明顯地看出F檢驗值非常低（P<0.0001），這說明3種模型都是高度顯著的模型。失擬檢測（Lack of fit）用來表示模型單次誤差與重復多次誤差的顯著性，從表3可以看出，Y1，Y2，Y3的失擬檢測值都不顯著，這說明3種模型準確度較高。

同樣的可以在表3中看出，Y1的系數和Y2（B除外）的系數以及Y3的3個系數（A、B、C）都顯著。因此，對于Y1和Y3，獨立變量A、B、C是顯著因素，而對于Y2，獨立變量A、C是顯著因素。表4列舉了變異系數（Y1的C.V.%= 1.5， Y2的C.V.%= 4.3， Y3的C.V.%= 2.7），擬合度（Y1的R2=0.9932， Y2的R2=0.9734， Y3的R2=0.9951）以及校正擬合度（Y1的R2Adj=0.9912， Y2的R2Adj=0.9386， Y3的R2Adj=0.9914）。這些值表示，3個模型的通用性和精度已經足夠，并且可以看出3個模型所有的預測擬合度（Y1的R2Pred=0.9583， Y2的R2Pred=0.8862， Y3的R2Pred=0.9698）與其對應的校正擬合度相差不大。另外，精密度（Adeq precision）是有效信號與噪聲的比值，大于4視為合理。3個模型的信噪比均遠遠大于4，這說明3個模型足夠應用于響應值的預測。

如果殘差落在一條直線上，表明誤差是正態分布的。彎曲強度Y1、沖擊強Y2和熱變形溫度Y3的殘差正態概率圖見圖1，3個圖上的點幾乎都是形成一個是線性趨勢，這表明該模型都是標準的良好模型。圖2分別顯示了Y1 、Y2和Y3 殘差與預測值關系。圖中表明，所有的實驗數據點周圍響應變量的均值均勻分布。這意味著，提出的模型是正確的，而且也沒有違反獨立性或常數方差的假設。

3.2 交互效應

響應面圖可以直觀地提供實驗因素和響應值之間的相互關系，可以方便地對各因素與響應值之間的關系進行研究。3個模型的三維響應面和二維等高線圖如圖3，4，5所示，它表示了3個獨立變量中的任意一個變量維持在零編碼水平時，其他2個變量與固化樹脂的彎曲強度、沖擊強度和熱變形溫度之間的影響關系。

在圖3（a）中，根據圖形可以看出，隨著APO或DABPA變大，彎曲強度值在增加。此外如果APO在一個固定水平時，隨著DABPA的變化，彎曲強度的變化呈拋物線形，反之亦然。在圖3（b）中可觀察到類似的結果。圖3（c）表示，熱變形溫度值隨著APO的變大呈線性增加，而隨著DABPA的變大略微的均勻下降。在圖4（c）中的APO和DAP以及5（c）中的DAP和DABPA有類似的情況。圖4（a）是APO和DAP對彎曲強度的影響圖，可以看出隨著DAP的增加，彎曲強度略有下降，而隨著APO的增加，彎曲強度先增加到最佳值，然后下降。類似的趨勢也可以在圖5（a）中看到。圖4（b）表明，APO的增加使沖擊強度先達最佳值，然后下降，而DAP的增加則先降低沖擊強度值到一個最低點，然后再逐步增加，同樣地，從圖5（b）中也能清楚看出DAP和DABPA以相同的方式影響著沖擊強度。

3.3 模型的驗證

優化的目標是獲得能夠同時滿足所有自變量變化范圍內的最大響應，自變量的值可以通過使用Design-Expert軟件求解回歸方程來獲得。經過求解，選取可行性較高的3個配方，分別進行3次獨立的重復，以便驗證模型的可靠性。表5列出了最佳條件下對于彎曲強度、沖擊強度和熱變形溫度的預測值和實驗值。可以看出3個配方的預測值和實驗值的誤差均小于5%，證明該響應模型能夠充分的優化樹脂配方。

4 結論

在前期大量試驗的基礎上，合理選取各改性樹脂組分的取值范圍，應用多元二次回歸法優化了烯丙基酚氧樹脂改性雙馬來酰亞胺配方。結果表明，APO、DABPA、DAP對改性樹脂的性能的影響顯著。通過回歸分析和模型驗證，證明了所建模型的合理性。模型的預測值和實驗值的誤差均小于5%，說明該方法對改性樹脂配方的優化有指導性的意義。而且得到改性樹脂組分配比BMI、DDS、APO、DABPA、DAP為2∶1∶0.2∶0.84∶0.1（物質的量比）時，綜合性能最好，此時改性雙馬樹脂體系的沖擊強度可達到21.4 kJ/m2，彎曲強度為200.5 MPa，熱變形溫度為195.8 ℃。

參考文獻

[1]王汝敏，陳立新.烯類化合物共聚改性雙馬來酰亞胺樹脂的研究[J].粘接，2005，26（5）：11 -13。

[2]Ambika Devik，Reghunadhan Nair C P，Ninankn.Diallylhisphenol novolae epoxy system coculred with bisphenol-A-bismakimide cure and thermal properties[J].Jounral of Applied Polymer Science，2007，106（2）：1192-1200.

[3]李玲，梁國正，蘭立文，等.烯丙基酚氧樹脂改性BMI的研究[J].高分子材料科學與工程，1999，16（2）：116-199.

[4]Gu Ai-Juan. Novel high performance RTM bismaleimide resin with low cure temperature of advanced composites[J].Polymers for Advanced Technologies， 2005， 16（7）：563-566.

[5]程雷，王汝敏，王小建，等.烯丙基化合物改性雙馬來酰亞胺樹脂的研究進展[J].中國膠粘劑，2009，18（4）：58-62.

[6]王汝敏，鄭水蓉.雙馬來酰亞胺/烯丙基雙酚A共聚樹脂的改性研究[J].熱固性樹脂，1997，（1）：16-20.

[7]Eriola Betiku， Sheriff Olalekan Ajala. Modeling and optimization of thevetia peruviana （yellow oleander） oil biodiesel synthesis via musa paradisiacal （plantain） peels as heterogeneous base catalyst： A case of artificial neural network vs. response surface methodology[J]. Industrial Crops and Products， 2014， 53：314–322.

[8]Gueguim Kana E B， Oloke J K， Lateef A， et al. Modeling and optimization of biogas production on saw dust and other co-substrates using artificial neural network and genetic algorithm[J]. Renew. Energy，2012，46：276–281.

[9]Tao Zhu， Hyo Jung Heo， Kyung Ho Row. Optimization of crude polysaccharides extraction from Hizikia fusiformis using response surface methodology[J]. Carbohydrate Polymers， 2010，82：106–110.

[10]Ranjana Yadav， Archana Devi， Garima Tripathi， et al. Optimization of the process variables for the synthesis of cardanol-based novolac-type phenolic resin using response surface methodology[J]. European Polymer Journal ， 2007，43：3531–3537.