Permeability of Polymer Membranes Based on Polyimides Towards Helium

Cover Page

Cite item

Full Text

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

Abstract

The approach to the prediction of permeability of polymer membranes based on polyimides and polyamidoimides towards helium is described. According to the approach, the activation energy of helium penetration is expressed by a relationship involving the van der Waals volume of the repeat unit and a set of atomic parameters characterizing the contribution of each of the atoms and intermolecular interaction types into the value of activation energy. The contributions of the imide cycles, type of the connection (meta-, para-, or ortho-), and of the CF3, CH3, CO, Cl, F, and SO2 polar groups have been accounted for. Repeated solution of the redundant set of equations obtained on the basis of the proposed relationship has afforded the parameters giving the correspondence of the calculated values and the experimental data on the membranes permeability with correlation coefficient 0.965. Hence, the possibility to search for the structures of polyimides and polyamidoimides with the target permeability without laborious and expensive experiments has been demonstrated.

About the authors

A. A. Askadskii

Nesmeyanov Institute of Organoelement Compounds, Russian Academy of Sciences; Moscow State University of Civil Engineering

Email: andrey@ineos.ac.ru
119334, Moscow, Russia; 129337, Moscow, Russia

A. V. Matseevich

Nesmeyanov Institute of Organoelement Compounds, Russian Academy of Sciences

Email: andrey@ineos.ac.ru
119334, Moscow, Russia

I. V. Volgin

Institute of Macromolecular Compounds, Russian Academy of Sciences

Email: andrey@ineos.ac.ru
199004, St. Petersburg, Russia

S. V. Lyulin

Institute of Macromolecular Compounds, Russian Academy of Sciences

Author for correspondence.
Email: andrey@ineos.ac.ru
199004, St. Petersburg, Russia

References

  1. Imtiaz A., Othman M.H.D., Jilani A., Khan I.U., Kamaludin R., Iqbal J., Al-Sehemi A.G. // Membranes. 2022. V. 12. P 1.
  2. Iulianelli A., Drioli E. // Fuel Process. Technol. 2020. V. 206. P. 106464.
  3. Rufford T.E., Chan K.I., Huang S.H., May E.F. // Adsorpt. Sci. Technol. 2014. V. 32. P. 49.
  4. Scholes C.A., Ghosh U.K. // Membranes. 2017. V. 7. P. 1.
  5. Alders M., Winterhalder D., Wessling M. // Sep. Purif. Technol. 2017. V. 189. P. 433.
  6. Sidhikku Kandath Valappil R., Ghasem N., Al-Marzouqi M. // J. Ind. Eng. Chem. 2021. V. 98. P. 103.
  7. Sazanov Y.N. //Russ. J. Appl. Chem. 2001. V. 74. P. 1253.
  8. Dai Z., Deng J., He X., Scholes C.A., Jiang X., Wang B., Guo H., Ma Y., Deng L. // Sep. Purif. Technol. 2021. V. 274. P. 119044.
  9. Sunarso J., Hashim S.S., Lin Y.S., Liu S.M. Membranes for Helium Recovery: An Overview on the Context, Materials and Future Directions. 2017. V. 176. ISBN 6082260813.
  10. Soleimany A., Hosseini S.S., Gallucci F. // Chem. Eng. Process. Process Intensif. 2017. V. 122. P. 296.
  11. Sanaeepur H., Ebadi Amooghin A., Bandehali S., Mog-hadassi A., Matsuura T., Van der Bruggen B. // Prog. Polym. Sci. 2019. V. 91. P. 80.
  12. Volgin I.V., Batyr P.A., Matseevich A.V., Dobrovskiy A.Y., Andreeva M.V., Nazarychev V.M., Larin S.V., Goikhman M.Y., Vizilter Y.V., Askadski A.A. et al. Machine Learning with Enormous “Synthetic” Data Sets : Predicting Glass Transition Temperature of Polyimides Using Graph Convolutional Neural Networks. ACS Omega 2022.
  13. Velioğlu S., Tantekin-Ersolmaz S.B., Chew J.W. // J. Memb. Sci. 2017. V. 543. P. 233.
  14. Robesonv L. // J. Memb. Sci. 1997. V. 132. P. 33.
  15. Park J.Y., Paul D.R. // J. Memb. Sci. 1997. V. 125. P. 23.
  16. Ryzhikh V., Tsarev D., Alentiev A., Yampolskii Y. // J. Memb. Sci. 2015. V. 487. P. 189.
  17. Alentiev A.Y., Loza K.A., Yampolskii Y.P. // J. Memb. Sci. 2000. V. 167. P. 91.
  18. Hirayama Y., Yoshinaga T., Kusuki Y., Ninomiya K., Sakakibara T., Tamari T. // J. Memb. Sci. 1996. V. 111. P. 169.
  19. Cornelius C.J., Marand E. // J. Memb. Sci. 2002. V. 202. P. 97.
  20. Coleman M.R., Koros W.J. // J. Polym. Sci., Polym. Phys. 1994. V. 32. P. 1915.
  21. Costello L.M., Koros W.J. // J. Polym. Sci., Polym. Phys. 1995. V. 33. P. 135.
  22. Ayala D., Lozano A.E., De Abajo J., García-Perez C., De La Campa J.G., Peinemann K.V., Freeman B.D., Prbhakar R. // J. Memb. Sci. 2003. V. 215. P. 61.
  23. Barbari T.A., Koros W.J., Paul D.R. // J. Memb. Sci. 1989. V. 42. P. 69.
  24. Rezac M.E., Schöberl B. // J. Memb. Sci. 1999. V. 156. P. 211.
  25. Kim T.H., Koros W.J., Husk G.R. // J. Memb. Sci. 1989. V. 46. P. 43.
  26. Xu Z.K., Böhning M., Springer J., Glatz F.P., Mülhaupt R. // J. Polym. Sci., Polym. Phys. 1997. V. 35. P. 1855.
  27. Kim T.H., Koros W.J., Husk G.R., O’Brien K.C. // J. Memb. Sci. 1988. V. 37. P. 45.
  28. Hirayama Y., Yoshinaga T., Nakanishi S., Kusuki Y. // Polymer Membranes in Gas and Vapor Separation / Ed. by B.D. Freeman, I. Pinnau Washington: ACS, 1999. P. 194.
  29. Lin W.H., Vora R.H., Chung T.S. // J. Polym. Sci., Polym. Phys. 2000. V. 38. P. 2703.
  30. Korikov A.P., Vygodskii Ya.S., Yampol’skii Yu.P. // Polymer Science A. 2001. V. 43. № 6. P. 638.
  31. Fritsch D., Peinemann K.V. // J. Memb. Sci. 1995. V. 99. P. 29.
  32. Al-Masri M., Kricheldorf H.R., Fritsch D. // Macromolecules. 1999. V. 32. P. 7853.
  33. Al-Masri M., Fritsch D., Kricheldorf H.R. // Macromolecules 2000. V. 33. P. 7127.
  34. Fateev N.N., Solomakhin V.I., Baiminov B.A., Chuchalov A.V., Sapozhnikov D.A., Vygodskii Y.S. // Polymer Science C. 2020. V. 62. № 2. P. 266.
  35. Guiver M.D., Robertson G.P., Dai Y., Bilodeau F., Kang Y.S., Lee K.J., Jho J.Y., Won J. // J. Polym. Sci., Polym. Chem. 2002. V. 40. № 23. P. 4193.
  36. Xiao Y., Dai Y., Chung T.-S., Guiver M.D. // Macromolecules. 2005. V. 38. № 24. P. 10042.
  37. Hosseini S.S., Chung T.S. // J. Memb. Sci. 2009. V. 328. № 1–2. P. 174.

Supplementary files

Supplementary Files
Action
1. JATS XML
2.

Download (20KB)
3.

Download (26KB)
4.

Download (22KB)
5.

Download (21KB)
6.

Download (22KB)
7.

Download (22KB)
8.

Download (19KB)
9.

Download (19KB)
10.

Download (19KB)
11.

Download (19KB)
12.

Download (22KB)
13.

Download (23KB)
14.

Download (22KB)
15.

Download (22KB)
16.

Download (23KB)
17.

Download (21KB)
18.

Download (24KB)
19.

Download (23KB)
20.

Download (25KB)
21.

Download (18KB)
22.

Download (25KB)
23.

Download (26KB)
24.

Download (26KB)
25.

Download (25KB)
26.

Download (27KB)
27.

Download (20KB)
28.

Download (20KB)
29.

Download (21KB)
30.

Download (25KB)
31.

Download (24KB)
32.

Download (25KB)
33.

Download (23KB)
34.

Download (25KB)
35.

Download (27KB)
36.

Download (22KB)
37.

Download (16KB)
38.

Download (20KB)
39.

Download (25KB)
40.

Download (23KB)
41.

Download (24KB)
42.

Download (25KB)
43.

Download (23KB)
44.

Download (25KB)
45.

Download (24KB)
46.

Download (19KB)
47.

Download (20KB)
48.

Download (21KB)
49.

Download (23KB)
50.

Download (23KB)
51.

Download (23KB)
52.

Download (24KB)
53.

Download (22KB)
54.

Download (23KB)
55.

Download (23KB)
56.

Download (22KB)
57.

Download (21KB)
58.

Download (22KB)
59.

Download (25KB)
60.

Download (26KB)
61.

Download (27KB)
62.

Download (27KB)
63.

Download (26KB)
64.

Download (28KB)
65.

Download (28KB)
66.

Download (26KB)
67.

Download (30KB)
68.

Download (30KB)
69.

Download (32KB)
70.

Download (23KB)
71.

Download (25KB)
72.

Download (27KB)
73.

Download (28KB)
74.

Download (25KB)
75.

Download (24KB)
76.

Download (24KB)
77.

Download (25KB)
78.

Download (25KB)
79.

Download (26KB)
80.

Download (30KB)
81.

Download (26KB)
82.

Download (27KB)
83.

Download (28KB)
84.

Download (20KB)
85.

Download (25KB)
86.

Download (117KB)
87.

Download (27KB)
88.

Download (28KB)
89.

Download (19KB)
90.

Download (21KB)
91.

Download (20KB)
92.

Download (29KB)
93.

Download (28KB)
94.

Download (28KB)

Copyright (c) 2023 А.А. Аскадский, А.В. Мацеевич, И.В. Волгин, С.В. Люлин

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».