本节摘要:现实中很少见到只走一步的反应。对峙反应会达到动态平衡,连串反应中间产物先升后降,平行反应按分支比例分配产物。处理这类多步问题,关键在于区分快平衡与慢速率步骤,并用稳态近似或平衡近似简化动力学方程。均相催化与多相催化(表面催化)是不同的催化家族:均相以配位变温和选择性见长,多相以稳定可回收和便于连续化见长。催化剂的核心价值是降活化能、加速到达平衡,而不改变平衡位置。
阅读完本节,你应当能够:
实验里很多"总反应"其实是几条基元反应按不同方式叠加。按它们的结构分三类:
中间体 B 在连串反应里很麻烦——它的浓度不是单调的,直接解微分方程需要积分技巧。稳态近似提出一个简化:若中间体反应活性很高、寿命极短,可认为其浓度变化率近似为零(d[B]/dt ≈ 0)。于是中间体浓度可当成"常数",整个体系的动力学被大大简化。这是处理酶催化、链式反应和表面催化最常用的思路。
import numpy as np # 连串反应 A→B→C, k1, k2,用稳态近似对比数值积分 k1, k2 = 0.30, 0.80 A0 = 1.0 t = np.linspace(0, 10, 200) # 解析解(连串一级) A = A0*np.exp(-k1*t) f = k1/k2 B = A0*f*(np.exp(-k1*t)-np.exp(-k2*t)) C = A0*(1 + (k2*np.exp(-k1*t)-k1*np.exp(-k2*t))/(k1-k2)) t_peak = np.log(k1/k2)/(k1-k2) print(f"中间体 B 浓度峰值约在 t = {t_peak:.2f} s") print(f"此时 B_max ≈ {A0*f*(np.exp(-k1*t_peak)-np.exp(-k2*t_peak)):.4f}") print("B 先增后减,A 单调下降,C 单调上升到 A0——典型连串反应")
B 浓度峰值时间的表达式非常有用:实验上若在 t_peak 附近采样,能得到最高的中间体收率——这在间歇反应工艺的时间控制上有直接应用。
以对峙反应 A ⇌ B 为例,若 B 生成后快速平衡,d[B]/dt = k₁[A] - k₂[B] ≈ 0,解出 [B] = (k₁/k₂)[A],从而总速率 r = d[B]/dt 的净表达退化为简单的比例式。现实中大量酶催化采用 Michaelis-Menten 形式:r = V_max[S]/(K_m + [S]),其中 K_m 是"半速常数",[S] 为底物浓度,K_m 越大说明酶与底物结合越弱。这个式子是稳态近似的直接产物,在新药筛选中常用 K_m、V_max 两个参数评价酶促反应质量。
同一种催化剂,机理天差地别:
选哪种不是想当然。对高附加值、对选择性敏感的精细化工中间体,往往倾向均相;对大批量、连续化的大化工产品,多相更经济。催化剂毒化、积碳失活、载体烧结都是工程里绕不开的坑。

催化剂降活化能的机制正是 5.2 节过渡态理论上一节的图示(低能垒旁路)。表面催化的吸附过程又牵连第8章的物理/化学吸附。多相催化剂比表面积的设计则承接第8章胶体与大分子的表征思路。