在粒徑分析中，一個常見但關鍵的問題是：為什么同一個樣品，使用不同的測量技術或不同的報告基準，會得到看似不同的結果？答案的核心在于理解數量分布、面積分布和體積分布之間的根本區別。這三種分布類型從不同維度描述樣品，其結果的差異并非誤差，而是反映了顆粒系統內在的統計特性。

一、三種分布類型的定義與來源

1. 體積分布

• 定義：以單個顆粒的體積 為權重進行統計的分布。這是激光衍射法直接測量的結果。

• 原理：激光衍射儀探測的是顆粒群散射光的能量分布。大顆粒散射光的能力遠強于小顆粒，而散射光強與顆粒體積（即直徑的立方，d3）成正比。因此，儀器直接反算出的是樣品的體積分布。

• 地位：激光衍射粒度分析中最常用、最基礎的報告形式，因為它最直接地反映了測量原理。

2. 面積分布

• 定義：以單個顆粒的表面積 為權重進行統計的分布。

• 原理：動態圖像分析法是獲得面積分布的典型技術。通過分析每個顆粒的投影像，直接計算出其投影面積（與d2成正比）。對于基于光散射的激光衍射法，面積分布通常由體積分布數學轉換而來。

• 意義：表面積直接影響溶解速率、化學反應活性、催化效率等。

3. 數量分布

• 定義：以每個顆粒的個數 為權重進行統計的分布。每個顆粒無論大小，都計為“1”。

• 原理：圖像分析法和電子顯微鏡法可以直接統計顆粒個數，從而得到數量分布。對于激光衍射法，數量分布需要通過體積分布進行復雜的數學轉換，且轉換過程對小顆粒的誤差非常敏感。

• 意義：對樣品中含量極少的超大或超細顆粒非常敏感。

二、核心差異：權重效應的巨大影響

三種分布最根本的差異在于它們賦予單個顆粒的權重不同。這種權重差異會導致對于同一個樣品，其分布結果形態和關鍵參數（如D50）產生巨大差別。

一個經典的例子：

假設一個極其簡單的樣品，僅由兩種尺寸的球形顆粒以相等的數量（1：1） 混合而成：

• 小顆粒直徑 D1 = 1 μm

• 大顆粒直徑 D2 = 10 μm （直徑比為10：1）

讓我們來計算不同分布下的結果：

1. 數量分布

• 小顆粒數量：1個，占比 50%

• 大顆粒數量：1個，占比 50%

• 結論：數量分布真實反映了1：1的數量比例，D50約為5.5 μm。報告顯示樣品由兩種等量的顆粒組成。

2. 面積分布

• 單個小顆粒面積 ∝ (1 μm)2 = 1

• 單個大顆粒面積 ∝ (10 μm)2 = 100

• 總面積中，小顆粒貢獻占比：1 / (1+100) ≈ 1%

• 總面積中，大顆粒貢獻占比：100 / (1+100) ≈ 99%

• 結論：在面積分布中，大顆粒占據了99%的權重，D50遠大于10 μm。報告顯示樣品幾乎完全由大顆粒組成。

3. 體積分布

• 單個小顆粒體積 ∝ (1 μm)3 = 1

• 單個大顆粒體積 ∝ (10 μm)3 = 1000

• 總體積中，小顆粒貢獻占比：1 / (1+1000) ≈ 0.1%

• 總體積中，大顆粒貢獻占比：1000 / (1+1000) ≈ 99.9%

• 結論：在體積分布中，大顆粒占據了99.9%的絕對主導地位，D50遠大于10 μm。報告顯示樣品幾乎完全由大顆粒組成。

關鍵洞察：

• 從數量到體積，分布曲線會顯著向大顆粒方向偏移。

• 一個在數量分布中看似“微不足道”的少量大顆粒，在體積或面積分布中可能成為主導因素。

• 顆粒之間的尺寸差異越大（直徑比越大），這種權重差異帶來的結果懸殊就越驚人。

三、實踐指南：如何選擇與解讀？

1. 為何激光衍射默認使用體積分布？

   因為這是其測量原理的直接體現，不確定性最小，重復性最好。試圖將激光衍射的體積分布轉換為數量分布來與顯微鏡數據比較，往往會產生誤導，因為轉換會放大微小測量誤差。

2. 哪種分布才是“正確”的？

   這取決于你的應用目標。 沒有絕對的“正確”，只有“更適合”。

• 關注產品性能受體積/質量影響時（如涂料的遮蓋力、粉末的填充密度），應優先看體積分布。

• 關注反應速率、溶解性時（如藥品的有效成分釋放），面積分布更具參考價值。

• 研究污染物的顆粒數量或需要計數時（如注射劑中的不溶性微粒），數量分布是關鍵。

3. 比較數據時的黃金法則

   永遠只在同一種分布類型下進行比較。 比較不同儀器、不同時間的測量結果時，必須確保它們是基于相同的分布類型（通常是體積分布）。絕不能將激光衍射的體積D50與圖像分析的數量D50直接對比。

總結

理解數量、面積和體積分布之間的差異，是準確解讀粒度數據、避免常見誤區的基石。它們從不同視角描繪了同一個顆粒樣品：

• 數量分布是“民主的”，每個顆粒一票。

• 面積分布和體積分布是“加權計票的”，大顆粒擁有遠超其數量的發言權。

正確選擇和應用這些分布類型，能將粒度數據從簡單的數字轉化為對產品性能的深刻預見，從而在研發和質量控制中做出更明智的決策。