Q: Это материал или программный продукт?
A: Мы создаём цифровую платформу, которая помогает проектировать и производить материалы с направленным теплопереносом. Сам композит — пример применения технологии, а ядро стартапа — софт для моделирования, оптимизации и управления аддитивным процессом.
Q: Почему именно частицы Януса?
A: Они обеспечивают устойчивость Pickering-эмульсий и формируют стабильную границу между фазами. Это позволяет создавать многослойные структуры с различной пористостью без расслаивания и утечек — ключевое условие тепловой ректификации.
Q: В чём отличие от COMSOL, Ansys или LAMMPS?
A: Эти продукты решают отдельные задачи моделирования и требуют глубоких знаний численных методов. Мы предлагаем единый контур: расчёт → проектирование → генерация STL → управление принтером. Всё в одном интерфейсе, без ручной настройки сеток и граничных условий.
Q: Зачем Java, а не Python или C++?
A: Java обеспечивает промышленную надёжность, кроссплатформенность и удобную интеграцию с промышленными протоколами (OPC UA, MQTT, REST API). Это критично для соединения симулятора с оборудованием и базами данных.
Q: Кто будет пользоваться платформой?
A: Инженеры-конструкторы, технологи и исследователи в авиационной, энергетической и химической промышленности, где требуется лёгкий и управляемый теплоперенос. Платформа снижает порог входа — работать можно без подготовки в CFD.
Q: Какая стадия готовности технологии?
A: Лабораторные принципы подтверждены в работах Nature Communications (2025). Наша цель — создать MVP-платформу, связывающую моделирование и производство, и протестировать её в партнёрской лаборатории.
Q: Можно ли использовать платформу для других материалов?
A: Да. Архитектура модульная: можно подгружать модели для других эмульсий, наполнителей и даже твёрдых структур (металлы, графит, нанонити). Алгоритмы ML адаптируются под любые экспериментальные данные.
Q: Что нужно для запуска пилота?
A: Данные по рецептурам и оборудованию (аддитивная установка или литьё), лабораторная верификация нескольких образцов и доступ к вычислительным ресурсам для обучения моделей. Мы готовы интегрироваться в существующий R&D-цикл.
Q: Какие риски и ограничения?
A: Главный риск — недостаток экспериментальных данных для обучения ML-моделей. Решаем это через партнёрские лаборатории и автоматизацию экспериментов. Также важно учитывать стабильность эмульсий и масштабирование с микролитров до литров.
Q: Как монетизируется проект?
A: Лицензии на программную платформу (SaaS), кастомные R&D-пакеты для предприятий, консалтинг по разработке рецептур, а в перспективе — продажа цифровых моделей материалов через маркетплейс.
| 🕒 Период | 🚀 Этап | 🎯 Цель | ⚙️ Ключевые задачи | 📘 Выход |
|---|---|---|---|---|
| 2025 | Этап 1 — Исследование и концепция | Подтвердить реализуемость подхода и собрать базу знаний | • Изучить Nature Communications (2025) и смежные статьи 10+ IF; • Свести обзор по тепловой ректификации, частицам Януса и пористым композитам; • Смоделировать материал статьи на нашей платформе (цифровое воссоздание); • Провести интервью с аудиторией по динамичным метрикам (k(T), пористость, плотность, TR); • Сформировать список управляемых параметров и UX-концепт. |
Отчёт по литературе; Первичная БД параметров; Концепт интерфейса |
| 2026 | Этап 2 — Прототип симуляционного ядра | Собрать вычислительное ядро для расчёта теплопереноса | • Реализовать базовый 2D-симулятор (2 слоя, стационарный режим) на Java; • Нормировать входы: доля Януса, вязкость, размер пор, пористость, плотность, T; • Провести первые валидации на данных из статей; • Добавить простую визуализацию (JavaFX). |
Лабораторный прототип ядра; Первые валидированные расчёты |
| 2026 | Этап 3 — Алгоритмическое решение | Перевести расчёты в режим подбора оптимума | • Формализовать алгоритмические зависимости (эффективные модели k_eff, TR); • Встроить оптимизатор (Optuna/GA) под целевые метрики и ограничения массы/толщины; • Добавить проверку устойчивости эмульсий и границ фаз; • Верифицировать на собственных экспериментах/партнёрах. |
Ядро с алгоритмической оптимизацией; 3D-визуализация потока |
| 2026 | Этап 4 — ML для невычислимых случаев | Закрыть области, где аналитика не работает | • Интегрировать ML-блок (DL4J / TF через JNI); • Обучить на симуляциях + экспериментах; • Ввести метрики точности и доверительные интервалы; • Автоматический выбор: аналитика vs ML. |
Гибридная модель (Physics+ML) с авто-роутингом |
| 2026 | Этап 5 — REST и интеграция | Открыть доступ через веб и связать с оборудованием | • Поднять REST API (Spring Boot); • Интегрировать PostgreSQL для рецептур/результатов; • Добавить OPC UA/JSerialComm для принтеров и датчиков; • Развернуть on-prem/облако; • Прогнать пользовательские сценарии (инженер/технолог/R&D). |
MVP v1.0 (веб-платформа); Интеграция с оборудованием |
| 2027 | Этап 6 — Пилоты и масштабирование | Доказать ценность в индустрии и расширить покрытие | • Провести пилоты (авиа/энергетика/строительство); • Расширить модели на металлы/керамики/гибриды; • Добавить мониторинг производства и аналитические панели; • Подготовить Seed/гранты (НТИ/FET Open/Skolkovo); • План SaaS. |
Первое промышленное внедрение; План масштабирования/SaaS |
| 2027+ | Этап 7 — Экосистема цифровых материалов | Сформировать устойчивую экосистему и маркетплейс | • Подключить внешние лаборатории и вузы; • Запустить маркетплейс цифровых рецептур и ML-моделей; • Синхронизировать эксперименты и симуляции по API; • Международное масштабирование (EU/Азия/Израиль). |
Экосистема «материалы-как-сервис»; Международное присутствие |