Системный анализ структур аэрогелей и их цифровые двойники тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Митрофанов Игорь Владимирович

• Митрофанов Игорь Владимирович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Митрофанов Игорь Владимирович

Введение

Глава 1. Анализ современного состояния и тенденций использования клеточных автоматов и аэрогелей

1.1 Анализ использования клеточных автоматов

1.2 Моделирование структуры и свойств материалов с помощью клеточных автоматов

1.2.1 Моделирование микроструктур материалов

1.2.2 Моделирование свойств материалов

1.3 Системный анализ моделирования процессов с помощью клеточных автоматов в химической технологии

1.3.1 Диффузия

1.3.2 Кристаллизация

1.3.3 Растворение и эрозия

1.3.4 Адсорбция

1.3.5 Химические реакции

1.4 Характеристики материалов и аэрогелей на их основе

1.5 Постановка научной задачи исследования

Выводы по Главе

Глава 2. Систематизация и сбор экспериментальных данных характеристик аэрогелей

2.1 Универсальный опросный лист для системного анализа характеристик и методов получения аэрогелей

2.2 Аэрогели на основе полимочевины

2.3 Аэрогели на основе целлюлозы

2.4 Аэрогели на основе полиамидов

2.5 Аэрогели на основе полиуретанов

2.6 Аэрогели на основе хитозана

Выводы по Главе

Глава 3. Алгоритмы генерации структур аэрогелей

3.1 Общая структура компьютерного программного комплекса для генерации структур аэрогелей

3.2 Алгоритмы генерации структур различными методами

3.2.1 Алгоритм генерации структур аэрогелей с помощью метода перекрывающихся сфер (OSM)

3.2.2 Алгоритм генерации структур аэрогелей с помощью метода кластерной агрегации, ограниченной диффузией (DLCA)

3.2.3 Алгоритм генерации структур аэрогелей с помощью метода агрегации, ограниченной реакцией, с несколькими центрами кристаллизации (MultiRLA)

3.2.4 Алгоритм генерации структур аэрогелей с помощью метода баллистической агрегации «частица — кластер» (BPCA)

3.2.5 Алгоритм генерации структур аэрогелей с помощью метода случайного блуждания (Random Walker)

3.2.6 Алгоритм генерации структур аэрогелей на основе кривых Безье

3.3 Генерация структур различных аэрогелей

3.3.1 Вычислительные эксперименты по генерации структур аэрогелей различной природы

3.3.2 Проверка адекватности и рекомендации по выбору алгоритмов генерации структур для аэрогелей различной природы

Выводы по Главе

Глава 4. Разработка программного комплекса для исследования аэрогелей

4.1 Используемые технологии и языки программирования

4.1.1 Разработка клиент-серверного веб-приложения для настройки, запуска и визуализации информации

4.2 Графический интерфейс пользователя

4.3 Разработка программного комплекса для моделирования процессов диффузии и адсорбции

4.3.1 Вычислительные эксперименты по изучению диффузии в сгенерированных структурах аэрогелей

4.3.2 Вычислительные эксперименты по изучению адосрбции в сгенерированных структурах аэрогелей

Выводы по Главе

Заключение и выводы

Список сокращений и условных обозначений

Список литературы

Приложение 1. Опросный лист: аэрогели на основе полимочевины

Приложение 2. Опросный лист: Аэрогели на основе целлюлозы

Приложение 3. Опросный лист: Аэрогели на основе полиамидов

Приложение 4. Опросный лист: Аэрогели на основе полиуретанов

Приложение 5. Опросный лист: Аэрогели на основе хитозана

Введение диссертации (часть автореферата) на тему «Системный анализ структур аэрогелей и их цифровые двойники»

ВВЕДЕНИЕ

Актуальность темы исследования. Разработка новых функциональных и композиционных материалов различного назначения и отраслей промышленности является одним из приоритетных направлений науки. Поэтому такие материалы, как аэрогели, с каждым годом привлекают все больше внимания, в том числе как средства доставки активных фармацевтических веществ в организм человека.

Аэрогели представляют собой твердые тела, характеризующиеся высокой пористостью (90% и выше), низкой плотностью (0,003-0,5 г/см3), большой удельной поверхностью (200-1500 м2/г) и низкой электропроводностью (~10 мВт/мК), что определяет их большой потенциал для использования в широком спектре отраслей и приложений (изоляционные материалы, доставка лекарств, электронные компоненты и т. д.). В результате такого растущего интереса в последнее время был внедрен ряд методов с использованием различных исходных материалов (таких как целлюлоза, хитозан, альгинаты, полиурия, полиамид, полиуретан и т. д.) для улучшения различных функциональных характеристик аэрогелей.

В то же время бурное развитие вычислительных технологий создало необходимые предпосылки и возможности для разработки программно-аппаратных комплексов, позволяющих ускорить процессы создания как новых функциональных материалов, так и технологии их производства [1]. Применение математического моделирования требует исследования процессов и явлений на нескольких уровнях: наноуровне (атомы, молекулы и кластеры молекул, нанопористая структура); микромасштабном уровне (отдельная капля или частица, элемент структуры); макроуровне (аппарат, схема процесса). Применение мультимасштабного моделирования на разных уровнях, включая передачу информации между этими уровнями, позволяет изучать систему максимально близко к реальной, что значительно повышает точность результатов.

Данная работа посвящена системному анализу структур аэрогелей и созданию их цифровых двойников с использованием клеточно-автоматного подхода, а также созданию программного комплекса, который можно использовать для разных этапов моделирования аэрогелей: генерации структур аэрогелей с использованием различных алгоритмов и для прогнозирования таких свойств, как площадь удельной поверхности и распределение пор по размерам полученных структур; изучению таких процессов, как диффузия/адсорбция в порах или процесс хроматографии с использованием подхода клеточных автоматов, описанного к. ф.-м. н. Колнооченко А.В. и модифицированного для работы в трехмерном пространстве.

Работа выполнялась в рамках проекта № 075-15-2020-792 (уникальный идентификатор: КР-190220Х0031) по теме «Нанобиотехнологии в диагностике и терапии социально значимых заболеваний».

Цель работы - системный анализ структур аэрогелей и создание их цифровых двойников с использованием клеточно-автоматного подхода, на основе чего будет сформирован программный комплекс для мультимасштабного моделирования.

Для достижения заданной цели необходимо решить следующие научно-технические задачи:

1. Теоретико-информационный анализ аэрогелей различной природы, а также процессов их получения с использованием разработанного универсального опросного листа.

2. Разработка методов и алгоритмов решения задач создания цифровых двойников аэрогелей с помощью генерации структур аэрогелей различной природы на основе проведенного теоретико-информационного анализа.

3. Генерация структур аэрогелей с использованием клеточно-автомат-ных моделей на основе алгоритмов ограниченной диффузией кла-

стерной агрегации (DLCA), ограниченной реакцией агрегации с несколькими центрами кристаллизации (MultiRLA), метода перекрывающихся сфер (OSM), баллистической агрегации частица-кластер (BPCA), метода случайного блуждания (Random Walker) и кривых Безье.

4. Разработка рекомендаций по использованию различных алгоритмов для генерации структур аэрогелей различной природы.

5. Разработка компьютерного программного комплекса, реализующего визуализацию в трехмерном пространстве сгенерированных структур аэрогелей, а также их использование для моделирования различных процессов (адсорбции, диффузии).

6. Проверка адекватности разработанного программного комплекса и алгоритмов генерации структур аэрогелей для решения задач исследования процессов, возникающих при использовании аэрогелей.

Методология и методы исследования. В диссертационной работе использовались компьютерное моделирование на основе клеточно-автоматного подхода, а также вероятностно-статистические методы моделирования. В качестве аналитических методов исследования параметров аэрогелей были использованы азотная порометрия (определение удельной площади поверхности аэрогелей, распределение пор по размерам), просвечивающая электронная микроскопия, сканирующая электронная микроскопия (СЭМ).

Научная новизна.

1. Разработан универсальный опросный лист для системного сбора информации по производству аэрогелей различной природы, собраны и систематизированы соответствующие исследования и результаты, в частности - условия получения, использованное оборудование, характеристики получившихся аэрогелей (площадь удельной поверхности, средний диаметр пор, распределение пор по размерам).

2. Разработаны оригинальные клеточно-автоматные алгоритмы для генерации структур различных типов аэрогелей, состоящих из глобул или волокнистых структур.

3. Систематизированы масштабные вычислительные эксперименты, на основе которых были выданы рекомендации по использованию различных алгоритмов для генерации структур разных типов аэрогелей, что позволит изучать процессы, протекающие внутри структур, использую методы мультимас-штабного моделирования.

4. Разработаны алгоритмы и методы визуализации, трансформации и анализа информации в виде программного комплекса, объединяющего методы мультимасштабного моделирования для изучения аэрогелей.

Личный вклад автора. На всех этапах работы автор принимал непосредственное участие в разработке и планировании исследования, разработке и имплементации алгоритмов и компьютерных программ, их тестировании, а также проверке адекватности разработанных моделей, методов и алгоритмов, интерпретации и представлении полученных данных, формулировании выводов, подготовке публикаций и отчетов по проектам, выступлениях с докладами на конференциях и семинарах.

На защиту выносятся.

Системный анализ получения различных типов аэрогелей, а также их характеристик. В качестве метода получения экспертной информации был разработан опросный лист, который позволяет систематизировать подходы к получению различных типов аэрогелей.

Алгоритмы (DLCA, OSM, MultiRLA, BPCA, Random Walker и кривы Бе-зье) генерации различных типов аэрогелей, разработанные с использованием клеточно-автоматного подхода, а также рекомендации по использованию разработанных алгоритмов для генерации структур для различных типов аэрогелей.

Разработанные алгоритмы и методы визуализации, трансформации и анализа информации, объединенные в компьютерный программный комплекс для мультимасштабного моделирования аэрогелей. Разработанные компьютерный комплекс и опросный лист - это главный этап (сбор и анализ различных экспериментальных данных, возможность проведения компьютерных вычислительных экспериментов) построения системы на основе искусственного интеллекта, с помощью которой будет возможно наладить производство материалов с заданными параметрами и свойствами.

Практическая ценность диссертационной работы состоит в систематизации сведений о получении аэрогелей на основе полимочевины, целлюлозы, полиамида, полиуретана и хитозана, а также их характеристик. Кроме того, разработанный опросный лист позволит собирать информацию о любом типе аэрогелей в будущем.

Создан компьютерный программный комплекс, реализующий методы визуализации, трансформации и анализа информации, для генерации структур аэрогелей (состоящих из глобул или волокнистых структур) с помощью алгоритмов DLCA, OSM, MultiRLA, BPCA, Random Walker и алгоритма на основе кривых Безье, а также усовершенствован разработанный ранее клеточный автомат для изучения процессов, происходящих внутри структур аэрогелей (диффузия и адсорбция), позволивший работать с трехмерными структурами, сгенерированными с помощью указанных алгоритмов, что является обучающим этапом построения системы искусственного интеллекта.

Достоверность результатов обеспечивается большой выборкой экспериментальных исследований структур различных типов аэрогелей с использованием общепринятых аналитических методов и современного оборудования; тестированием предлагаемых в работе клеточно-автоматных моделей и алгоритмов на ряде модельных задач; проверкой адекватности разработанных моделей путем сопоставления с экспериментальными данными.

Апробация. Основные результаты диссертационной работы были представлены на международной научной конференции 27th European Symposium on Computer Aided Process Engineering (Барселона, 2018); на двух международных семинарах в рамках проекта «Новое поколение нанопористых органических и гибридных аэрогелей для промышленного применения: от лаборатории к промышленному производству», проходивших в г. Москва и г. Гамбург в 2016-2018 гг.; в рамках Международной Молодежной Летней Школы «Аэрогели: от лаборатории к производству», Москва, 11-14 июля 2017; в рамках Второй Международной Молодежной Летней Школы «Аэрогели: от лаборатории к производству», Москва, 21-23 августа 2019.

Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 6 работ в ведущих рецензируемых журналах, индексируемых в международных базах данных Web of Science и Scopus. Получено 4 свидетельства о регистрации прав на программное обеспечение.

Структура и содержание работы. Диссертация изложена на 189 страницах и состоит из введения, четырех глав, с выводами по каждой из них, общих выводов по диссертационной работе, списка сокращений и условных обозначений, списка литературы из 175 наименований и пяти приложений, содержит 37 таблиц и 77 рисунков.

Во введении отражена актуальность диссертационной работы, определены цель и задачи исследования, изложены научная новизна, теоретическая значимость и практическая ценность, приведены основные научные результаты, выносимые на защиту, а также сведения о реализации и публикациях полученных результатов.

В первой главе проведен анализ научно-технической литературы и изучены современное состояние и тенденции использования клеточных автоматов и аэрогелей. Рассмотрены основные подходы моделирования структур и свойств материалов с помощью клеточных автоматов, а также проведен системный анализ моделирования процессов с помощью клеточных автоматов в

химической технологии. Рассмотрены механизмы получения аэроегелей на основе полимочевины, целлюлозы, полиамида, полиуретана и хитозана. На основании обзора литературы были поставлены основные цели и задачи диссертационной работы.

Во второй главе представлены собранные и систематизированные экспериментальные данные по получению различных типов аэрогелей. Были изучены методы получения различных типов аэрогелей, их характеристики, а также изображения сканирующей электронной микроскопии. Всем партнерам был разослан специальный опросный лист, систематизирующий всю необходимую информацию и содержащий несколько разделов (гелеобразование, замена растворителя, сверхкритическая сушка, химическая природа полученного аэрогеля, аналитические результаты) для сбора информации, необходимой для моделирования структуры аэрогелей.

В третьей главе представлена структура разработанного программного комплекса по изучению аэрогелей, описаны алгоритмы генерации структур аэрогелей и проанализированы результаты проведенных вычислительных экспериментов, позволивших оценить зависимость времени генерации структур от входных данных (пористость, средний диаметр пор/волокон). Используя проведенные предварительные вычислительные эксперименты и данные из опросных листов, были проведены эксперименты по генерации структур для различных типов аэрогелей и выданы рекомендации на основе полученных результатов.

В четвертой главе представлен подход к разработке мультимасштабного программного комплекса, описаны различные форматы работы комплекса (пользовательский интерфейс и командная строка), используемые технологии и языки программирования, а также механизмы взаимодействия различных частей разработанного софтверного решения. Приведены скриншоты пользовательского интерфейся для модуля генерации структур, а также для модуля моделирования процессов (диффузии и адсорбции): к реализованному

ранее Колнооченко А. клеточному автомату с окрестностью Марголуса были разработаны пользовательские интерфейсы, позволяющие проводить численные эксперименты, добавлена визуализация (графики, состояние поля КА на промежуточных итерациях), а также реализован функционал, позволяющий использовать трехмерные структуры аэрогелей.

В заключении представлены основные результаты и общие выводы по диссертационной работе, определены пути их эффективной реализации и направления дальнейших исследований по проблематике диссертации.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ И ТЕНДЕНЦИЙ ИСПОЛЬЗОВАНИЯ КЛЕТОЧНЫХ АВТОМАТОВ И АЭРОГЕЛЕЙ

Клеточные автоматы (КА) — один из современных подходов к моделированию сложных гомогоненых и гетерогенных динамических систем, позволяющий оптимизировать вычислительные процедуры и использовать технологии параллельных вычислений. КА может описывать динамику таких систем и давать глубокое понимание сложных процессов, таких как, например, многофазные потоки, химические реакции, биологические процессы в клетках, образование и размещение белков, активность нейронов, высвобождение активных фармацевтических ингредиентов, разработка фармацевтических композиций, социальная стратификация, музыкальная композиция и многих других [2-4].

Разработка новых композиционных и функциональных материалов различного назначения является одним из приоритетных направлений науки, поэтому такие материалы как аэрогели с каждым годом привлекают все больше внимания.

Аэрогели представляют собой твердые вещества, характеризующиеся высокой пористостью (90 % и выше), низкой плотностью (0,003-0,5 г/см3), большой удельной поверхностью (200-1500 м2/г) и низкой электропроводностью (~10 мВт/мК), за счет чего материалы на основы аэрогелей несут в себе большой потенциал для использования в широком спектре отраслей и приложений (изоляционные материалы, доставка лекарств, электронные компоненты и т. д.). В результате такого растущего интереса в последнее время был внедрен ряд методов, техник и исходных материалов (таких как целлюлоза, хитозан, альгинаты, полиурия, полиамид, полиуретан и т. д.) для улучшения различных функциональных характеристик аэрогелей.

1.1 Анализ использования клеточных автоматов

КА подход основан на упрощении физических систем с одновременной их дискретизацией по пространству и времени, в результате чего моделируемая система представляется в виде массива ячеек, взаимодействующих друг с другом [5,6] (Рис. 1.1). В один момент времени каждая из этих ячеек может находиться только в одном из строго определенного множества возможных состояний. При решении практических задач, как правило, эти состояния связаны с реальными физическими величинами или явлениями, которые могут включать состояние вещества (твердое/жидкое/газообразное), концентрации частиц, линейные скорости или температуру. Кроме того, состояния клеток могут характеризоваться не только четко определенными дискретными параметрами (например, кристалличность или аморфность), но и непрерывно изменяющимися значениями (например, линейной скоростью, концентрацией или ориентацией кристалла в пространстве) [7].

Время (*+Д1)

Ячейка в определенном состоянии

Эволюция системы

Решетка (дискретное пространство) Правила ПСрСХОДЭ

Время Ж

Рисунок 1.1 - Пример двухмерного клеточного автомата

В качестве начального условия для КА задается определенное распределение состояний ячеек по всей решетке автомата. Изменение состояния ячеек происходит на каждом временном шаге с учетом их текущего состояния и состояния соседних ячеек по определенным правилам, называемым правилами перехода. Эволюция КА может происходить в результате синхронного или асинхронного применения правил перехода. В первом случае на каждой отдельной итерации изменения претерпевают все ячейки автомата; во втором случае обрабатывается только часть ячеек, выделенных по заданному алгоритму, или даже одна ячейка. С одной стороны, синхронное применение правил перехода дает больше возможностей для моделирования сложного поведения макроскопических систем, которое рождается при взаимодействии всех компонентов в малом масштабе, а с другой - имеет серьезные ограничения в практической реализации, поэтому большинство разрабатываемых в настоящее время автоматов могут быть реализованы только в асинхронном режиме.

Несмотря на наличие в большинстве случаев физически обоснованной основы правил перехода, для сравнения результатов моделирования и экспериментов часто приходится вводить специальные правила перехода, делающие модели скорее описательными, чем объяснительными [8]. Использование только физических правил перехода для решения практических задач до сих пор вызывает определенные трудности.

Существенным преимуществом КА-моделей является то, что они могут быть построены на модульной основе, объединяя подмодели, например, диффузии, растворения твердых тел и химических реакций [9]. Такая модульная структура делает концепцию КА достаточно простой и дает определенные преимущества перед моделями, основанными на дифференциальных уравнениях, за счет снижения сложности разработки моделей, программной реализации, отладки, расчетов и анализа [10,11].

Еще одним преимуществом КА является тот факт, что масштабы отдельных клеток могут быть достаточно большими, чтобы можно было пренебречь

внутримолекулярными степенями свободы и межмолекулярными взаимодействиями, но в то же время сохраняется возможность моделирования процессов, связанных с этими аспектами. Таким образом, КА-модели молекулярных систем могут иметь довольно большие пространственные и временные масштабы, что делает их подходящими для решения практических задач [12].

Несмотря на очевидные свойства локальности и единообразия, КА-модели могут воспроизводить поведение достаточно сложных систем, сохраняя при этом простоту правил перехода [3], и поэтому они особенно интересны для решения задач химии и химической технологии, которые часто имеют большой масштаб, но при этом остается важным учитывать процессы, протекающие на микроуровне.

Таким образом, основными причинами актуальности и применимости КА являются относительная простота реализации, возможность эффективного использования методов параллельных вычислений, модульность, возможность моделирования не только материалов, но и процессов, а также возможность прогнозирования сложного поведения, возникающего в результате простых взаимодействий между элементами (клетками).

Классификация методов КА все еще остается предметом дискуссий, вплоть до того, что разные авторы могут считать один и тот же метод клеточным автоматом или независимым подходом. Помимо классического КА с равномерно распределенными сетками существуют также и следующие методы: автоматы решеточного газа, решеточные методы Больцмана, модели агрегации - например, агрегация, ограниченная диффузией (DLA), кластерная агрегация, ограниченная диффузией (DLCA), агрегация, ограниченная реакцией (RLA), ограниченная кластерная агрегация (DLCA), кластерная агрегация, ограниченная реакцией и подвижные КА (MCA).

С помощью КА активно моделируют химико-технологические процессы (Рисунок 1.2, Таблица 1). Возможности КА позволяют описывать микро- и ме-зомасштабные структуры, свойства материалов и различные явления, а также

макромасштабные процессы в технологическом оборудовании. Кроме того, в одной модели можно комбинировать различные типы и размеры КА, а также КА и другие методы расчета.

Рисунок 1.2 - Текущие области применения подхода клеточных автоматов.

Совершенно очевидно, что в химии и химической технологии методы моделирования должны обеспечивать количественный анализ исследуемых систем. И в этом плане у клеточных автоматов есть как преимущества, так и недостатки. Главный недостаток вытекает из самой сути КА, и в то же время является его главным достоинством: возможность моделировать сложное поведение целой системы через взаимодействие ее мелких частей (ячеек). С одной стороны эта функция позволяет наблюдать и исследовать крупномасштабную эволюцию, но в то же время рассчитываемые локальные системные значения могут быть весьма далеки от того, что можно измерить в реальном эксперименте. Это является следствием упрощения состояния ячейки и правила перехода клеточного автомата.

Теплообмен

Дифф\

(массопере

Адсорбция

Таблица 1 - Существующие области применения клеточных автоматов для химической технологии

Область применения Примеры

Диффузия (массообмен) Диффузия газа в газе, газа в твердом теле, газа в жидкости, жидкости в жидкости

Адсорбция Адсорбционный процесс в составе процессов разделения, хроматографии, очистки газов, адсорбционных охладителей, водородных транспортных средств, газохранилищ, сверхкритических процессов получения функциональных материалов

Кристаллизация и перекристаллизация В сочетании с диффузионными и теплообмен-ными процессами кристаллизации и рекристаллизации неорганических материалов, полимеров, металлов

Растворение и эрозия Процесс растворения в сочетании с перекристаллизацией, растворением лекарств, гранул, имплан-татов, эрозией полимеров

Коррозия Коррозионный процесс в сочетании с гальванопокрытием, коррозия в гальванических элементах, аккумуляторах, очистка воды с помощью электрофлотации

Гидратация Процесс гидратации цемента

Химические реакции Каталитические реакции, реакционно-диффузионные процессы, фолдинг белков, стехиометрия

Таким образом, КА можно определенно использовать для количественного исследования поведения процессов в масштабах, превышающих размеры отдельных клеток. КА следует применять для локальных анализов с определенной осторожностью.

1.2 Моделирование структуры и свойств материалов с помощью клеточных автоматов

1.2.1 Моделирование микроструктур материалов

Прогнозирование свойств микроструктуры (механических, физических) и характеристик (т. е. размера зерна, текстуры), а также эволюции микроструктуры в процессе роста кристалла или фазового превращения относятся к числу важнейших задач материаловедения, для решения которых используются метод Монте-Карло [13], модели, основанные на методе конечных элементов, метод слежения за фронтом в многофазных системах и теория Джонсона-Мела-Аврами-Колмогрова [14]. Кроме того, КА модели часто применяются для исследования статической рекристаллизации и восстановления [15], кинетики рекристаллизации, динамической рекристаллизации с явлениями измельчения зерна [16-18], роста дендритов, процессов затвердевания [19-21] и роста кристаллов [22]. Это стало возможным благодаря простой калибровке в таких моделях шкал времени и длины, гибкости описания элементов КА (атомы, кластеры атомов и т.д.), а также правилам перехода, которые могут относиться к разным реальным шкалам времени для разных процессов. Стоит отметить, что, например, КА модели кристаллизации полимеров включают реалистичные граничные условия [23].

КА — это уникальный инструмент для цифрового представления материала [24]. Такие модели позволяют визуализировать структуру и состав материала, а также могут использоваться для прогнозирования (расчета) физико-химических свойств и текстурных характеристик материала. Предсказание структуры и ее цифровое представление на микро-, мезо- и макроуровне чрезвычайно важны для материаловедения. Помимо статического представления материала, КА модели особенно полезны для изучения эволюции микроструктуры [25] и описания структурообразования в результате, например, различ-

ных явлений при кристаллизации (затвердевании) неорганических и органических материалов и сплавов, динамической и статической рекристаллизации, фазовых превращений, а также при распространении трещин или в течении химических реакций.

КА, позволяющие моделировать структуру материала, можно разделить на два класса: (а) модели, предназначенные для прогнозирования структуры в зависимости от технологических параметров процесса и начальных условий, и (б) модели, формирующие структуру с требуемыми текстурными характеристиками без какой-либо привязки к реальному производственному процессу. Наиболее успешными направлениями использования КА моделей первого типа являются рост кристаллов и затвердевание полимеров [26-28], для которых разработка моделей всегда была сложной задачей. Второй класс используется для создания виртуальных структур, на основе которых осуществляется прогнозирование функциональных характеристик материала или моделирование явлений переноса (например, тепломассопереноса, электрической или звуковой энергии) в структуре материала.

Список литературы диссертационного исследования кандидат наук Митрофанов Игорь Владимирович, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Кафаров В.В., Дорохов И.Н. 2022. «Системный анализ процессов химический технологии. Основы стратегии», Москва : Юрайт, 499 с. - ISBN: 5534069910

2. Lis M, Pintal L, Swiatek J, Cwiklik L. 2012. GPU-based massive parallel Kawasaki kinetics in the dynamic Monte Carlo simulations of lipid nanodomains. J. Chem. Theory Comput. 8(11):4758-65

3. Wolfram S. 2002. A New Kind of Science. Champaign, IL: Wolfram

Media

4. Chopard B, Droz M. 2005. Cellular Automata Modeling of Physical Systems. Cambridge, UK: Cambridge Univ. Press. 358 pp

5. Von Neumann J. 1951. The general and logical theory of automata. In Cerebral Mechanisms in Behavior, ed. LA Jeffress, pp. 1-41. Oxford, UK: Wiley

6. Von Neumann J, Aspray W, Burks AW, eds. 1987. Papers of John von Neumann on Computing and Computer Theory. Cambridge, MA/Los Angeles, CA: MIT Press, Tomash Publ. 624 pp.

7. Von Neumann J, Aspray W, Burks AW, eds. 1987. Papers of John von Neumann on Computing and Computer Theory. Cambridge, MA/Los Angeles, CA: MIT Press, Tomash Publ. 624 pp.

8. Toffoli T, Margolus NH. 1990. Invertible cellular automata: a review. Phys. Nonlinear Phenom. 45(1- 3):229-53

9. Vanag VK. 1999. Study of spatially extended dynamical systems using probabilistic cellular automata. Phys.-Uspekhi 42(5):413-34

10. Toffoli T. 1984. Cellular automata as an alternative to (rather than an approximation of) differential equations in modeling physics. Phys. Nonlinear Phenom. 10(1-2): 117-27

11. D'Souza RM, Margolus NH, Smith MA. 2002. Dimension-splitting for simplifying diffusion in latticegas models. J. Stat. Phys. 107(1-2):401-22

12. Lis M, Pintal L, Swiatek J, Cwiklik L. 2012. GPU-based massive parallel Kawasaki kinetics in the dynamic Monte Carlo simulations of lipid nanodomains. J. Chem. Theory Comput. 8(11):4758-65

13. Hallberg H. 2011. Approaches to modeling of recrystallization. Metals 1(1):16—48

14. Humphreys FJ, Hatherly M. 2004. Recrystallization and Related Annealing Phenomena. Amsterdam/ Boston: Elsevier. 628 pp. 2nd ed.

15. Rollett AD. 1997. Overview of modeling and simulation of recrystallization. Prog. Mater. Sci. 42(1-4):79- 99

16. Lee HW, Im Y-T. 2010. Cellular automata modeling of grain coarsening and refinement during the dynamic recrystallization of pure copper. Mater. Trans. 51(9):1614-20

17. Yazdipour N, Davies CHJ, Hodgson PD. 2008. Microstructural modeling of dynamic recrystallization using irregular cellular automata. Comput. Mater. Sci. 44(2):566-76

18. Kugler G, Turk R. 2004. Modeling the dynamic recrystallization under multi-stage hot deformation. Acta Mater. 52(15):4659-68

19. Zhu MF, Hong CP. 2002. A three dimensional modified cellular automaton model for the prediction of solidification microstructures. ISIJ Int. 42(5):520-26

20. Gandin Ch-A, Rappaz M. 1994. A coupled finite element-cellular automaton model for the prediction of dendritic grain structures in solidification processes. Acta Metall. Mater. 42(7):2233-46

21. Miller W, Succi S, Mansutti D. 2001. Lattice Boltzmann model for anisotropic liquid-solid phase transition. Phys. Rev. Lett. 86(16):3578-81

22. Krivovichev SV. 2012. Algorithmic crystal chemistry: a cellular automata approach. Crystallogr. Rep. 57(1):10-17

23. Raabe D. 2004. Mesoscale simulation of spherulite growth during polymer crystallization by use of a cellular automaton. Acta Mater. 52(9):2653-64

24. Svyetlichnyy DS. 2014. A three-dimensional frontal cellular automaton model for simulation of microstructure evolution—initial microstructure module. Model. Simul. Mater. Sci. Eng. 22(8):085001

25. Raabe D. 1999. Introduction of a scalable three-dimensional cellular automaton with a probabilistic switching rule for the discrete mesoscale simulation of recrystallization phenomena. Philos. Mag. A 79(10):2339-58

26. Raabe D, Godara A. 2005.Mesoscale simulation of the kinetics and topology of spherulite growth during crystallization of isotactic polypropylene (iPP) by using a cellular automaton. Model. Simul. Mater. Sci. Eng. 13(5):733

27. Burbelko A, Falkus J, Kapturkiewicz W, Solek K, Drozd' z P, Wrobel M. 2012. Modeling of the grain structure formation in the steel continuous ingot by Cafe Method. Arch. Metall. Mater. 57(1):379- 84

28. Szeliga D, Kubiak K, Burbelko AA, Cygan R, Ziaja W. 2013. Modelling of grain microstructure of IN713C castings. Solid State Phenom. 197:83-88

29. Zhu MF, Kim JM, Hong CP. 2001. Modeling of globular and dendritic structure evolution in solidification of an Al-7mass%Si alloy. ISIJ Int. 41(9):992-98 2

30. Ivanova TB, Erdakova NN, Vaskin VV. 2006. Cellular automatic model for modelling phase structure of the undercooled binary alloy. Vestnik Udmurtskogo Universiteta (in Russian)

31. Hurley PJ, Humphreys FJ. 2003. Modelling the recrystallization of singlephase aluminium. Acta Mater. 51(13):3779-93

32. Qian M, Guo ZX. 2004. Cellular automata simulation of microstructural evolution during dynamic recrystallization of an HY-100 steel. Mater. Sci. Eng. A 365(1-2):180-85

33. Chen F, Qi K, Cui Z, Lai X. 2014. Modeling the dynamic recrystallization in austenitic stainless steel using cellular automaton method. Comput. Mater. Sci. 83:331-40

34. Svyetlichnyy DS. 2010. Modelling of the microstructure: from classical cellular automata approach to the frontal one. Comput. Mater. Sci. 50(1):92-97

35. Zheng C, Raabe D, Li D. 2012. Prediction of post-dynamic austenite-to-ferrite transformation and reverse transformation in a low-carbon steel by cellular automaton modeling. Acta Mater. 60(12):4768- 79

36. Zheng C, Raabe D. 2013. Interaction between recrystallization and phase transformation during intercritical annealing in a cold-rolled dual-phase steel: a cellular automaton model.Acta Mater. 61(14):5504- 17

37. Song KJ, Wei YH, Dong ZB, Zhan XH, Zheng WJ, Fang K. 2013. Numerical simulation of ß to a phase transformation in heat affected zone during welding of TA15 alloy. Comput. Mater. Sci. 72:93-100

38. Svyetlichnyy DS, Mikhalyov AI. 2014. Three-dimensional frontal cellular automata model of microstructure evolution—phase transformation module. ISIJ Int. 54(6):1386-95

39. Palmiere EJ, ed. 2002. Conference Proceedings—International Conference on Thermomechanical Processing: Mechanics, Microstructure & Control: 2326 June 2002, the University of Sheffield, England. Sheffield, UK: Dep. Eng. Mater. 486 pp.

40. Svyetlichnyy D, Majta J, Muszka K, Lach L. 2011. Modeling of microstructure evolution of BCC metals subjected to severe plastic deformation. AIP Conf. Proc. 1315:1473

41. Svyetlichnyy DS. 2013. Modeling of grain refinement by cellular automata. Comput. Mater. Sci. 77:408- 16

42. Körner C, Singer RF. 1999. Numerical simulation of foam formation and evolution with modified cellular automata. In Metal Foams and Porous Metal Structures, ed. J Banhart, MF Ashby, NA Fleck, pp. 91-96. Bremen, Ger.: Verlag MIT Publ.

43. Meakin P. 1999. A historical introduction to computer models for fractal aggregates. J. Sol-Gel Sci. Technol. 15(2):97-117

44. Fry D, Mohammad A, Chakrabarti A, Sorensen CM. 2004. Cluster shape anisotropy in irreversibly aggregating particulate systems. Langmuir 20(18):7871-79

45. Sander LM. 2000. Diffusion-limited aggregation: A kinetic critical phenomenon? Contemp. Phys. 41(4):203-18

46. D'Souza RM, Margolus NH. 1998. A thermodynamically reversible generalization of diffusion limited aggregation. Phys. Rev. E 60(1):264-74

47. Eden M. 1961. A two-dimensional growth process. Proc. Fourth Berkeley Symp. Math Stat. Prob. 4:223-39

48. Meakin P. 1983. Formation of fractal clusters and networks by irreversible diffusion-limited aggregation. Phys. Rev. Lett. 51(13): 1119-22

49. Finegold L. 1976. Cell membrane fluidity: molecular modeling of particle aggregations seen in electron microscopy. Biochim. Biophys. Acta 448(2):393-98

50. Jullien R, Kolb M. 1984. Hierarchical model for chemically limited cluster-cluster aggregation. J. Phys. Math. Gen. 17(12):L639-43

51. Aegerter MA, Leventis N, Koebel MM, eds. 2011. Aerogels Handbook. New York: Springer

52. Brouwers HJH, de Korte ACJ. 2016. Multi-cycle and multi-scale cellular automata for hydration simulation (of Portland-cement). Comput. Mater. Sci. 111:116-24

53. Puchkov M, Tschirky D, Leuenberger H. 2013. 3-D cellular automata in computer-aided design of pharmaceutical formulations: mathematical concept and F-CAD software. In Formulation Tools for Pharmaceutical Development, ed. JE Aguilar, pp. 155-201. Woodhead Publ. Ser. Biomed. Swaston, UK: Woodhead Publ.

54. Mitrofanov I, Malysheva I, Kolnoochenko A, Menshutina N. 2017. Modelling of aerogels structures using intelligent system "AeroGen Structure." Comput. Aided Chem. Eng. 40:469-74

55. Brady RM, Ball RC. 1984. Fractal growth of copper electrodeposits. Nature 309(5965):225-29

56. Niemeyer L, Pietronero L, Wiesmann HJ. 1984. Fractal dimension of dielectric breakdown. Phys. Rev. Lett. 52(12):1033-36

57. Daccord G, Nittmann J, Stanley HE. 1986. Radial viscous fingers and diffusion-limited aggregation: fractal dimension and growth sites. Phys. Rev. Lett. 56(4):336-39

58. Daccord G, Lenormand R. 1987. Fractal patterns from chemical dissolution. Nature 325(6099):41-43

59. Honjo H, Ohta S, Matsushita M. 1986. Irregular fractal-like crystal growth of ammonium chloride. J. Phys. Soc. Jpn. 55(8):2487-90

60. Radnoczi Gy, Vicsek T, Sander LM, Grier D. 1987. Growth of fractal crystals in amorphous GeSe2 films. Phys. Rev. A 35(9):4012-15

61. Calemczuk R, de Goer AM, Salce B, Maynard R, Zarembowitch A. 1987. Low-temperature properties of silica aerogels. Europhys. Lett. 3(11):1205-11

62. Vertyagina Y, Marrow TJ. 2017. A multi-scale three-dimensional cellular automata fracture model of radiolytically oxidised nuclear graphite. Carbon 121:574-90

63. Vertyagina Y, Marrow TJ. 2016. 3D cellular automata fracture model for porous graphite microstructures. Nucl. Eng. Des. 323:202-8

64. Ivanov S, Tyrtyshnikov A, Tsygankov P, Menshutina N. 2016. Mathematical modelling of carbon nanotubes aerogel structure, electrical and thermal conductivity. In Proceedings of the 16th International Multidisciplinary Scientific GeoCon-ference, June 28-July 16, Book 6, Vol. 1, pp. 221-28. Sofia: Surv. Geol. Min. Ecol. Manag.

65. Pan P-Z, Feng X-T, Hudson JA. 2009. Study of failure and scale effects in rocks under uniaxial compression using 3D cellular automata. Int. J. Rock Mech. Miner. Sci. 46(4):674-85

66. Moiseenko DD, Panin VE, Maksimov PV, Panin SV, Berto F. 2014. Material fragmentation as dissipative process of micro rotation sequence formation: hybrid model of excitable cellular automata. AIP Conf. Proc. 1623:427-30

67. Smolin AY, Roman NV, Konovalenko IS, Eremina GM, Buyakova SP, Psakhie SG. 2014. 3D simulation of dependence of mechanical properties of porous ceramics on porosity. Eng. Fract. Mech. 130:53-64

68. Psakhie SG, Moiseyenko DD, Smolin AY, Shilko EV, Dmitriev AI, et al. 1999. The features of fracture of heterogeneous materials and frame structures. Potentialities of MCA design.Comput. Mater. Sci. 16(1- 4):333-43

69. Biggs MJ, Humby SJ. 1998. Lattice-gas automata methods for engineering. Chem. Eng. Res. Des. 76(2):162-74

70. Wells JT, Janecky DR, Travis BJ. 1991. A lattice gas automata model for heterogeneous chemical reactions at mineral surfaces and in pore networks. Phys. Nonlinear Phenom. 47(1-2): 115-23

71. Demontis P, Pazzona FG, Suffritti GB. 2006. A lattice-gas cellular automaton to model diffusion in restricted geometries. J. Phys. Chem. B 110(27):13554-59

72. Toffoli T, Capobianco S, Mentrasti P. 2008. When—and how—can a cellular automaton be rewritten as a lattice gas? Theor. Comput. Sci. 403(1):71-88

73. Toffoli T, Margolus N. 1987. Cellular Automata Machines: A New Environment for Modeling. Cambridge, MA: MIT Press. 284 pp.

74. Bandman OL. 2007. A cellular automata convection-diffusion model of flows through porous media. Optoelectron. Instrum. Data Process. 43(6):524-29

75. Di Maio FP, Lignola PG, Di Gregorio S. 2000. Cellular automata simulation of coal combustion. Phys. Chem. Chem. Phys. 2(1):83-89

76. Roussel MR, Lim C. 1995. Dynamic model of lignin growing in restricted spaces. Macromolecules 28(1):370-76

77. Gurikov P, Kolnoochenko A, Golubchikov M, Menshutina N, Smirnova I. 2016. A synchronous cellular automaton model of mass transport in porous media. Comput. Chem. Eng. 84:446-57

78. Raabe D, Hantcherli L. 2005. 2D cellular automaton simulation of the re-crystallization texture of an IF sheet steel under consideration of Zener pinning. Comput. Mater. Sci. 34(4):299-313

79. Lin JX, Wang CY, Zheng YY. 2008. Prediction of isothermal crystallization parameters in monomer cast nylon 6. Comput. Chem. Eng. 32(12):3023-29

80. Libbrecht KG. 2008. Physically derived rules for simulating faceted crystal growth using cellular automata. arXiv:0807.2616

81. Burbelko A, Fras E, Kapturkiewicz W, Olejnik E. 2004. Cellular automata diffusion-kinetic model of ' dendritic growth. Cell. Autom. 2004:355-64

82. Krane MJM, Johnson DR, Raghavan S. 2009. The development of a cellular automaton-finite volume model for dendritic growth. Appl. Math. Model. 33(5):2234-47

83. Krivovichev SV. 2010. Actinyl compounds with hexavalent elements (S, Cr, Se,Mo)—structural diversity, nanoscale chemistry, and cellular automata modeling. Eur. J. Inorg. Chem. 2010(18):2594-603

84. Kimber JA, Kazarian SG, Stepanek F. 2011. Microstructure-based mathematical modelling and spec- v troscopic imaging of tablet dissolution. Comput. Chem. Eng. 35(7):1328-39

85. Laaksonen TJ, Laaksonen HM, Hirvonen JT, Murtomaki L. 2009. Cellular automata model for drug release from binary matrix and reservoir polymeric devices. Biomaterials 30(10):1978-87

86. Jia X, Williams RA. 2007. A hybrid mesoscale modelling approach to dissolution of granules and tablets. Chem. Eng. Res. Des. 85(7):1027-38

87. Gan M, Gopinathan N, Jia X, Williams RA. 2004. Predicting packing characteristics of particles of arbitrary shapes. KONA Powder Part. J. 22:82-93

88. Succi S. 2001. The Lattice Boltzmann Equation: For Fluid Dynamics and Beyond. Oxford, UK: Oxford Univ. Press. 308 pp.

89. Bertrand N, Leclair G, Hildgen P. 2007. Modeling drug release from bio-erodible microspheres using a cellular automaton. Int. J. Pharm. 343(1-2):196-207

90. Bezbradica M, Ruskin HJ, Crane M. 2014. Comparative analysis of asynchronous cellular automata in stochastic pharmaceutical modelling. J. Comput. Sci. 5(5):834-40

91. Campinez MD, Caraballo I, Puchkov M, Kuentz M. 2016. Novel polyurethane matrix systems reveal a particular sustained release behavior studied by imaging and computational modeling. AAPS PharmSciTech 18:1544-53

92. Eberle VA,Häring A, Schoelkopf J, Gane PAC,Huwyler J, Puchkov M. 2016.In silico and in vitro methods to optimize the performance of experimental gastroretentive floating mini-tablets.Drug Dev. Ind. Pharm. 42(5):808-17

93. Fathi M, Mohebbi M, Varshosaz J, Shahidi F. 2012. Cellular automata modeling of hesperetin release phenomenon from lipid nanocarriers. Food Biopro-cess Technol. 6(11):3134-42

94. Bezbradica M, Barat A, Ruskin H, Crane M. 2010. Probabilistic models for dissolution of ethylcellulose coated microspheres. Presented at ESM 2010—European Simulation and Modeling Conference, Hasselt, Belg., Oct. 25-27

95. Gurikov PA, Kolnoochenko AV, Menshutina NV. 2009. 3D reversible cellular automata for simulation of the drug release from aerogel-drug formulations. Comput. Aided Chem. Eng. 26:943-47

96. Ivanov SI, Lovskaya DD, Menshutina NV. 2013. Cellular automata modeling of dissolution of soliddosage forms. Comput. Aided Chem. Eng. 32:883-88

97. Ivanov SI, Tiptsova IA,Menshutina NV. 2015.Modeling dissolution of solids based on cellular automata with changing sizes of cells. Comput. Aided Chem. Eng. 37:605-10

98. Sun B, Fan W, Chakraborty A. 2017. Adsorption kinetics emulation with lattice gas cellular automata. Heat Transf. Eng. 38(4): 409-16

99. Bonchev D, Thomas S, Apte A, Kier LB. 2010. Cellular automata modelling of biomolecular networks dynamics. SAR QSAR Environ. Res. 21(1-2):77-102

100. Markova VP, Sharifulina AE. 2011. Parallel implementation of the asynchronous cellular automata modelling CO oxidation on palladium. Prikl. Diskretn. Mat. 1(11): 116-26 (in Russian)

101. Kireeva A. 2015. Two-layer CA for simulation of catalytic reaction at dynamically varying surface temperature. J. Comput. Sci. 11:317-25

102. Van der Weeen P, Baetens JM, Verwaeren J, Van Doorslaer X, Heynderickx PM, et al. 2012. Modeling the photocatalytic degradation of moxiflox-acin by means of a stochastic cellular automaton. Chem. Eng. J. 188:181-90

103. Scalise D, Schulman R. 2016. Emulating cellular automata in chemical reaction-diffusion networks. Nat. Comput. 15(2):197-214

104. Bandman O. 2001. A hybrid approach to reaction-diffusion processes simulation. In Parallel Computing Technologies, ed. V Malyshkin, pp. 1-16. Berlin/Heidelberg: Springer

105. Van der Weeen P. 2014. Meso-scale modeling of reaction-diffusion processes using cellular automata. PhD Thesis, Dep. Math. Model., Ghent Univ., Ghent, Belg.

106. Bandman O. 2002. Cellular-neural automaton: a hybrid model for reaction-diffusion simulation. Futur. Gener. Comput. Syst. 18(6):737-45

107. Ziff RM, Fichthorn K, Gulari E. 1991. Cellular automaton version of the AB2 reaction model obeying proper stoichiometry. J. Phys. Math. Gen. 24(15):3727

108. Mai J, Kuzovkov VN, von Niessen W. 1994. Stochastic model for the A+B2 surface reaction: island formation and complete segregation. J. Chem. Phys. 100(8):6073-81

109. Kausar A. 2017. A review of filled and pristine polycarbonate blends and their applications. https://doi.org/10.1177/8756087917691088. SAGE Publica-tionsSage UK: London, England. Vol. 34, № 1. P. 60-97.

110. Kausar A. 2017. Membranes of polycarbonate/poly(styrene-co-allyl alcohol) reinforced with nano-zeolite-based filler for gas separation Membranes of polycarbonate/poly(styrene-co-allyl alcohol) reinforced with nano-zeolite-based

filler for gas separation. Journal of the Chinese Advanced Materials Society. Vol. 5, № 1. P. 33-46.

111. Elmaghor F. et al. 2004. Recycling of polycarbonate by blending with maleic anhydride grafted ABS. Polymer. Elsevier. Vol. 45, № 19. P. 6719-6724.

112. Kevin E. Koch. 1978. Vehicle protection bumper assembly. US Patent 4168855 https://patents.google.com/patent/US4168855

113. Grause G. et al. 2009. Pyrolytic hydrolysis of polycarbonate in the presence of earth-alkali oxides and hydroxides. Polymer Degradation and Stability. Elsevier. Vol. 94, № 7. P. 1119-1124.

114. Moretti E. et al. 2018. Optical, thermal, and energy performance of advanced polycarbonate systems with granular aerogel. Energy and Buildings. Elsevier. Vol. 166. P. 407-417.

115. Shokri J., Adibkia K. 2013. Application of Cellulose and Cellulose Derivatives in Pharmaceutical Industries. InTech.

116. Kondo T. 1997. The Relationship between Intramolecular Hydrogen Bonds and Certain Physical Properties of Regioselectively Substituted Cellulose Derivatives. J Polym Sci B: Polym Phys. John Wiley & Sons, Inc. Vol. 35. P. 717-723.

117. Paakko M. et al. 2007. Enzymatic Hydrolysis Combined with Mechanical Shearing and High-Pressure Homogenization for Nanoscale Cellulose Fibrils and Strong Gels. Biomacromolecules. American Chemical Society. Vol. 8, № 6. P. 1934-1941.

118. Ferrer A., Pal L., Hubbe M. 2017. Nanocellulose in packaging: Advances in barrier layer technologies. Elsevier B.V. Vol. 95. P. 574-582.

119. Budtova T. 2019. Cellulose II aerogels: a review. Cellulose 2019 26:1. Springer, Vol. 26, № 1. P. 81-121.

120. Thomason J.L. 2009. The influence of fibre length, diameter and concentration on the impact performance of long glass-fibre reinforced polyamide 6,6. Composites Part A: Applied Science and Manufacturing. Vol. 40, № 2. P. 114-124.

121. Myasnikova L.P. 2010. Transitions and Relaxations. Encyclopedia of Polymer Science and Technology. John Wiley & Sons, Inc.

122. Kawaguchi T. 1959. The dynamic mechanical properties of nylons. Journal of Applied Polymer Science. John Wiley & Sons, Ltd. Vol. 2, № 4. P. 56-61.

123. Ong E.S., Kim Y., Williams H.L. 1986. Dynamic mechanical properties of some nylons and their blends. Journal of Applied Polymer Science. John Wiley & Sons, Ltd, Vol. 31, № 2. P. 367-383.

124. He S. et al. 2015. Rapid and facile synthesis of a low-cost monolithic polyamide aerogel via sol-gel technology. Materials Letters. North-Holland, Vol. 144. P. 82-84.

125. Akindoyo J.O. et al. 2016. Polyurethane types, synthesis and applications - a review. RSC Advances. Royal Society of Chemistry, Vol. 6, № 115. P. 114453-114482.

126. Buist J.M., Lowe A. 1965. The Chemistry of Polyurethanes and Their Applications. The Annals of Occupational Hygiene. Oxford Academic, Vol. 8, № 2. P. 143-162.

127. Tersac G. 2007. Chemistry and technology of polyols for polyurethanes. Milhail Ionescu. Rapra Technology, Shrewsbury, UK. Wiley, Vol. 56, № 6. P. 820820.

128. Naheed S. et al. 2021. Synthesis and study of morphology and biocom-patibility of xanthan gum/titanium dioxide-based polyurethane elastomers. Polymers. MDPI, Vol. 13, № 19.

129. Chattopadhyay D.K., Raju K.V.S.N. 2007. Structural engineering of polyurethane coatings for high performance applications. Progress in Polymer Science (Oxford). Vol. 32, № 3. P. 352-418.

130. Chattopadhyay D.K., Webster D.C. 2009. Thermal stability and flame retardancy of polyurethanes. Progress in Polymer Science. Vol. 34, № 10. P. 10681133.

131. Raptopoulos G. et al. 2021. Metal-doped carbons from polyurea-cross-linked alginate aerogel beads. Materials Advances. Royal Society of Chemistry, Vol. 2, № 8. P. 2684-2699.

132. Wang H. et al. 2021. Edible films from chitosan-gelatin: Physical properties and food packaging application. Food Bioscience. Elsevier, Vol. 40. P. 100871.

133. Koc B. et al. 2020. Production and characterization of chitosan-fungal extract films. Food Bioscience. Elsevier, Vol. 35. P. 100545.

134. Rinaudo M. 2006. Chitin and chitosan: Properties and applications. Progress in Polymer Science. Vol. 31, № 7. P. 603-632.

135. Shah N., Lin D. 2020. Composite Aerogels for Biomedical and Environmental Applications. Current Pharmaceutical Design. Bentham Science Publishers, Vol. 26, № 45. P. 5807-5818.

136. Zheng L. et al. 2020. Engineering of Aerogel-Based Biomaterials for Biomedical Applications. International Journal of Nanomedicine. Dove Press, Vol. 15. P. 2363.

137. Lovskaya D. et al. 2020. Chitosan-Based Aerogel Particles as Highly Effective Local Hemostatic Agents. Production Process and In Vivo Evaluations. Polymers, Vol. 12, Page 2055. Multidisciplinary Digital Publishing Institute, 2020. Vol. 12, № 9. P. 2055.

138. Leventis, N.; Sotiriou-Leventis, C.; Chandrasekaran, N.; Mulik, S.; Lar-imore, Z. J.; Lu, H.; Churu, G.; Mang, J. T. 2010. Multifunctional Polyurea Aerogels from Isocyanates and Water. A Structure-Property Case Study. Chem. Mater. 22 (24), 6692-6710.

139. Leventis, N.; Chidambareswarapattar, C.; Bang, A.; Sotiriou-Leventis, C. 2014. Cocoon-in-Web-Like Superhydrophobic Aerogels from Hydrophilic Polyurea and Use in Environmental Remediation. ACS Appl. Mater. Interfaces, 6 (9), 6872-6882.

140. Leventis, N.; Sotiriou-Leventis, C.; Saeed, A. M.; Donthula, S.; Majedi Far, H.; Rewatkar, P. M.; Kaiser, H.; Robertson, J. D.; Lu, H.; Churu, G. 2016. Na-noporous Polyurea from a Triisocyanate and Boric Acid: A Paradigm of a General Reaction Pathway for Isocyanates and Mineral Acids. Chem. Mater. 28 (1), 67-78.

141. Liu W., Budtova T., Navard P. 2011. Influence of ZnO on the properties of dilute and semi-dilute cellulose-NaOH-water solutions. Cellulose, 18:911-920

142. Roy C., Budtova T., Navard P. 2003. Rheological Properties and Gelation of Aqueous Cellulose-NaOH Solutions. Biomacromolecules, 4, 259-264

143. Egal, M., Budtova, T., & Navard, P. 2007. Structure of aqueous solutions of microcrystalline cellulose/sodium hydroxide below 0° C and the limit of cellulose dissolution. Biomacromolecules, 8, 2282-2287.

144. Gavillon, R., & Budtova, T. 2008. Aerocellulose: New highly porous cellulose prepared from cellulose-NaOH aqueous solutions. Biomacromolecules, 9, 269-277

145. Sescousse, R., & Budtova, T. 2009. Influence of processing parameters on regeneration kinetics and morphology of porous cellulose from cellulose-NaOH-water solutions. Cellulose, 16, 417-426.

146. Leventis, N.; Chidambareswarapattar, C.; Mohite, D. P.; Larimore, Z. J.; Lu, H.; Sotiriou-Leventis, C. 2011. Multifunctional Porous Aramids (Aerogels) by Efficient Reaction of Carboxylic Acids and Isocyanates. J. Mater. Chem. 21 (32), 11981-11986.

147. Saeed, A. M.; Rewatkar, P. M.; Majedi Far, H.; Taghvaee, T.; Donthula, S.; Mandal, C.; Sotiriou-Leventis, C.; Leventis, N. 2017. Selective CO2 Sequestration with Monolithic Bimodal Micro/Macroporous Carbon Aerogels Derived from Stepwise Pyrolytic Decomposition of Polyamide-Polyimide-Polyurea Random Co-polymers. ACS Appl. Mater. Interfaces, 9 (15), 13520-13536.

148. Mulik, S.; Sotiriou-Leventis, C.; Leventis, N. 2007. Time-Efficient Acid-Catalyzed Synthesis of Resorcinol-Formaldehyde Aerogels. Chem. Mater. 19, 6138-6144.

149. Mulik, S.; Sotiriou-Leventis, C.; Leventis, N. 2008. Macroporous Electrically Conducting Carbon Networks by Pyrolysis of Isocyanate-Cross-Linked Res-orcinol-Formaldehyde Aerogels. Chem. Mater., 20, 6985-6997.

150. Leventis, N.; Sotiriou-Leventis, C.; Chandrasekaran, N.; Mulik, S.; Lar-imore, Z.J.; Lu, H.; Churu, G.; Mang, J.T. 2010. Multifunctional Polyurea Aerogels from Isocyanates and Water. A Structure-Property Case Study. Chem. Mater., 22, 6692-6710.

151. Chidambareswarapattar, C.; Xu, L.; Sotiriou-Leventis, C.; Leventis, N. 2013. Robust monolithic multiscale nanoporous polyimides and conversion to isomorphic carbons. RSC Adv., 3, 26459-26469.

152. Leventis, N.; Chidambareswarapattar, C.; Mohite, D.P.; Larimore, Z.J.; Lu, H.; Sotiriou-Leventis, C. 2011. Multifunctional porous aramids (aerogels) by efficient reaction of carboxylic acids and isocyanates. J. Mater. Chem., 21, 1198111986.

153. Mahadik-Khanolkar, S.; Donthula, S.; Sotiriou-Leventis, C.; Leventis, N. 2014. Polybenzoxazine Aerogels. 1. High-Yield Room-Temperature Acid-Catalyzed Synthesis of Robust Monoliths, Oxidative Aromatization, and Conversion to Microporous Carbons. Chem. Mater., 26, 1303-1317.

154. Chidambareswarapattar, C.; McCarver, P.M.; Luo, H.; Lu, H.; Sotiriou-Leventis, C.; Leventis, N. 2013. Fractal Multiscale Nanoporous Polyurethanes: Flexible to Extremely Rigid Aerogels from Multifunctional Small Molecules. Chem. Mater., 25, 3205-3224.

155. Mohite, D.P.; Mahadik-Khanolkar, S.; Luo, H.; Lu, H.; Sotiriou-Le-ventis, C.; Leventis, N. 2013. Polydicyclopentadiene aerogels grafted with PMMA: I. Molecular and interparticle crosslinking. Soft Matter, 9, 1516-1530.

156. Kim, S.H.; Worsley, M.A.; Valdez, C.A.; Shin, S.J.; Dawedeit, C.; Braun, T.; Baumann, T.F.; Letts, S.A.; Kucheyev, S.O.; Wu, K.J.J.; et al. 2012. Exploration of the versatility of ring opening metathesis polymerization: An approach for gaining access to low density polymeric aerogels. RSC Adv., 2, 8672-8680.

157. Lee, J.K.; Gould, G.L. 2007. Polydicyclopentadiene based aerogel: A new insulation material. J. Sol-Gel Sci. Technol., 44, 29-40.

158. Schrock, R.R. 2006. Multiple Metal-Carbon Bonds for Catalytic Metathesis Reactions (Nobel Lecture). Angew. Chem. Int. Ed., 45, 3748-3759.

159. Grubbs, R.H. 2006. Olefin-Metathesis Catalysts for the Preparation of Molecules and Materials (Nobel Lecture). Angew. Chem. Int. Ed., 45, 3760-3765.

160. Hartwig, J. 2009. Organotransition Metal Chemistry: From Bonding to Catalysis, 1st ed.; University Science Books: Sausalito, CA, USA, ISBN 978-1891389-53-5.

161. Bielawski, C.W.; Grubbs, R.H. 2007. Living ring-opening metathesis polymerization. Prog. Polym. Sci., 32, 1-29.

162. Wei, J.; Trout, W.; Simon, Y.C.; Granados-Focil, S. 2017. Ring opening metathesis polymerization of triazole-bearing cyclobutenes: Diblock copolymer synthesis and evaluation of the effect of side group size on polymerization kinetics. J. Polym. Sci. Part Polym. Chem., 55, 1929-1939.

163. Liu, J.; Burts, A.O.; Li, Y.; Zhukhovitskiy, A.V.; Ottaviani, M.F.; Turro, N.J.; Johnson, J.A. 2012. "Brush-First" Method for the Parallel Synthesis of Photo-cleavable, Nitroxide-Labeled Poly(ethylene glycol) Star Polymers. J. Am. Chem. Soc., 134, 16337-16344.

164. Raptopoulos, G.; Anyfantis, G.C.; Chriti, D.; Paraskevopoulou, P. 2017. Synthesis and structural characterization of poly(dicyclopentadiene) gels obtained with a novel ditungsten versus conventional W and Ru mononuclear catalysts. Inorg. Chim. Acta, 460, 69-76.

165. Aspasia K, Anyfantis G.C., Chriti D., Raptopoulos G., Pitsikalis M. and Paraskevopoulou P. 2018. Poly(urethane-norbornene) Aerogels via Ring Opening Metathesis Polymerization of Dendritic Urethane-Norbornene Monomers: Structure-Property Relationships as a Function of an Aliphatic Versus an Aromatic Core and the Number of Peripheral Norbornene Moieties" Molecules 23, no. 5: 1007. https://doi.org/10.3390/molecules23051007

166. López-Iglesias, C.; Barros, J.; Ardao, I.; Gurikov, P.; Monteiro, F.J.; Smirnova, I.; Alvarez-Lorenzo, C.; García-González, C.A. 2020. Jet Cutting Technique for the Production of Chitosan Aerogel Microparticles Loaded with Vancomycin. Polymers, 12, 273. https://doi.org/10.3390/polym12020273

167. PrüBe U., Fox B., Kirchhoff M., Bruske F., Breford J., Vorlop K.-D. 1998. New process (jet cutting method) for the production of spherical beads from highly viscous polymer solutions. Chem. Eng. Technol.;21:29-33. doi: 10.1002/(SICI) 1521-4125(199801)21:1<29: :AID-CEAT29>3.0.C0;2-Y

168. Ganesan K., Budtova T., Ratke L., Gurikov P., Baudron V., Preibisch I., Niemeyer P., Smirnova I., Milow B. 2018. Review on the production of polysaccharide aerogel particles. Materials, 11:2144. doi: 10.3390/ma1111214

169. PrüBe U., Dalluhn J., Breford J., Vorlop K.-D. 2000. Production of spherical beads by JetCutting. Chem. Eng. Technol.,23:1105-1110. doi: 10.1002/1521-4125(200012)23:12<1105::AID-CEAT1105>3.0.C0;2-V

170. Lovskaya, D.; Menshutina, N.; Mochalova, M.; Nosov, A.; Grebenyuk, A. 2020. Chitosan-Based Aerogel Particles as Highly Effec-tive Local Hemostatic Agents. Production Process and In Vivo Evaluations. Polymers, 12, 2055, doi: 10.3390/polym12092055

171. Lovskaya, D.; Menshutina, N. 2020. Alginate-Based Aerogel Particles as Drug Delivery Systems: Investigation of the Supercritical Adsorption and In Vitro Evaluations. Materials, 13, 329, doi:10.3390/ma13020329.

172. Menshutina, N.; Lovskaya, D.; Lebedev, A.; Lebedev, E. 2017. Production of sodium alginate-based aerogel particles using su-per-critical drying in units with different volumes. Rus. J. Phys. Chem. B, 11, 1296-1305.

173. Menshutina N., Guseva N., Batyrgazieva D., Mitrofanov I. 2021. Information System for Selection of Conditions and Equipment for Mammalian Cell Cultivation, Data 6(3):23, D0I:10.3390/data6030023, Q2

174. Колнооченко А. 2013. Моделирование структур аэрогелей и массо-переноса в них с применением высокопроизводительных вычислений: дис. ... канд. ф.-м.. наук: 05.13.18, Москва, 156 с

175. D. Bolotin, S. Poslavsky, I. Mitrophanov, M. Shugay, D. Chudakov. 2015. MiXCR: Software for comprehensive adaptive immunity profiling. Nature Methods 12(5):380-1, D01:10.1038/nmeth.3364, Q1

Приложение 1.

Опросный лист: аэрогели на основе полимочевины

1. Гелирование

Использованные материалы и их соотношения, использованные катализаторы;

Таблица 1. Получение PUA порошков из Desmodur N3300 в ацетоне путём интенсивного перемешивания^

№. образца Рецепт N3300 c H2O d Et3N e Ацетон Суммарный объём [N3300] Время гелирования

(г) (моль) (мл) (моль) (мл) (моль) (кг/кг) (мл) (мл) (M)

N76 2.75 5.5 0.011 0.6 0.033 2.1 0.015 1.0 188 195.4 0.06 9 ч 30 мин

N6 5.5 11 0.022 1.2 0.067 4.2 0.030 1.9 188 202.8 0.11 3 ч

N5 11 22 0.044 2.4 0.133 8.4 0.060 3.4 188 217.6 0.20 30 мин

N56 16.5 33 0.065 3.6 0.200 12.6 0.090 4.7 188 232.4 0.28 4 мин

а Полученный раствор был перемешан при комнатной температуре (скорость перемешивания 250-300 об/мин). ь Растворитель был удалён центрифугированием в течение 10 мин (4000 об/мин). с Реагент №1. а Реагент №2. е Катализатор.

Таблица 2. Получение PUA порошков из Desmodur N3300 в PC путём интенсивного перемешивания^

№. образца Рецепт N33 (г) )0 c (моль) H (мл) 2O d (моль) (мл) Et3N e (моль) (кг/кг) PC f (мл) Суммарный объём (мл) [N3300] (M) Время гели-рования

N77 2.75 5.5 0.011 0.6 0.033 2.1 0.015 0.6 188 195.4 0.06 6 мин

N55 5.5 11 0.022 1.2 0.067 4.2 0.030 1.3 188 202.8 0.11 2 мин

N54 11 22 0.044 2.4 0.130 8.4 0.060 2.4 188 217.6 0.20 5 с

N63 16.5 33 0.065 3.6 0.200 12.6 0.090 3.4 188 232.4 0.28 1 с

N110 5.5 11 0.022 1.2 0.067 1.53 0.011 0.5 188 200.1 0.11 5 мин

N111 11 11 0.022 1.2 0.067 1.53 0.011 0.9 94 106.1 0.21 30 с

N112 16.5 16.5 0.033 1.8 0.1 2.3 0.016 1.3 94 112.2 0.29 15 с

N115 2.75 2.75 0.0055 0.3 0.017 0.105 0.00075 0.06 94 96.8 0.06 40 мин

N118 5.5 5.5 0.011 0.6 0.033 0.21 0.0015 0.13 94 99.5 0.11 8 мин

N114 11 11 0.022 1.2 0.067 0.42 0.0030 0.24 94 105.0 0.21 7 мин

N116 16.5 16.5 0.033 1.8 0.1 0.63 0.0045 0.35 94 110.5 0.30 1 мин

a Полученный раствор был перемешан при комнатной температуре (скорость перемешивания 250-300 об/мин). b Растворитель был удалён центрифугированием в течение 10 мин (4000 об/мин). c Реагент №1. d Реагент №2. e Катализатор. f PC: пропилен карбонат.

Таблица 3. Получение PUA порошков из Desmodur N3300 в PC/гексане путём суспензионной полимеризацииаЬ

Ид. Рецепт N3300 c H2O d Et3N e PC/гексан f Суммарный объём [N3300] Время

образца (г) (моль) (мл) (моль) (мл) (моль) (кг/кг) (мл) (мл) (M) гелирования

N104 2.75 1.375 0.0028 0.150 0.008 0.525 0.004 0.65 47/141 g 189.8 0.06 8 ч

N65 5.5 2.75 0.0055 0.3 0.017 1.05 0.008 1.3 47/141 h 191.7 0.11 5 ч и 30 мин

N64 11 5.5 0.011 0.6 0.033 2.1 0.015 2.4 47/141 i 195.4 0.20 35 мин

N106 11 5.5 0.011 0.6 0.033 2.1 0.015 2.4 47/326.4 j 380.8 0.20 35 мин

N108 11 5.5 0.011 0.6 0.033 2.1 0.015 2.4 47/544 k 598.4 0.20 1ч и 30 мин

N122 16.5 8.25 0.016 1.8 0.1 3.15 0.022 3.3 47/354 j 413.0 0.27 14 мин

N123 16.5 8.25 0.016 1.8 0.1 3.15 0.022 3.3 47/177 l 236.0 0.27 7 мин

а Полученный раствор был перемешан при комнатной температуре (скорость перемешивания 250-300 об/мин). ь Растворитель был удалён центрифу-

гированием в течение 10 мин (4000 об/мин). с Реагент №1. й Реагент №2. е Катализатор. f РС: пропилен карбонат. 9 Объём гексана равнялся 2.9 объёмам дисперсной фазы. и Объём гексана равнялся 2.8 объёмам дисперсной фазы. ' Объём гексана равнялся 2.6 объёмам дисперсной фазы. 1 Объём гексана равнялся 6 объёмам дисперсной фазы. к Объём гексана равен 10х объёмам дисперсной фазы. 1 Объём гексана равен 3х объёмам дисперсной фазы.

Таблица 4. Получение PUA порошков из Desmodur N3300 в PC/гексане путём эмульсионной полимеризации

№ образца Рецеп т N3300 a H2O b Et3N c PC/гексан d (мл/мл) Суммарный объём (мл) [N3300 ] (M) ПАВ (кг/кг дисперсной фазы) Скорость перемешив. (об/мин) Время гелирования

г моль мл моль мл кг/кг

N91 5.5 2.75 0.005 0.3 0.02 1.05 1.3 47/141 191.7 0.10 СТАВе (1) 400 30 мин

N120 5.5 2.75 0.005 0.3 0.02 1.05 1.3 47/141 191.7 0.10 СТАВе (1) 240 10 мин

N89 5.5 2.75 0.005 0.3 0.02 1.05 1.3 47/141 191.7 0.10 СТАВе (5) 400 35 мин

N87 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 СТАВе (1) 400 5 мин

N86 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 СТАВе (5) 400 Мгновенно

N109 11 5.5 0.011 0.6 0.03 2.1 2.4 47/326.4 381.2 0.20 СТАВе (5) 400 1 мин

N117 5.5 2.75 0.005 0.3 0.02 1.05 1.3 47/141 191.7 0.10 №кко1 BL-9EX г (1) 400 1 ч

N93 5.5 2.75 0.005 0.3 0.02 1.05 1.3 47/141 191.7 0.10 №кко1 BL-9EX г (5) 400 1 ч

N92 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 Nikkol BL-9EX г (1) 400 30 мин

N94 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 №кко1 BL-9EX г (5) 400 15 мин

N96 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 Nikkol ВС-5.5 9 (25) 400 15 мин

N97 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 Этил целлюлоза (1) 400 3 мин

N98 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 Этил целлюлоза (5) 400 3 мин

N100 11 5.5 0.011 0.6 0.03 2.1 2.4 47/141 195.4 0.22 Этил целлюлоза (10) 400 3 мин

а Реагент №1. Ь Реагент №2. с Катализатор; добавляется к дисперсной фазе. d РС: пропилен карбонат. е СТАВ: Цетилтриметиламония бромид. f №кко1 BL-9ЕХ: Полиоксиэтиленалкиловый эфир лаурилового спирта. 9 №кко1 ВС-5.5: Полиоксиэтиленалкиловый эфир цетилового спирта.

Таблица 5. Получение PUA порошков из Desmodur RE путём интенсивного перемешивания или полимеризацией осаждениемаЬ

Ид. образца Рецепт R (г) E (мл) TIP (г) M c (моль) (мл) >O d (моль) (мл) Et3N e (моль) (кг/кг) DMFor PC f (мл) Гексан (мл) Суммарный объём g (мл) [TIPM] (M) Время гели-рования

N71 4% 13.59 13.30 3.67 0.010 0.5 0.028 0.41 0.003 0.3 DMF 81.6 95.81 0.10 7 мин

PUA-4%-3x 4% 13.59 13.30 3.67 0.010 0.5 0.030 0.3 0.002 0.3 DMF 92.7 307.2 h 414.0 0.09 1 ч

N66 4% 9.95 9.74 2.69 0.007 0.4 0.022 0.3 0.002 0.3 PC 47 141 i 198.4 0.13 1 ч и 25 мин

а Полученный раствор был перемешан при комнатной температуре (скорость перемешивания 250-300 об/мин). ь Растворитель был удалён центрифугированием в течение 10 мин (4000 об/мин). с Реагент №1. 0 Реагент №2. е Катализатор. f РС: пропилен карбонат. э Разность суммарного объёма и суммы объёмов DMF и гексана равна объёму вводимого Desmodur RE (раствор Т1РМ в этил ацетате). и Объём гексана равнялся 3 объёмам дисперсной фазы. ' Объём гексана равнялся 2.5 объёмам дисперсной фазы.

Таблица 6. Получение ВРиА порошков из Desmodur RE путём интенсивного перемешивания или полимеризацией осаждениемаь

Ид. образца Рецепт R (г) (мл) TIP (г) M c (моль) Бор* (г) 1ая кисл (моль) отаd (мл) e DMF/гексан (мл) Суммарный объёмf (мл) [TIPM] (M) Время гелирования

BPUA-4% 4% 13.59 13.30 3.67 0.010 0.620 0.010 0.43 108.4/- 121.7 0.08 1 ч

BPUA-4%-3x 4% 13.59 13.30 3.67 0.010 0.620 0.010 0.43 108.4/354.3 s 476.43 0.08 2 ч

а Полученный раствор был перемешан при комнатной температуре (скорость перемешивания 250-300 об/мин). ь Растворитель был удалён центрифугированием в течение 10 мин (4000 об/мин). с Реагент. 01 Катализатор. е Объём борной кислоты был рассчитан на основании её плотности: 1.43 г/см3. f Разность суммарного объёма и суммы объёмов DMF и гексана равна объёму вводимого Desmodur RE (раствор Т1РМ в этил ацетате). э Объём гексана равнялся 3 объёмам дисперсной фаз

• Механизм гелирования (внутреннее формирование, диффузионное гелирование, и т.д.)

Кластерная агрегация, ограниченная диффузией, вероятно, совмещённая с кинетическими ограничениями.

• Истинная плотность (плотность каркаса аэрогеля);

Таблица 7. Истинная плотность PUA и BPUA порошков приготовленных в соответствии с таблицами 1-6

Ид. образца Рецепт Растворитель Метод Истинная плотность ps (г/см3)

PUA порошки из Desmodur N3300

N76 2.75 ацетон Интенсивное перемешивание 1.35±0.02

N6 5.5 ацетон Интенсивное перемешивание 1.182±0.006

N5 11 ацетон Интенсивное перемешивание 1.166±0.007

N56 16.5 ацетон Интенсивное перемешивание 1.31 ±0.01

N77 2.75 PC Интенсивное перемешивание 1.39±0.03

N55 5.5 PC Интенсивное перемешивание 1.37±0.03

N110 5.5 PC Интенсивное перемешивание 1.55±0.06

N115 2.75 PC Интенсивное перемешивание 1.72±0.09

N118 5.5 PC Интенсивное перемешивание 1.46±0.05

N114 11 PC Интенсивное перемешивание 1.30±0.02

N65 5.5 PC/гексан Суспензионная полимер. 1.36±0.03

N64 11 PC/гексан Суспензионная полимер. 1.29±0.02

N106 11 PC/гексан Суспензионная полимер. 1.50±0.06

N122 16.5 PC/гексан Суспензионная полимер. 1.33±0.03

N123 16.5 PC/гексан Суспензионная полимер. 1.39±0.05

N91 5.5 PC/гексан Эмульсионная полимер. 1.38±0.04

N120 5,5 PC/гексан Эмульсионная полимер. 1.43±0.05

N89 5.5 PC/гексан Эмульсионная полимер. 1.28±0.01

N87 11 PC/гексан Эмульсионная полимер. 1.32±0.02

N86 11 PC/гексан Эмульсионная полимер. 1.29±0.01

N109 11 PC/гексан Эмульсионная полимер. 1.38±0.04

N117 5.5 PC/гексан Эмульсионная полимер. 1.66±0.08

N93 5.5 PC/гексан Эмульсионная полимер. 1.47±0.06

N92 11 PC/гексан Эмульсионная полимер. 1.41 ±0.03

N94 11 PC/гексан Эмульсионная полимер. 1.50±0.07

N96 11 PC/гексан Эмульсионная полимер. 1.38±0.04

N97 11 PC/гексан Эмульсионная полимер. 1.30±0.02

N98 11 PC/гексан Эмульсионная полимер. 1.28±0.02

N100 11 PC/гексан Эмульсионная полимер. 1.36±0.04

PUA порошки из Desmodur RE

N71 4% DMF Интенсивное перемешивание 1.254±0.001

PUA-4%-3x 4% DMF/гексан Полимеризация осажден. 1.269±0.002

N66 4% PC/гексан Полимеризация осажден. 1.324±0.008

BPUA порошки из Desmodur RE

BPUA-4% 4% DMF Интенсивное перемешивание 1.244±0.004

BPUA-4%-3x 4% DMF/гексан Полимеризация осажден. 1.267±0.005

• Форма геля (монолит, частицы, др.) с характерными размерами. Порошок

2. Замена растворителя

• Тип растворителя;

Реакционный растворитель: ацетон, пропилен карбонат (РС), DMF, гексан Растворитель промывки: ацетон

• Стадии процесса (количество замен растворителя, концентрация растворителя, время);

5 замен растворителя; каждые 1 или 2 часа

• Усадка: Нет данных

3. Сверхкритическая сушка

• Геометрия автоклава: суммарный объём, габариты рабочего объёма, расположение входов/выходов и их количество; инженерные аспекты (при наличии);

• Объём исходного геля, его положение в автоклав;

• Объём добавленного растворителя;

• Описание стадий:

- Набор давления в системе: температура/давление/скорость;

- Рабочие условия: время, температура, давление, расход СО2; изменение циклов условий сушки (при наличии);

- Сброс давления в системе: скорость;

• Остаточное влагосодержание (при наличии).

Таблица 8. Протокол сверхкритической сушки порошков PUA и BPUA, приготовленных в соответствии с таблицами 1-6

Гель

Тип аэрогеля Поликарбамид (PUA или BPUA), порошки

Размеры геля до сушки [мм] Нет данных

Размеры геля после сушки [мм] Нет данных

Условия сушки

Давление [бар] 100

Температура в автоклаве [°С] 19

Температура СО2 на входе [°С] 19

Количество добавленного растворителя [мл] 100-200

Расход СО2 [г/мин] 1.977х10-5 to 1.977х10-2

- Масса использованного СО2 [г] 19.77

Суммарно время сушки [мин] от 1,440 до 2,160

- Время начального прогрева [мин] 120

- Время подачи СО2 [мин] от 360 до 480

- Количество остановок (нет подачи СО2) 8

- Продолжительность остановок [мин] 30

Температура при сбросе давления [°С] 38

Скорость сброса давления [бар/мин] 0.14

Автоклав

Объём [мл] ~770

- длина [см] 20

- высота [см] -

- ширина или диаметр [см] 7

Расположение лини подачи СО2

- Вход (Вверху, Снизу, Сбоку) Вверху

- Выход (Вверху, Снизу, Сбоку) Снизу

4. Химическая природа полученного аэрогеля

• Химическая структура полученного аэрогеля (указать расположение химических групп на поверхности аэрогеля);

1. Гидрофильные/гидрофобные свойства.

40 30 20 10 0

0 10 20 30 40 50 60 70 80 time (h)

60 50 40 30 20 10 0

0 10 20 30 40 50 60 70 80 time (h)

Рисунок 5. Количество адсорбированной с течением времени воды для поликарбамидных (PUA) порошков из Desmodur N3300 по рецептам 11 (сверху) и 5.5 (снизу).

5. Результаты аналитических исследований

2. Пористость; Нет данных

3. Суммарная усадка; Нет данных

5. Распределение пор по размерам;

Таблица 9. Площадь удельной поверхности по БЭТ и средний диаметр пор порошков PUA и BPUA, полученных в соответствии с таблицами 1 -6

Ид. образца Рецепт Растворитель Метод Удельная площадь поверхности по БЭТ ст(м2/г) Средний диаметр пор b (нм)

N76 2.75 ацетон Интенсивное пере-меш. 162 17

N6 5.5 ацетон Интенсивное пере-меш. 162 9

N5 11 ацетон Интенсивное пере-меш. 113 29

N56 16.5 ацетон Интенсивное пере-меш. 112 28

N77 2.75 PC Интенсивное пере-меш. 95 16

N55 5.5 PC Интенсивное пере-меш. 52 16

N110 5.5 PC Интенсивное пере-меш. 24 15

N115 2.75 PC Интенсивное пере-меш. 55 22

N118 5.5 PC Интенсивное пере-меш. 61 18

N114 11 PC Интенсивное пере-меш. 38 19

N65 5.5 PC/гексан Суспензионная полимер. 140 24

N64 11 PC/гексан Суспензионная полимер. 97 31

N106 11 PC/гексан Суспензионная полимер. 84 27

N122 16.5 PC/гексан Суспензионная полимер. 64 18

N123 16.5 PC/гексан Суспензионная полимер. 71 19

N91 5.5 PC/гексан Эмульсионная полимер. 174 27

N120 5.5 PC/гексан Эмульсионная полимер. 33 [0.01] 22

N89 5.5 PC/гексан Эмульсионная полимер. 144 31

N87 11 PC/гексан Эмульсионная полимер. 80 27

N86 11 PC/гексан Эмульсионная полимер. 51 32

N109 11 PC/гексан Эмульсионная полимер. 31 [0.8] 28

N117 5.5 PC/гексан Эмульсионная полимер. 4 26

N93 5.5 PC/гексан Эмульсионная полимер. 197 30

N92 11 PC/гексан Эмульсионная полимер. 85 23

N94 11 PC/гексан Эмульсионная полимер. 76 22

N96 11 PC/гексан Эмульсионная полимер. 45 27

N97 11 PC/гексан Эмульсионная полимер. 54 23

N98 11 PC/гексан Эмульсионная полимер. 0 37

N100 11 PC/гексан Эмульсионная полимер. 36 24

N71 4% DMF Интенсивное пере-меш. 215 9

PUA-4%-3x 4% DMF/гексан Полимеризация осажд. 381 13

N66 4% PC/гексан Полимеризация осажд. 481 22

BPUA-4% 4% DMF Интенсивное пере-меш. 328 7

BPUA-4%-3x 4% DMF/гексан Полимеризация осажд. 370 7

a Площадь поверхности микропор получена методом t-Plot, в соответствии моделью Харкинса и Юры. b Рассчитано с помощью метода 4 V/ст; V был установлен равным максимальному объёму азота, адсорбированного по изотерме P/P0 ^ 1.0.

6. СЭМ изображение (высокое разрешение);

Рисунок 8. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в ацетоне путём интенсивного перемешивания (рецепт 16.5; N56).

Рисунок 10. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в РС путём интенсивного перемешивания (рецепт 5.5; N55).

Рисунок 12. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в РС путём интенсивного перемешивания (рецепт 2.75; N115).

Рисунок 14. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в РС/гексане путём суспензионной полимеризации (рецепт 5.5; N65).

Рисунок 16. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в РС/гексане путём суспензионной полимеризации (рецепт 11; N106).

Рисунок 18. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в PC/гексане с использованием CTAB (5%) путём эмульсионной полимеризации (рецепт 5.5; N89).

Рисунок 20. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в PC/гексане с использованием CTAB (5%) путём эмульсионной полимеризации (рецепт 11; N86).

Рисунок 22. Фотография и СЭМ изображение порошка PUA из Desmodur N3300 в PC/гексане с использованием NIKKOL BL-9EX (1%) путём эмульсионной полимеризации (рецепт 11; N92).

Рисунок 24. Фотография и СЭМ изображение порошка PUA из Desmodur RE в DMF путём интенсивного перемешивания (рецепт 4%; N71).

Рисунок 26. Фотография и СЭМ изображение порошка PUA из Desmodur RE в DMF/гексане путём полимеризации осаждением (рецепт 4%; N66).

Рисунок 28. Фотография и СЭМ изображение порошка ВРиА из Desmodur RE в DMF/гексане путём полимеризации осаждением (рецепт 4%; ВРиА-4%-3х).

7. Характеристики механической прочности: отсутствуют

Приложение 2.

Опросный лист: Аэрогели на основе целлюлозы 1. Гелирование

• Исходные материалы: Низкомолекулярная целлюлоза (степень полимеризации около 180), растворитель 8% водный раствор №ОН, катализатор не использовался.

• Механизм гелирования: временно-температурное индуцирование (отделение микрофазы). Пример точки гелирования, определяемой реологическим откликом, для системы «целлюлоза-8%№ОН-вода» для двух концентрация целлюлозы (4% и 6%) и с и без добавления ZnO, который замедляет гелирование, показан на графе внизу:

Более полная информация приведена в:

- W.Liu, T. Budtova, P. Navard "Influence of ZnO on the properties of dilute and semi-dilute cellulose-NaOH-water solutions" Cellulose (2011) 18:911-920

- C. Roy, T. Budtova, P. Navard "Rheological Properties and Gelation of Aqueous Cellulose-NaOH Solutions" Biomacromolecules 2003, 4, 259-264

• Истинная плотность: плотность целлюлозы = 1.5 г/см3.