ProudAnalyzethis

Недавно я случайно прочитала исследование о двумерных материалах (2D-материалах).
Сначала — просто любопытство. Но чем дальше я копала, тем яснее становилось: Что данная технология - реальный фундамент будущих технологий.
Что это вообще такое?
2D-материалы — это вещества толщиной всего в один-два атомных слоя.
Внутри слоя атомы связаны крепче, чем между слоями, и отсюда рождаются квантовые эффекты, уникальная химическая активность и свойства, которых просто нет у привычных материалов.
Самый известный пример — графен: прочнее стали, проводит ток лучше меди, гибкий и прозрачный. Но кроме него активно исследуются MoS₂, фосфорен, нитрид бора и максены — те самые материалы, которые ещё вчера казались «лабораторной фантастикой».
Мировые кейсы, которые впечатляют
1️⃣ Энергетика
В Азии тестируют графеновые аккумуляторы. Зарядка в разы быстрее литиевых и почти нет деградации.
👉 Электромобиль, который «заправляется» за 5 минут.
2️⃣ Электроника
IBM и Samsung исследуют транзисторы на основе MoS₂ толщиной в один атом. Это шанс продлить «закон Мура».
👉 Ультратонкие процессоры, гибкая носимая электроника.
3️⃣ Медицина
Графеновые сенсоры применяют для диагностики глюкозы и доставки препаратов.
👉 Персонализированная медицина в действии.
4️⃣ Экология
Мембраны из 2D-материалов используют для опреснения морской воды.
👉 Чистая вода быстрее и дешевле, чем классическими методами.
Российские реалии и перспективы
1. «Графеновая долина» в Новокузнецке — создана корпорация для развития экосистемы графена: от исследований до применения в композитах и покрытиях.
2. Русграфен — производит графеновые добавки для красок, бетона, полимеров. Представьте бетонный объект, который служит дольше и не боится влаги.
3. ТПУ (Томск) — исследуют новые 2D-материалы из российских минералов для электроники, энергетики и медицины.
4. Максены — российские лаборатории тестируют покрытия, которые экранируют электронику от помех и шумов. Актуально и для оборонки, и для IoT.
5. OCSiAl (Академгородок) — крупнейшее в мире производство углеродных нанотрубок (50 т/год). Уже применяются в композитах, проводниках и даже в транспорте.

Исследования 2D-материалов объединяют физику, химию, материаловедение, ИИ-моделирование и энергетику. И в России эта волна тоже уже поднимается — от Новокузнецка до Томска и Новосибирска. Где, по-вашему, у 2D-материалов в России наибольший шанс «выстрелить» первыми — в строительстве, электронике, энергетике или медицине?

Я вспоминаю один проект, который заставил меня по-новому взглянуть на переменные в инженерных расчетах. Это был обычный на вид объект – реконструкция старого здания с модернизацией системы отопления. Расчеты теплопотерь были выполнены, оборудование подобрано, и мы уверенно ждали комфортного тепла зимой. Но с первыми холодами части здания упорно оставались холодными. Команда в недоумении проверяла расчеты снова и снова, пока, наконец, не обнаружилась причина: одна переменная в модели теплопотерь была серьезно недооценена. Коэффициент инфильтрации (подсос холодного наружного воздуха через негерметичные конструкции) мы взяли «по умолчанию», как для нового здания, а реальная величина оказалась гораздо выше. В итоге мощности котла не хватало, и помещения остывали. Маленькая деталь – а последствия ощутимые. Пришлось оперативно усиливать систему отопления и делать выводы.

После этого случая я надолго запомнила, как небольшая ошибка в переменной способна каскадом повлиять на весь проект. Кажется, ну что там какой-то коэффициент или значение – мелочь! Ан нет, именно из таких мелочей складывается надежность инженерных решений. Теперь в моей практике правило: верифицировать каждую ключевую переменную, понимать, откуда она взялась и применима ли в данных условиях.

Историй о влиянии переменных множество, и они происходят не только с новичками. Даже опытные инженеры периодически попадаются на переоценке своих моделей – и реальность их быстро исправляет. Например, распространенная ошибка в теплотехнике зданий – неправильно посчитанные теплопотери. Одной из самых распространенных ошибок является неправильный расчет теплопотерь в здании, что может привести к недостаточному отоплению или перегреву помещений. Проектировщик может не учесть реальный уровень изоляции, размеры помещений или климатические условия, и тогда расчетная модель расходится с фактом. Результат – дискомфорт для людей и переделки системы отопления. Подобные промахи учат нас: доверяй, но проверяй – перепроверь исходные данные и границы применимости формул.

Другой пример знаком многим инженерам ОВиК. Мы любим использовать проверенные эмпирические формулы, вроде правила 1,08 для быстрого расчета тепловой мощности воздуха: Q = 1,08 × CFM × ΔT (в британских единицах). Формула удобная, запоминающаяся – и большинство принимают этот коэффициент 1,08 как данность. Но мало кто задумывается, что этот коэффициент справедлив только при определенных условиях (стандартная плотность воздуха на уровне моря, нормальная температура и влажность). Стоит измениться условиям – скажем, объект находится высоко в горах или воздух сильно холодный – как реальный коэффициент отклоняется (например, до 1,2 вместо 1,08). Если слепо подставить знакомое число, можно промахнуться с расчетом нагрева или охлаждения. Практикующие инженеры отмечают, что использование правил-трюизмов вне диапазона их применимости приводит к ошибкам. Сам видел случай, когда коллега спроектировал систему охлаждения на большой высоте, а она недодавала мощности – во многом из-за того, что плотность воздуха была меньше расчетной по умолчанию. Вывод: за каждым эмпирическим коэффициентом скрыты предположения, и важно понимать границы применимости таких правил.

А что говорить про сложное моделирование, например CFD (Computational Fluid Dynamics, численное моделирование потоков). Цветные картинки потоков воздуха могут завораживать, но и там переменные могут сыграть злую шутку. Неправильно заданные граничные условия или, скажем, коэффициенты турбулентности легко дают красивый, но нереалистичный результат. Помню пример моделирования вентиляции parking-гаража: инженеры заложили нулевой приток воздуха извне (решив упростить модель), и по расчету все выглядело отлично. Однако в реальности всегда есть инфильтрация, ветровой напор, нестабильность – и поведение дымоудаления оказалось совсем не таким идеальным, как обещала CFD. Модель пришлось перенастраивать, вводя реальные переменные заново. Это хороший урок: любой расчет требует верификации здоровым смыслом и экспериментом, особенно когда в игре множество переменных. Если модель показывает идеальную картинку, сначала убедись, что не пропущена какая-нибудь «мелочь» в исходных данных.

На иллюстрации: Mars Climate Orbiter — космический аппарат NASA, потерянный в 1999 году из-за ошибки в единицах измерения. Еще пример – уже из космической отрасли – наглядно показывает, что проблемы с переменными могут случиться на самом высоком уровне. NASA в 1999 году потеряла орбитальный зонд Mars Climate Orbiter из-за банальной путаницы в единицах измерения. Один программный модуль выдавал данные силы тяги в фунтах, а другой принимал их как ньютон! В результате аппарат отклонился от траектории и сгорел в атмосфере Марса, вместо того чтобы выходить на орбиту. Казалось бы, где мы – инженеры-строители или механики – и где космические технологии? Однако корень проблемы тот же: неверная интерпретация переменной, отсутствие перепроверки и непонимание зависимости результата от исходных условий. Позже комиссия установила, что в проекте не сработал должным образом контроль взаимосвязанных параметров, и переход аппарата от команды разработчиков к команде операторов прошёл без нужной тщательной проверки. Эта история стала притчей во языцех: невнимание к единицам и переменным стоило $125 млн и двух лет работы, и с тех пор в NASA существенно усилили процедуры проверки. Нам с вами такие ошибки, к счастью, обходятся дешевле, но вывод напрашивается одинаковый: всегда удостоверяйтесь, что понимаете, что именно означает каждое число в ваших расчетах.

Современные инженеры всё чаще полагаются на автоматизацию: расчётные программы, Excel-модели, скрипты. Это здорово экономит время – пока что-то не пойдёт не так. Вы никогда не замечали, как в чужой вычислительной модели бывает сложно сходу разобраться, что означает переменная X или Y, откуда взялась та или иная константа? Когда модель или код передаются от одного специалиста другому, возрастает риск, что значения переменных будут неправильно поняты или вовсе потеряны. Например, у нас был внутренний калькулятор для подбора насосов, где коэффициент запаса по напору был зашит в формулу. Автор модели посчитал его очевидным, в документации это не отразил. В итоге другой инженер воспользовался калькулятором для проекта без запаса (где не требовалось резервировать напор) – и получил перестраховку на лишние 20%. Хорошо, что заметили до закупки оборудования. Ситуация типичная: автоматизация скрывает детали реализации, и без прозрачности переменных можно принять неверное решение, считая, что «раз компьютер выдал – значит так и есть».

Передача цифровой модели между разными софтами тоже чревата сюрпризами. Классический случай – проблемы с единицами измерения при экспорте/импорте. Один раз архитекторы выдали нам план здания в футах, а в нашей расчетной программе открылось «как есть», приняв эти значения за метры. Если бы не бдительность инженера, мы бы заложили вентиляцию на высоту потолков 30 метров вместо 9! Такие ошибки не всегда очевидны, особенно когда различия не на порядок. Ошибки масштаба и единиц – одни из самых подлых, они прокрадываются в проекты при обмене данными. Вспомним еще случай: на японских горках Space Mountain произошел сход вагончиков из-за неверно заказанной детали – путаница между старым чертежом в дюймах и новым в миллиметрах привела к тому, что оси колес сделали 44,14 мм вместо 45 мм. Деталь всего на доли миллиметра меньше нужного размера, а вибрация из-за этого привела к поломке оси. К счастью, обошлось без жертв, но репутационный урон парку был огромным. Этот случай – предупреждение всем нам: убедитесь, что при передачe проекта или модели все договорились, в каких единицах и допущениях живут ваши переменные.

Еще одна скрытая проблема – зависимые переменные. В больших моделях множество параметров связаны друг с другом. Если изменить один без коррекции других, модель «рассыпается». Скажем, в энергомодели здания вы решили повысить теплоизоляцию стен и уменьшили коэффициент теплопередачи U. Логично, потери снизятся. Но если при этом забыть скорректировать вентиляционные потери или внутренние теплопоступления (которые были калиброваны под старые условия), итоговый прогноз может оказаться нереалистичным. Подобные нюансы часто всплывают, когда разные специалисты дорабатывают одну модель. Каждый отвечает за свой блок переменных и может не знать, как это влияет на весь баланс. Поэтому так важна координация и проверка модели при каждом значительном изменении – автоматизация должна помогать, а не усыплять нашу бдительность.

Чтобы не теряться в мире переменных и не допускать досадных промахов, полезно выработать для себя небольшие правила. Ниже – чеклист напоминаний для инженера, который я составил, пройдя через свои ошибки:

• Проверяй единицы и размерности. Всегда убеждайся, что значения имеют правильные единицы измерения. Даже привычные величины могут быть в другой системе (°F вместо °C, PSI вместо Па и т.д.). Конверсия – дело тривиальное, но именно на ней “погорели” не один проект.

• Уточняй границы применимости формул. Используя эмпирические коэффициенты или формулы из справочников, узнай, при каких условиях они получены. Температурные диапазоны, стандартные плотности, допущения – выход за эти рамки требует пересчета или поправочных коэффициентов.

• Делай верификацию результатов. Не полагайся слепо на цифры из компьютера. Прикидывай оценочно “на пальцах” или сравнивай с аналогами, чтобы почувствовать, реалистичен ли результат. Если расчет показал, что крошечный обогреватель отопит ангар – явно что-то не так с переменными.

• Документируй и комментируй. В своих расчетных файлах подписывай переменные: «N, шт. (количество людей, принятого для расчета)» или «Kzap = 1.2 (коэффициент запаса на охлаждение, условно)». Через пару месяцев сам себе скажешь спасибо – не говоря уже о коллегах, которые возьмут твою модель.

• Учитывай зависимость условий. Помни, что инженерные переменные часто зависят от внешних условий. Коэффициент теплоотдачи зависит от разницы температур, расход воздуха – от плотности и высоты над морем, потребление энергии – от поведения пользователей. Не держи эти зависимости “за кадром” – явно включай их в модель или хотя бы в описание.

• Перепроверь при передаче. Если получил модель или расчёт от другого специалиста, не стесняйся задать уточняющие вопросы. Какие приняты допущения? В каких единицах тут значения? Были ли упрощения? Лишние пять минут на выяснение сэкономят дни на переделку. А если передаёшь работу сам – снабди её краткой памяткой о ключевых переменных.

Переменные в расчетах – это та самая мелочёвка, которая держит на себе большие решения. Стоит выпустить из вида одну маленькую деталь – и итог может кардинально отличаться от замысла. Обратное тоже верно: тщательно работая с базовыми данными, проверяя и понимая каждую переменную, мы закладываем прочный фундамент для всего проекта. Такой подход требует дисциплины и внимания, зато сколько проблем удается предотвратить!

В конце дня хороший инженер отличается не количеством сложных программ, которые он освоил, а умением не потерять контроль над своими переменными. Ведь именно мы, люди, придаем числам смысл. Пусть в ваших проектах каждая переменная будет к месту, каждый коэффициент – обоснован, а каждая допущенная погрешность – вовремя замечена и исправлена. Берегите эти «мелочи» – и они отплатят вам надежностью и успехом ваших инженерных решений.

Вернулась к рабочему ритму и поймала себя на мысли: легче всего продолжать, когда оставила себе “ниточку” вчера.
Расскажу про эффект Хемингуэя — маленький приём, который помогает утром быстро войти в поток данных, нормативки и встреч, даже если голова ещё в уютной постели.
Что это за эффект и зачем он нам
Хемингуэй прерывал работу на середине удачной фразы, чтобы на следующее утро сразу «зацепиться» за мысль. Мозг хранит незакрытую задачу почти как напоминание, и возвращаться становится проще. Исследования Стэнфорда (2018) показывают: если оставить ясный “якорь”, время разгона сокращается в среднем на 25 %.
Как я применяю «якорь» в типичном рабочем дне:
🕒 15 минут до конца рабочего дня
— Открываю «дневник решений» в Notion.
— Пишу три строки:
• Что уже сделала: «таблица тарифов выверена до 2023 г.»
• Где остановилась: «осталось сверить с письмом ФАС №…»
• Первый шаг на завтра: «свести разницу в одну сводку, задать вопрос юристам».
— Сохраняю заметку.
🌐 Сохраняю контекст
— Закрываю лишние окна.
— Оставляю открытыми только вкладку с законом и черновик слайдов, чтобы завтра они встретили меня первыми.
🔔 Ставлю напоминание
— В календаре создаю событие «Продолжить: сводка тарифов» (10 мин) на 09:30 следующего утра.
⏱ Результат: раньше на «вспомнить, где я» уходило ~15 мин. Сейчас — 5–7 мин, и я уже в сравнении таблиц или чтении свежих поправок.
Мини эксперимент: повторить за неделю
1. Сегодня вечером оставьте себе три пункта: «что сделала – где остановилась – первый шаг».
2. Делайте так пять рабочих дней подряд.
3. В пятницу замерьте, сколько минут уходит утром, чтобы «въехать» в задачу.
4. Поделитесь наблюдениями — выберу один рассказ, разберём вместе, что сработало лучше всего.
Почему приём удобен именно нам
• Подходит для аналитики . Не нужен код, IDE или Git — достаточно заметок и открытой вкладки.
• Спасает после дня встреч. Даже если совещание затянулось, вы всегда знаете, что было последним действием.
• Легко обучить команду. Достаточно договориться: «в конце дня оставляем три пункта в общем документе» — догонять коллегу станет проще.
Вопрос к вам
Какой маленький «якорь» помогает именно вам вернуться к работе без долгой раскрутки?
1) Чашка кофе ☕ 2) Утренний чек лист ✅ 3)Беготня по офису 📝 4) Свой вариант — поделитесь в комментариях.

Рада снова быть на связи и делиться приёмами, которые делают день спокойнее и продуктивнее.❤️👍

Вернулась с Камчатки и хочу поделиться свежими впечатлениями о Мутновской ГеоЭС — самой крупной геотермальной станции России.
На плато кажется, что земля дышит теплом, а параллельно с паром поднимается вопрос: почему такой «природный» киловатт всё ещё дорог для жителей края?
Ниже — короткий разбор того, что я увидела и какие решения могут помочь.
Показатель Значение
Установленная мощность 50 МВт
Себестоимость электроэнергии на шинах ≈ 3,4 ₽/кВт·ч
Средний тариф для населения Камчатки ≈ 7,4 ₽/кВт·ч

Геотермальный киловатт уже получается вдвое дешевле дизельных ТЭЦ, но по пути к потребителю «обрастает» расходами.
Откуда берётся разница в тарифах?
1. Сложная логистика. 70 км ЛЭП через сейсмоактивные вершины — дорого строить и обслуживать.
2. Перекрестное субсидирование. Старые дизельные станции остаются в балансе, и их затраты распределяются на всех.
3. Недостаточный объём геоэнергии. Мутновская покрывает лишь треть пикового спроса: остальное приходится закрывать более дорогими источниками.

Что может помочь?
• Расширение станции (проект GeoТЭС 2 + 50 МВт).
• Установка бинарных блоков на сбросном теплоносителе (добавит ~5 МВт без бурения новых скважин).
Так же одной из «болей» данного способа получения энергии является кальциевые отложения. В трубах оседают соли кремнезёма и кальция, снижая давление и вызывая внеплановые остановки.
Текущие методы
• Двухступенчатая сепарация + регулярная промывка.
• Реинжекция отработанного конденсата обратно в пласт.

Что можно перенять у коллег?

1. Опыт из Исландии . Извлечение SiO₂ из сбросного рассола и продажа в строй химию Как результат Небольшая опытная установка для извлечения кремнезёма из сбросного рассола может сама себя окупить за счёт продажи полученного сырья.
2. Опыт из Новая Зеландия Введение анти scale реагента прямо в скважину. Подходит для «щелочных» скважин с высоким CaCO₃
3. Опыт из Исландия + НЗ. Двойной (бинарный) контур на низкотемпературном теплоносителе Позволит использовать скважины < 150 °C


Мутновская ГеоЭС уже доказывает, что геотермальная энергия может быть экономичной и стабильной. Чтобы ощутимо снизить тарифы для жителей и бизнеса, нужно:
• нарастить геотермальную долю в энергобалансе;
• минимизировать отложения в трубопроводах современными методами;
• активнее интегрировать тепло и электроэнергию станции в локальную экономику.
Надеюсь вам было интересно читать, о личном наблюдении в период "исследования" дикой природы нашей страны. ❤️

В своей основной работе я занимаюсь проектированием объектов капитального строительства.
Но сейчас — всё внимание на один линейный объект, и он не даётся просто:
Прокладка коммуникаций идёт через сложный участок, и стандартных данных недостаточно.

📍 Чтобы не строить «вслепую», приходится буквально собирать по крупицам картографические и геоданные:
— где возможны карстовые образования?
— где исторические засыпки и снос?
— где зона замедленного дренажа или заваленных оврагов?

А вот что помогает — и может быть полезно вам

1. 🌍 Визуализация рельефа и карстов от энтузиастов
→ почти художественная карта со слоями, где визуально читается топография и провалы
→ идеально, чтобы прикинуть "куда не лезть"

2. 🕳 Геокарта возможных карстов Москвы
→ помогает быстро проверить участок на вероятность "пустот под ногами"

3. 🗺 Старая планировка и ретро-карты (Retromap)
→ можно сверить текущую ситуацию с довоенной и понять, что было засыпано или перенесено

4. 📊 Портал данных Москвы (data.mos.ru)
→ открытые слои с объектами, подземными структурами, застройкой, высотами

К чему это всё?

Если вы работаете с инженерными системами, сетями, реконструкцией в городе — не ограничивайтесь кадастром.
Многое решают старые карты, ретро-фото и визуальные сопоставления.

🧩 Иногда один нестандартный слой экономит недели выездов и уточнений.

💬 А у вас было так, что «одна старая карта» спасла весь проект?


#изыскания #строительство #инженерка #карты #визуализация #ГИС

Сегодня я хочу поделиться своим взглядом на то, какие инструменты для парсинга PDF-файлов можно использовать для работы с научными статьями, и какие из них, на мой взгляд, показывают наилучшие результаты.

Основные инструменты для парсинга PDF академических работ

1. GROBID-GROBID (GeneRation Of BIbliographic Data) — это один из самых популярных инструментов, специально разработанный для извлечения метаданных, библиографических данных, а также структурной информации из академических PDF-документов.

Разработан с учетом специфики научных публикаций, что позволяет извлекать такие элементы, как заголовки, имена авторов, аннотации, библиографические ссылки и многое другое.
Использует современные алгоритмы, что повышает точность извлечения данных даже из сложных документов.
Имеется активное сообщество пользователей, регулярно обновляется и интегрируется с другими научными инструментами.


- Может требовать определенных вычислительных ресурсов для установки и настройки.
- Настройка может быть сложной для пользователей без технического опыта.

2. Science Parse — еще один инструмент, который применяется для извлечения структурированных данных из академических PDF-файлов. Он также ориентирован на извлечение метаданных и текста научных публикаций.

Способен автоматически извлекать основные разделы документа без дополнительной настройки.
Часто работает быстрее в сравнении с некоторыми альтернативами.

- Может уступать GROBID по уровню детализации извлекаемой информации.
- Поддержка и обновления инструмента иногда бывают нерегулярными.

3. CERMINE— это инструмент, основанный на методах машинного обучения, предназначенный для извлечения структурированных данных из PDF-документов, включая научные статьи.


Хорошо работает с различными форматами PDF и способна извлекать широкий спектр информации.
Позволяет модифицировать и адаптировать инструмент под конкретные задачи.

- Может потребовать дополнительных настроек для достижения оптимальной точности.
- Иногда результаты извлечения нуждаются в доработке вручную.

1. Определите свои цели:
Если вам необходимо извлекать глубокие библиографические данные и метаданные для научных исследований, я рекомендую начать с GROBID. Его специализированные модели и активное сообщество делают его лучшим выбором для академических задач.

2. Попробуйте запустить несколько инструментов на одном и том же наборе PDF-документов. Это позволит оценить, какой парсер лучше справляется с вашими документами с точки зрения точности и полноты извлечения данных.

3. Некоторые инструменты требуют более сложной установки и настройки. Если вы работаете в команде или в условиях ограниченных вычислительных ресурсов, возможно, стоит обратить внимание на те решения, которые проще в интеграции, например, Science Parse.

4. Независимо от выбранного инструмента, важно продумать, как парсер впишется в ваш общий рабочий процесс. Использование таких платформ, как Jupyter Notebooks или интеграция с системами автоматизации ETL, поможет автоматизировать анализ данных и ускорить обработку научной информации.

Выбор PDF-парсера для академических статей зависит от ваших конкретных потребностей: если вам требуется максимально глубокий анализ и извлечение метаданных, я бы советовала обратить внимание на GROBID. Однако, если важна скорость и простота интеграции, стоит рассмотреть Science Parse или CERMINE. Каждый из этих инструментов имеет свои сильные стороны, и правильное решение часто приходит через тестирование и адаптацию под конкретный рабочий процесс.

А какие инструменты вы уже использовали или планируете попробовать для работы с академическими PDF? Делитесь своим опытом и мнениями в комментариях!