Горы всегда были для человека местом таинственным и завораживающим. Они манят своей неприступностью и хранят множество загадок. Но что, если некоторые из этих загадок гораздо серьёзнее и масштабнее, чем мы можем себе представить, например, каменные лица?

Представьте себе: вы стоите перед гигантским лицом, высеченным в скале. Оно смотрит на вас с высоты, и вы чувствуете, как по спине пробегает холодок. Кто создал это лицо? Зачем? И как это возможно?

Учёные пытаются объяснить подобные находки «игрой света и тени» или «природным эрозионным образованием». Но что-то подсказывает, что это не так просто.

Существуют свидетельства, которые заставляют задуматься о том, что мы знаем о прошлом человечества. Например, в некоторых горных массивах были обнаружены каменные лица, которые невозможно объяснить естественными процессами. Их точность и детализация вызывают восхищение и удивление.

Одно из таких лиц было найдено в труднодоступном горном массиве. Учёные, которые исследовали это место, были поражены точностью и детализацией лица. Они не могли понять, как такое возможно без использования современных инструментов и технологий.

Более того, исследователи признаются, что при приближении к этим ликам их охватывает безотчётный ужас, а техника начинает давать сбои. Это может показаться странным, но такие свидетельства существуют.

Официальная наука пытается объяснить подобные находки естественными причинами. Но что, если это не так? Что, если перед нами следы цивилизации, чьи технологии опережали наше время?

Представьте себе мир, в котором существовали люди, способные создавать такие монументальные изваяния. Какие технологии они использовали? Какие знания они имели? Ответы на эти вопросы могут изменить наше представление об истории человечества.

Конечно, официальная наука не может просто так отказаться от своих теорий. Для этого нужны доказательства. Но даже если доказательства появятся, это не значит, что все сразу же поверят в то, что мы видим.

Некоторые исследователи считают, что каменные лица — это не просто игра природы, а следы древней цивилизации. Они предполагают, что эти лица могли быть созданы инопланетянами или представителями другой цивилизации, которая существовала на Земле задолго до появления человека.

Конечно, такие теории могут показаться фантастическими. Но они основаны на реальных фактах и свидетельствах. И кто знает, может быть, однажды мы узнаем правду о каменных лицах и других загадках гор.

Горы — это не просто нагромождение камней. Они хранят множество тайн и загадок, которые ещё предстоит разгадать. Каменные лица — одна из таких загадок. Они вызывают у нас вопросы, на которые пока нет ответов. Но мы продолжаем искать эти ответы, чтобы узнать больше о нашем прошлом и о том, что нас окружает.

Любопытные факты

В 2006 году японский учёный Синья Яманака совершил то, что биологи долго считали невозможным в принципе. Он взял зрелую клетку кожи мыши - давно «определившуюся», знающую свою профессию клетку - и перепрограммировал её обратно в состояние эмбриональной стволовой клетки. Клетки, которая умеет стать чем угодно. Эти перепрограммированные клетки назвали индуцированными плюрипотентными стволовыми клетками, iPS-клетками. В 2012-м Яманака получил Нобелевскую премию.

Это открытие перевернуло всё понимание клеточной биологии. Оказалось, что судьба клетки - программируемая вещь. Что специализация - вовсе не приговор.

Дальше начался вопрос: а что будет, если собрать такие клетки вместе? Оказалось - они разговаривают. Учёные начали замечать, что когда стволовые клетки оставляли в покое, они объединялись в шарики, трубки и полости - некоторые из которых напоминали части эмбриона. Это было не запланировано. Это был инстинкт.

Ранние версии таких структур были примитивными - плёнка клеток на стекле, смутно напоминающая что-то живое. Но каждый год они становились всё реалистичнее. Параллельно два главных игрока - Якоб Ханна в Израиле и Магдалена Зерника-Гётц в Кембридже и Калтехе - двигались к одной точке, периодически обгоняя друг друга.

Команда Ханны не использовала оплодотворённые яйцеклетки. Они начали с человеческих плюрипотентных стволовых клеток - одни были получены из взрослых клеток кожи, возвращённых в состояние «стволовости», другие происходили из клеточных линий, культивировавшихся в лаборатории годами.

Затем - ключевой шаг. Учёные применили метод Ханны для перепрограммирования плюрипотентных стволовых клеток, чтобы вернуть их в ещё более раннее состояние - так называемое наивное состояние, в котором они способны стать буквально любым типом клеток.

Плюрипотентные клетки умеют почти всё. Наивные - умеют всё без исключения.

После этого клетки помещали в условия, имитирующие среду ранней беременности, и давали им общаться. Исследователи имитировали естественные процессы в лаборатории, направляя три типа стволовых клеток, обнаруженных на ранних стадиях развития млекопитающих, к точке, где они начинают взаимодействовать. Индуцируя экспрессию определённого набора генов и создавая уникальную среду для их взаимодействий, учёным удалось заставить стволовые клетки «разговаривать» друг с другом. И они заговорили. Сами. Без яйцеклетки, без сперматозоида, без команды сверху.

На стадии, эквивалентной седьмому дню, синтетические модели эмбриона человека представляли собой агрегаты примерно из 120 клеток диаметром около 0,01 мм. За следующую неделю это скопление превращалось в структуру со всеми признаками четырнадцатидневного эмбриона - плацентой, желточным мешком, хорионом.

Группа Зерники-Гётц в Кембридже шла параллельным курсом, работая с мышами. Их стволовые клетки самоорганизовались в структуры, которые прошли последовательные стадии развития - вплоть до бьющегося сердца и начала формирования мозга, включая переднюю его часть, желточного мешка и всех остальных зачатков органов. Бьющееся сердце. Из стволовых клеток. Без оплодотворения.

Вот что важно понять: до сих пор первые несколько недель после зачатия были для науки почти недоступны. Этических и практических ограничений - масса. Естественные эмбрионы нельзя просто взять и исследовать в любом количестве. Поэтому о том, что происходит с человеком в первые четырнадцать дней его существования, мы знаем удивительно мало - особенно с учётом того, насколько этот период важен.

«Многие потери беременности происходят в первые несколько недель, часто до того, как женщина вообще знает о беременности», - говорит Ханна. «Именно тогда закладывается большинство врождённых дефектов, хотя их обнаруживают значительно позже».

Примерно 10-15% всех подтверждённых беременностей заканчиваются выкидышем. Если считать те, о которых женщина не знала - цифра значительно выше. Большинство из них происходят именно в первые недели. Почему - мы до сих пор понимаем плохо.

Синтетические эмбрионы впервые дают возможность системно изучать этот период - не на единичных образцах, а на воспроизводимых моделях. Это может помочь учёным раскрыть причины многих врождённых дефектов и типов бесплодия, а также открыть путь к новым технологиям выращивания тканей и органов для трансплантации.

Один из самых поразительных аспектов всей этой истории - даже не результат, а процесс. Клетки самоорганизуются. Никто не рисует им схему. Никто не указывает, кому стать плацентой, а кому - желточным мешком. Они договариваются сами через химические сигналы - через ту самую «молекулярную речь», которую учёные только начинают расшифровывать.

Основа синтетических эмбрионов - способность стволовых клеток к самоорганизации и воспроизведению эмбриогенеза без оплодотворения.

Это означает, что в клетке зашита программа - не просто «стать тем-то», а «найти других и вместе построить что-то». Какой именно программный код запускает этот процесс, как клетки узнают своё место в конструкции - это открытые вопросы, которые теперь можно изучать.

У Якоба Ханны есть личная история, которую он рассказывал в интервью. Он перепрограммировал свои собственные клетки кожи в стволовые и создал из них синтетические эмбрионы. Технически где-то в израильской лаборатории существовали структуры, которые начали воспроизводить его собственное раннее развитие. Какого рода философский вопрос это поднимает - решайте сами.

За этой историей стоит любопытная человеческая драма - соревнование двух групп учёных. Команды Магдалены Зерники-Гётц и Якоба Ханны обе создавали синтетические мышиные эмбрионы, выращивая их во вращающихся стеклянных бутылках с питательными веществами - примитивных искусственных матках.

Зерника-Гётц, польский биолог, работающая одновременно в Кембридже и Калтехе, в июне 2023 года объявила о своём прорыве с человеческими эмбрионами прямо с трибуны конференции - до публикации статьи. Ханна опубликовал свою работу в Nature в сентябре того же года. Обе группы претендовали на приоритет, обе получили международное признание.

Модели Зерники-Гётц, развивающие структуры мозга и бьющееся сердце, вошли в список «Семь технологий, за которыми стоит следить в 2023 году» по версии Nature. Синтетические мышиные эмбрионы Ханны были названы «Методом года 2023» по версии Nature Methods, а его человеческие модели вошли в список изобретений года TIME. Здоровая конкуренция иногда двигает науку быстрее грантов.

В 1979 году международное биоэтическое сообщество установило правило: человеческий эмбрион нельзя исследовать в лаборатории дольше четырнадцати дней после оплодотворения. Именно на пятнадцатый день у натурального эмбриона появляется первичная полоска - первый признак формирования оси тела, первый намёк на будущую нервную систему.

Четырнадцать дней - это граница, до которой наука может смотреть. Дальше - нельзя.

Исследования синтетических эмбрионов потенциально позволяют обойти правило четырнадцати дней, поскольку формально синтетические структуры созданы без оплодотворения. На них правило технически не распространяется.

Это поставило регуляторное сообщество в неловкое положение. Недавние эксперименты показали, что плюрипотентные стволовые клетки человека способны самоорганизовываться и воспроизводить эмбриональные черты, что поставило под сомнение адекватность правила четырнадцати дней и вызвало призывы к его пересмотру.

Международное общество исследований стволовых клеток (ISSCR) пока занимает осторожную позицию: официально синтетические эмбрионы называют «моделями». Организация настаивает на том, что они являются лишь «моделями» - чтобы оградить учёных от сенсационных заголовков, общественного недовольства и реального регулирования.

Но вопрос висит в воздухе: если модель воспроизводит все структуры натурального эмбриона и ведёт себя идентично ему - в какой момент она перестаёт быть моделью и становится… человеком?

Перечень практических применений выглядит почти фантастически - но каждое из них технически обоснованно.

Понимание выкидышей и бесплодия. Большинство потерь беременности происходят именно в «чёрном ящике» первых недель. Синтетические эмбрионы впервые позволяют изучать этот период системно. Это этичный способ раскрыть тайны самых первых стадий эмбрионального развития и помочь раскрыть причины многих врождённых дефектов и форм бесплодия.

Тестирование лекарств. Сейчас определить, как то или иное вещество влияет на ранний эмбрион, крайне сложно. Синтетические модели открывают путь к экспериментам, которые невозможно провести на живых эмбрионах - например, к определению воздействия лекарственных препаратов или других веществ на развитие плода.

Органы для трансплантации. Это, пожалуй, самая долгосрочная и самая масштабная перспектива. Достижения синтетических эмбрионов поднимают вопрос ещё одного применения - выращивания человеческих органов для регенеративной медицины. Компания Renewal, основанная Ханной, планирует использовать синтетические эмбрионы как своего рода биопринтер для производства медицински ценных клеток в случаях, когда другие методы не работают.

Репродуктивная медицина. В долгосрочной перспективе это открытие поднимает вопрос о возможности зачатия ребёнка однополыми парами без использования донорских яйцеклеток или сперматозоидов. Технически - это уже не фантастика. Этически и регуляторно - разговор только начинается.

Что это не решает? Синтетические эмбрионы пока остаются именно моделями - очень точными, но не идентичными. Зерника-Гётц неопределённа в том, как далеко может зайти их развитие без хорошего заменителя плаценты. Ни одна из существующих синтетических моделей не доказала способности развиться дальше четырнадцатого дня с тем же успехом, что и натуральный эмбрион.

Если провести аналогию с органоидами и направленной дифференциацией стволовых клеток в пробирке - ни один из существующих методов пока не может полностью воссоздать сложную среду развития in vivo с многоклеточными взаимодействиями. Прорыв реальный. Путь до клинического применения - долгий.

Открытие уже влечёт за собой регуляторную и философскую работу, которая будет идти параллельно с научной.

Что такое «человеческий эмбрион» в юридическом смысле, если он создан без оплодотворения? Когда синтетическая структура приобретает моральный статус? Где граница между моделью и существом?

На эти вопросы нет готовых ответов. Их будут вырабатывать совместно - биологи, юристы, философы, религиозные мыслители и, в идеале, общество в целом. Пока наука бежит быстрее, чем успевает формироваться регуляторная база.

«Первый месяц развития - это практически чёрный ящик для исследователей», - говорит Ханна. Синтетические эмбрионы впервые дают нам фонарик, чтобы посветить внутрь. Что там окажется - мы только начинаем узнавать.

Потом появились медицинские информационные системы. Теоретически они должны были решить проблему: данные начали попадать в цифровой контур, стали машиночитаемыми, появились структурированные поля, электронные карты, справочники, шаблоны, протоколы.

Но глобально проблема не исчезла. Большая часть клинической картины всё равно осталась в тексте. Врач описывает пациента словами. Жалобы, анамнез, течение заболевания, нюансы осмотра, сомнения, логика назначения лечения — всё это часто живёт в огромном текстовом поле. И дальше из этого текстового поля снова нужно вручную доставать смысл.

То есть медицина стала цифровой, но не стала полностью структурированной.

Почему LLM не закрывают всю медицинскую задачу

С появлением NLP, а затем больших языковых моделей, казалось, что именно здесь наступает переломный момент. LLM действительно сделали огромный шаг вперёд: они умеют читать медицинский текст, объяснять, обобщать, переводить, искать связи, помогать врачу ориентироваться в больших объёмах информации.

Однако всё это, хоть и дало большое продвижение, задачу глобально не решило.

А какую задачу, спросите вы?

Задача простая — стандартизация всего, что происходит с человеком. Это настолько большой пласт, что даже GPT или специализированные med-LLM не дали результата, который позволил бы реально структурированно отвечать на медицинские вопросы.

Нет, разумеется, LLM в медицине сейчас — это очень круто. Это реально полезные инструменты в работе врача. Но у LLM есть много проблем, и дальше мы постараемся их разобрать. А самое главное — попробовать ответить на вопрос, как эти проблемы решить.

Есть фундаментальный разрыв: LLM не являются медицинским ядром знаний. Они не хранят медицину как строгую систему фактов, правил, критериев, источников, исключений, вероятностей и клинических маршрутов. Они работают в пространстве языковых и семантических представлений. Поэтому модель может выдать красивый, связный и правдоподобный ответ, который при этом будет клинически неполным, неточным или опасно уверенным.

И вот здесь начинается главный разрыв между “AI отвечает” и “медицинская система понимает”.

Медицина — это связанная система:

заболевание → симптом → синдром → лабораторный маркер → инструментальный признак → анатомия → генетика → морфология → лекарство → клиническое правило → источник → уровень доказательности → ограничение → исключение → маршрут помощи.

Без такой структуры AI остаётся помощником, но не становится полноценной медицинской инфраструктурой.

1) Галлюцинации и отсутствие надёжной оценки неопределённости

В работах Singhal et al., “Large language models encode clinical knowledge” (Nature, 2023), Griot et al., “Large Language Models lack essential metacognition for reliable medical reasoning” (Nature Communications, 2025), а также в обзоре “Medical Hallucination in Foundation Models and Their Impact on Healthcare” показано, что LLM способны хранить и применять медицинские знания, однако всё ещё уступают врачам по безопасности, полноте и клинической надёжности.

Ключевая проблема в том, что большинство LLM плохо распознают границы собственного знания: модели часто дают ответ даже тогда, когда корректнее указать на недостаточность данных или отказаться от вывода. При этом ошибки связаны не только с незнанием отдельных фактов, но и с провалом клинического рассуждения: модель может неправильно связать симптомы, диагноз, лабораторные данные, лечение и клинический контекст.

Одна из ключевых причин — модель остаётся «чёрным ящиком»: она не хранит медицинское знание как строгую базу фактов и правил, а ориентируется в пространстве языковых и семантических представлений. Поэтому при генерации ответа она подбирает наиболее вероятное и близкое по смыслу продолжение, но это «близкое» не всегда является клинически точным, доказанным или приоритетным. В результате модель может подменять важные данные похожими, смешивать контексты, терять причинно-следственные связи и уверенно формировать вывод там, где данных недостаточно.

В медицине это критично: ошибка может быть не только в факте, но и в связях:

RAG (извлечение знаний), Knowledge Graph (граф знаний и строгие связи), Rule-based clinical engine (клинический движок правил), Structured reasoning (ответ по схеме), Abstention mechanism (отказ от вывода при недостатке данных), Guardrails (защитные ограничения и правила безопасности) частично уменьшают эту проблему, потому что дают модели внешний источник фактов, но не решают её полностью: извлечение может быть неполным, релевантность — ошибочной, а суммаризация является необратимым сжатием, при котором часть клинического контекста, нюансов и приоритетов теряется.

Поэтому для медицины нужен не просто LLM + RAG, а структурированное ядро с фактами, правилами, критериями, источниками и явной оценкой неопределённости.

2) Дифференциальная диагностика — самое слабое место

Rao et al., “Large Language Model Performance and Clinical Reasoning Tasks” (JAMA Network Open, 2026) наглядно показали проблему: модель рано «схлопывается» в один диагноз вместо того, чтобы держать несколько гипотез и запрашивать недостающие данные.

Дифференциальная диагностика — это не просто «угадать диагноз». Это удерживать несколько гипотез одновременно, понимать, какие данные подтверждают каждую из них, какие противоречат, что нужно проверить дальше, какие состояния опасны, какие нельзя пропустить, какие анализы или исследования реально меняют клиническое решение.

Тут всё настолько очевидно: у LLM нет бесконечного ресурса, чтобы держать всё в памяти и проводить полноценную оценку. А даже если бы такой ресурс был, ответ занял бы часы для рассмотрения всех форм, вариантов и клинических направлений.

Врач в реальности работает иначе: держит в голове несколько веток, быстро отсеивает невозможное, видит красные флаги, учитывает течение во времени, возраст, фон, препараты, анамнез, динамику, лабораторию, визуализацию, риск ошибки. Это не просто вопрос памяти — это вопрос структуры клинического мышления.

Чтобы AI-система реально помогала в дифференциальной диагностике, ей нужен не только текстовый ответ, а граф гипотез:

симптомы → возможные диагнозы → частота → опасность → срочность → подтверждающие признаки → исключающие признаки → необходимые данные → клинические правила → источники.

Без этого модель будет хорошим объяснителем, но слабым клиническим навигатором.

3) Врач + LLM не всегда лучше врача

Goh et al., “Large Language Model Influence on Diagnostic Reasoning” (JAMA Network Open, 2024): 50 врачей решали клинические случаи с LLM или с обычными ресурсами. Доступ к GPT-4 не дал значимого улучшения диагностического мышления по сравнению с обычными источниками.

И на наблюдаемой практике это действительно так. Из нашего опыта: в реальности врач часто сразу понимает, что происходит — буквально в течение минуты, а то и долей секунды всё становится ясно и чётко. Здесь сложная грань скорости принятия решения, диагностических механизмов, патофизиологических и биохимических явлений, которую ни одна LLM не выдержит и уж тем более не сможет держать в реальном векторе и реальном времени пациента без нормального контекста.

Так как эта грань затрагивает не только контекст, но и оценку во времени, проблему дифференциального поиска и проблему «схлопывания» в один вывод, представьте, насколько это объёмный пласт знаний и скорости доступа к таким знаниям.

На наш взгляд, здесь требуется комплекс решений:
* для скорости — клинические правила и стандартизированные формы данных;
* для полноты — граф дифференциальной диагностики.

Задача не в том, чтобы заменить врача моделью, а в том, чтобы создать медицинский контур, где AI получает не хаотичный текст, а нормализованный медицинский смысл.

Что такое Big Medical Knowledge Graph?

Big Medical Knowledge Graph — это попытка собрать медицину не как набор статей, таблиц и текстовых описаний, а как связанную систему медицинских сущностей.

В такой системе заболевание не существует отдельно. Оно связано с симптомами, синдромами, лабораторными признаками, инструментальными методами, анатомией, тканями, генами, препаратами, схемами лечения, клиническими рекомендациями, кодами, источниками, правилами маршрутизации и экономическими моделями здравоохранения.

То есть это не “база болезней” - а слой медицинского смысла.

Пример простой связки:
острый лейкоз → анемия → тромбоцитопения → бласты → костный мозг → миелограмма → цитогенетика → химиотерапевтическая схема → инфекционные осложнения → госпитализация → профиль отделения → клиническое правило → источник.

Именно такие связи нужны, чтобы медицинский AI не просто писал текст, а понимал, где он находится в клинической системе.

MedCora можно рассматривать как попытку построить Big Medical Knowledge Graph - структурированное медицинское ядро, где разные сущности нормализуются и связываются между собой.

Внутри такой системы медицинская сущность перестаёт быть условным обозначением ведующая к набору "собранных признаков" как обычно это бывает в ML решениях. Заболевания получает связи. Симптом получает частоту и значимость. Лабораторный показатель получает интерпретацию. Препарат получает механизм действия, молекулярные свойства и клинические связи. Анатомия связывается с болезнями, методами диагностики, тканями и органными системами.

Это попытка сделать медицинскую карту знаний, где каждая сущность имеет место в общей структуре.

Продолжение во второй части)

Строительство нелинейных объектов транспортного строительства (дорог, мостов, тоннелей) в Арктике, Сибири и на Дальнем Востоке — это всегда вызов. Когда грунт скован вечной мерзлотой, а столбик термометра зимой опускается до –50°C, каждый этап работ требует тщательной подготовки техники и специальных мер защиты людей. Особенно сложная задача — предупредить коррозию металлических и бетонных конструкций.

Вода — главный враг любого объекта: она просачивается в мельчайшие трещины бетона, при замерзании расширяется и разрывает конструкцию изнутри, добирается до стальной арматуры и вызывает коррозию. Если вовремя не защитить мост или дорогу, через несколько лет даже самое прочное сооружение начнет разрушаться. Именно поэтому инженеры ищут способы надежной гидроизоляции.

Например, для мостовых сооружений защитный слой укладывают на этапе строительства или ремонта: сначала готовят плиту проезжей части (основание, по которому поедут машины), затем на нее наносят защиту и только потом кладут асфальт. Получается своего рода «прокладка» между бетоном и дорожным покрытием.

Сегодня существует два основных способа защитить объекты транспортного строительства от влаги. Первый, самый распространенный и дешевый — рулонная гидроизоляция. Это те самые битумные или полимерные «ковры», которые раскатывают по поверхности бетона или металла, а стыки проплавляют горелкой. Такой метод прост и понятен, но у него есть серьезные недостатки. Швы — слабое место: даже небольшое нарушение герметизации приводит к протечкам. Кроме того, рулонные материалы плохо прилегают к сложным поверхностям — например, к стойкам ограждений, перилам или к выступающим металлическим полосам, которые приварены к мосту, чтобы сделать его крепче. А на сильном морозе битум становится хрупким и трескается.

Второй способ — бесшовное напыление жидких полимеров. Здесь нет ни стыков, ни швов: установка смешивает два компонента прямо в момент распыления, и на поверхности мгновенно формируется эластичная мембрана. Чаще всего используют полимочевину — материал, который застывает за секунды и образует пленку, похожую на прочную резину. Она повторяет форму любой сложной конструкции, не боится ни жары, ни мороза, а по прочности превосходит рулонные материалы в разы. Именно эту технологию считают самой современной и надежной.

Однако у метода есть серьезный недостаток. Оборудование для напыления — это громоздкие реакторы, которым требуется подогрев. Работать с ними можно только при плюсовой температуре. Доставка такой техники в Арктику, где восемь месяцев в году мороз ниже -30°C, обходится в большие суммы. В труднодоступных районах груз приходится везти вертолетами, и затраты на логистику могут превысить стоимость самой гидроизоляции. В этих случаях самый надежный метод становится недоступным.

Именно для решения этой проблемы ученые Пермского Политеха совместно с коллегами из МАДИ и ООО НПФ «Современные покрытия» впервые в России разработали технологию, объединяющую достоинства обоих способов. Они взяли прочность и бесшовность напыляемой полимочевины, но при этом сделали так, чтобы готовое покрытие можно было сворачивать в рулоны и доставлять на объект как обычный стройматериал.

Чтобы получить готовое гидроизоляционное покрытие (его еще называют мембраной), ученые разработали уникальную технологию.

— Сначала с помощью фото- и видеосъемки создается точная 3D-модель конструктивного элемента транспортного объекта, — цифровая копия его поверхности со всеми изгибами, стыками и выступающими элементами. Эта модель передается на завод, где по ней собирают физический прототип — макет того участка, который нуждается в защите. Дальше его накрывают полиэтиленовой пленкой. И уже на нее напыляют двухкомпонентную полимерную смесь на основе полимочевины. Поскольку она не прилипает к полиэтилену, после застывания готовую пленку легко снимают с макета, сворачивают в рулон и отправляют на объект. На месте строительства рабочие расстилают покрытие и соединяют края специальным активатором, — рассказал Андрей Кочетков, профессор кафедры «Автомобильные дороги и мосты» ПНИПУ, доктор технических наук.

Полиэтиленовая пленка была применена впервые. Раньше ее для гидроизоляции не использовали.

Чтобы проверить, насколько эффективно работает такая схема, ученые провели серию экспериментов. Они напыляли гидроизоляцию на прототипы разной формы и шероховатости, меняли давление, температуру и расстояние от наконечника распылителя (сопла) до поверхности. В ходе испытаний замеряли ключевые показатели — толщину получаемой пленки, равномерность распределения материала и скорость его отверждения.

— Мы выяснили, что расход гидроизоляции напрямую зависит от условий напыления. В идеале на квадратный метр покрытия толщиной 1,5 мм нужно 1,59 кг смеси. Но на практике часть материала неизбежно теряется — он просто разлетается в воздух в виде мельчайших капель и не попадает на поверхность. С учетом плотности компонентов и потерь в 30% мы рассчитали реальную норму: 2,27 кг на м². Теперь инженеры могут заранее знать, сколько материала заказывать, — пояснил Андрей Кочетков.

В результате экспериментов ученые подтвердили, что полимочевина сохраняет все свои свойства при температурах от -60°C до +150°C, выдерживает движение тяжелой строительной техники и не разрушается под действием дорожных реагентов. Прочность мембраны (20-45 МПа) в 5-10 раз выше, чем у обычных рулонных материалов, и при этом она не уступает покрытиям, полученным классическим напылением. Однако у заводского метода есть два важных преимущества. Во-первых, готовую защиту можно монтировать даже в сильный мороз, тогда как традиционное напыление требует тепла и сухой погоды. Во-вторых, при работе в цехе нет потерь материала.

Следовательно, разработка ученых позволяет не просто заменить один материал на другой, а принципиально изменить подход к гидроизоляции. Теперь не нужно везти за тысячи километров тяжелое реакторное оборудование и нанимать высококвалифицированных операторов на стройплощадку. Достаточно один раз создать 3D-модель, напылить мембрану и доставить готовые рулоны. Для строителей в Арктике, Сибири и на Дальнем Востоке это дает реальную возможность защищать транспортные объекты от воды без огромных затрат на логистику. А значит, конструкции будут служить дольше, а их ремонт обойдется дешевле.

Способ внесен в реестр Минтранса, утвержден ГОСТом и имеет готовые сметные нормативы. В настоящее время он внедряется на ограниченных по размеру объектах транспортного и общего строительства.