Соотношение моделирования и эксперимента в естествознании

В последнее столетие экспериментальный метод в биологии начал  наталкиваться на определенные границы, и выяснилось, что целый ряд исследований невозможен без моделирования. Если остановиться на некоторых примерах ограничений области применения эксперимента в биологии, то они будут в основном следующими: но, чтобы носитель «распознавался» клеткой-мишенью. В этом случае можно добиться значительной избирательности действия.

Функцию носителей могут выполнять белки, пептиды и другие соединения. Так, например, можно получить моноклональные антитела к специфическим антигенам эпителия молочных желез. Такие антитела-носители в комплексе с антибластомными средствами, очевидно, могут быть испытаны при лечении диссеминированного рака молочной железы. Из пептидных гормонов в качестве носителя представляет интерес р-меланотропин, который распознается злокачественными клетками меланомы. Гликопротеины могут довольно избирательно взаимодействовать с гепатоцитами и некоторыми клетками гепатомы.

Избирательное расширение почечных сосудов наблюдается при использовании γ-глутамил-ДОФА, который подвергается в почках метаболическим превращениям, приводящим к высвобождению дофамина.

Иногда «вещества носители» используют для транспорта препаратов через биологические мембраны. Так, известно, что ампициллин плохо всасывается из кишечника (около 40%). Его эстерифицированное липофильное пролекарство — бакампициллин — абсорбируется из пищеварительного тракта на 98 - 99%. Сам бакампициллин неактивен; антимикробная активность проявляется только при отщеплении эстеразами в сыворотке крови ампициллина.

Для облегчения прохождения через биологические барьеры обычно используют липофильные соединения. Помимо уже приведенного примера, можно назвать цетиловый эфир ГАМК, который в отличие от ГАМК хорошо проникает в ткани мозга. Хорошо проходит через роговую оболочку глаза фармакологически инертный дипивалиновый эфир адреналина. В тканях глаза он подвергается энзиматическому гидролизу, что приводит к локальному образованию адреналина. В связи с этим дипивалиновый эфир адреналина (названный дипивефрином) оказался эффективным при лечении глаукомы.

Вторая разновидность пролекарств получила название биопрекурзоров (или метаболических прекурзоров). В отличие от комплекса «вещество носитель - активное вещество», основанного на временной связи обоих компонентов, биопрекурзор представляет собой новое химическое вещество. В организме из него образуется другое соединение — метаболит, который и является активным веществом. Примеры образования в организме активных метаболитов хорошо известны (пронтозил - сульфаниламид, имипрамин - десметилимипрамин, и др.).

Второе направление, основанное на исследовании биотрансформации веществ, предусматривает изучение механизмов химических превращений веществ. Знание ферментативных процессов, обеспечивающих метаболизм веществ, позволяет создавать препараты, которые изменяют активность ферментов. Так, например, синтезированы ингибиторы ацетилхолинэстеразы (прозерин и др.), которые усиливают и пролонгируют действие естесственного медиатора ацетилхолина. Получены также ингибиторы фермента моноаминооксидазы, участвующей в инактивации норадреналина, дофамина, серотонина.

Помимо направленного синтеза, до сих пор сохраняет определённое значение эмпирический путь получения лекарственных средств. Ряд препаратов был введён в медицинскую практику в результате случайных находок. Так, снижение уровня сахара в крови, обнаруженное про использовании сульфаниламидов, привело к синтезу их производных с выраженными гипогликемическими свойствами.

Одной из разновидностей эмпирического поиска является скрининг (от англ. to screen – просеивать). В этом случае любые химические соединения, которые могут быть предназначены и для немедицинских целей, проверяют на биологическую активность с использованием разнообразных методик. Скрининг – весьма трудоёмкий и малоэффективный путь эмпирического поиска лекарственных веществ. Однако иногда он неизбежен, особенно если исследуется новый класс химических соединений, свойства которых, исходя из их структуры, трудно прогнозировать.

Молекулярное моделирование

В 1666 г. в Англии при огромном стечении народа и в присутствии короля был спущен на воду очередной линейный корабль. Хотя и всегда спуск большого корабля на воду был событием, в данном случае интерес был особый. Впервые в истории строитель корабля Антони Дин устроил амбразуры для пушек, когда корабль был ещё на стапелях. До этого амбразуры прорезались "по месту" после того, как корабль был уже на воде и нагружен подходящим образом. Это, разумеется, сильно усложняло всю работу. Сделал это Антони Дин не по наитию, а на основании точного расчёта, базировавшегося на законе плавания судов, открытом Архимедом почти за 2000 тысячи лет до этого.

Это был один из первых примеров, когда вычислительный эксперимент опередил натурный, что дало огромную экономию времени и средств. С тех пор такая практика в макромире стала повсеместной, и сейчас ни одно устройство от утюга до самолёта не превращается в реальный объект до тех пор, пока соответствующие расчёты не покажут с вероятностью девяносто и более процентов, что задуманная система будет работать именно так, как надо. Разумеется, это стало возможным не только потому, что развилась фундаментальная наука (физика, математика и др.), но и потому, что базовые законы, уравнения и вычислительные приёмы были доведены до инженерного уровня, т.е. уровня, который позволяет обоснованно прогнозировать работу проектируемой системы и отбирать наилучшие варианты, опираясь на конкретные упрощённые положения, правила и формулы, таблицы величин и др.

Человечество, создавая техническую базу своего существования, интуитивно отвергло "медвежий принцип". Вспомним известную басню о медведе, который гнул-гнул дугу, да и сломал, а потом и говорит: "Всё правильно, надо сначала сделать, а уж потом подумать, а то над чем же думать-то!".

Разумеется, макромир не является исключением, и нет ничего удивительного, что и при развитии работ в микромире, и при создании молекулярных машин человечество пошло тем же путём. Формирующееся новое научное направление часто и называют молекулярным моделированием. Конечно, работы в микромире ещё не достигли уровня, который можно было бы назвать инженерным, но успехи уже значительны. При этом наметились два основных течения.

Первое определяется целиком особенностями формализации знаний в химической науке. Эта область, изучающая гораздо более разнообразные проявления систем по сравнению, например, с физикой, с самого начала базировалась не на уравнениях, позволяющих в деталях проследить причинно-следственные связи, а на дискретных правилах-высказываниях типа: если в молекуле имеется данная функциональная группировка, то для неё характерными будут такие-то реакции. Преподносится это как аксиома. В науке такая ситуация называется "черным ящиком". Это характерно не только для химии, но и для всех наук, в которых приходится иметь дело со сложными объектами: биологии, медицины и др. Таких дискретных правил очень много. Пытаться во всех случаях выяснить их глубинную природу практически невозможно да и не нужно, т.к. главная цель всякого научного знания - прогноз - вполне достигается и при использовании "черных ящиков". Другое дело, что при попытке перевести такой прогноз на язык математики, надо отказаться от привычного анализа дифференциальных уравнений и перейти к аппарату так называемой дискретной математики (например, математической логики). Хотя основы подходящего математического языка были заложены ещё в середине прошлого века, однако до шестидесятых годов нынешнего века такой язык не использовался ни в физике, ни в химии, и основная масса работавших в этих науках учёных ничего о нем не знала. Впервые соответствующие идеи были высказаны практически одновременно в СССР, США и Японии в 70-тых годах.

Общая проблема заключается не только в том, чтобы, пользуясь уже установленными правилами и математическим аппаратом, делать научный прогноз, но и решать так называемые обратные задачи. Они заключаются в том, чтобы на основе большого фактического материала сформулировать сами эти правила. Решение этой проблемы особенно актуально при поиске лекарственных средств, где причинно-следственная связь "молекулярная структура - биологическое действие" крайне сложна и, как правило, не может быть сформулирована абсолютно строго.

Второе направление в молекулярном моделировании идёт от физики и базируется на квантовой теории и вычислительных приёмах, составляющих предмет так называемой квантовой химии. Особенность этого направления -- фундаментальность и универсальность исходных положений, возможность в деталях проследить формирование причинно-следственной связи, т.е. отсутствие "черных ящиков". Это очень привлекательно. Ясно, однако, что надежда на прогресс в этом направлении только за счёт увеличения мощности компьютеров призрачна. Во-первых, потому, что всё равно всё не пересчитаешь, а, во-вторых, рассчитываются свойства молекулярных моделей, хотя и близких к природным объектам, однако никогда точно с ними не совпадающих. Подобно тому, как в макромире в инженерных расчётах используются формулы, которые, хотя и опираются на фундаментальные исходные положения, являются, как правило, полуэмпирическими, так и в микромире основное назначение квантовохимических подходов - создание разного рода упрощенных приёмов, с самого начала нацеленных на решение задач данного конкретного круга, но зато обеспечивающих массовость прогнозов с точностью, удовлетворяющей практическим целям. Легко видеть, что оба направления в молекулярном моделировании взаимодополняющие, в том числе и по математическому оформлению и приёмам поиска причинно- следственных связей.

Следует отметить следующее. Развитие как направления "черных ящиков", так и квантовохимического с самого начала базировалось на использовании компьютеров. Общение же с последними подразумевает максимальную формализацию понятий и приёмов, которые компьютеры способны воспринять и с которыми способны оперировать. В сущности, это означает попытку построить аксиоматическую базу всей химии как науки и записать соответствующие причинно-следственные связи в виде строгих математических соотношений. Если теперь вспомнить известное высказывание о том, что всякая наука достигает совершенства, когда она начинает широко пользоваться математикой, то становится понятным, что обсуждаемое синтетическое научное направление стихийно вырастающее на стыке многих наук, затрагивает самые фундаментальные проблемы методологии исследования микромира.

Заключение

В заключение хотелось бы подробнее остановиться на конкретных проблемах, с которыми непосредственно сталкивается исследователь на стыке химии и биологии.

Совершенно очевидна актуальность исследований в этой области. Однако очень сложно определить, где кончается химия и начинается биология. Изучение свойств низкомолекулярных веществ хорошо укладывается в задачи органической химии, в то же время их взаимодействие с белками вызывает биологические эффекты в живых организмах. Моделируя подобные взаимодействия при помощи компьютеров, исследователь берёт в рассмотрение преимущественно химические свойства соединений. Так, для некоторых ключевых ферментов молекулярно-графическими методами разрабатываются потенциально эффективные лиганды. Экспериментальная проверка in vitro подтверждает их эффективность. В тоже время in vivo эффект отсутствует. Это связано с тем, что живой организм настолько сложная система, что предусмотреть судьбу низкомолекулярного лиганда в нём не представляется возможным. Предвидеть все возможные химические превращения и смоделировать их – задача будущего.

С другой стороны, само компьютерное моделирование молекул основывается на многочисленных приближениях и допущениях. Так, предполагается, что энергия молекул определяется только координатами их атомов в пространстве. Но в реальности молекулы не являются неподвижными, а энергетические расчёты на компьютере проводятся на статических молекулах. Сейчас разрабатываются методы молекулярной динамики, которые позволяют учитывать тепловое движение молекул, но до сих пор нет подходов, которые бы достоверно учитывали энтропийную составляющую энергии. К тому же в разумные сроки можно рассчитать время жизни системы порядка нескольких пикосекунд.

Большие сложности представляет изучение трёхмерной структуры белков. На сегодняшний день нет методов, которые могли бы точно предсказать трёхмерную структуру белка на основе его аминокислотной последовательности. Хотя используется метод аналогий, когда предполагается, что идентичные аминокислотные участки разных белков укладываются аналогичным образом. Экспериментальное же получение трёхмерных изображений сопряжено со множеством трудностей: для проведения рентгеноструктурного анализа требуется кристаллизация белка (что возможно только для растворимых белков), а возможности ядерного магнитного резонанса ограничиваются молекулярным размером белков.

Широкое распространение получили методы QSAR. Эти методы основанные на анализе зависимости структура-свойство молекул. Полученные модели используются для скрининга молекулярных баз данных, поиска новых потенциально активных веществ. Такие модели строятся на группе соединений одного химического класса, которые взаимодействуют с мишенью сходным образом. Для примера, такая QSAR модель была построена для ингибиторов моноаминооксидазы. Однако по результатам её предсказания ингибиторными же свойствами обладали и естественные субстраты моноаминооксидазы.

Другое предположение, о том, что белки со сходной аминокислотной последовательностью обладают сходными функциями, также не всегда справедливо. Например, в группу сериновых протеаз по сходству вторичной структуры попадает белок, не обладающий протеазной активностью.

И, тем не менее, роль молекулярного моделирования, как для фундаментальных, так и для прикладных исследований в области молекулярной биологии и биохимии неуклонно растёт. Это связано и с совершенствованием математического аппарата, и с ростом производительности вычислительной техники, и накоплением огромного количества фактического материала, требующего анализа.

Литература

1.                                       Богомолов А.С. «Античная философия» М.: МГУ, 1985

2.                                       Веденов А.А. «Моделиpование элементов мышления» М.: Наука, 1988

3.                                       Грибов Л.А. «Молекулярное моделирование на пути в 21 век» (I Всероссийская конференция по молекулярному моделированию)

4.                                       Осипов Д.С. «Математическое моделирование биосинтеза продуктов метаболизма», 2002

5.                                       Тумаркин А. «Философские аспекты моделирования как метода познания окружающего мира. Применение моделирования в различных отраслях человеческого знания и деятельности», 1994

6.                                       Фpолов М.Т. «Гносеологические пpоблемы моделиpования» М.: Наука, 1961.

7.                                       Харкевич Д.А. «Фармакология», М. Гэотар-Мед, 2001

8.                                       Царегородцев Г.И., Ерохин В.Г. «Диалектический материализм и теоретические основы медицины». М., 1986.

9.                                       Штофф В.А. «Моделиpование и философия» М.: Наука, 1966

тветствующих моделях тех или иных свойств (характеристик) как объекта в целом, так и отдельных его частей. К физическому моделированию прибегают не только по экономическим соображениям, но и потому, что натурные испытания очень трудно или вообще невозможно осуществить, когда слишком велики (малы) размеры натурного объекта или значения других его характеристик (давления, температуры, скорости протекания процесса и т. п.).

В основе физического моделирования лежат теория подобия и анализ размерностей. Необходимыми условиями физического моделирования являются геометрическое подобие (подобие формы) и физическое подобие модели и натуры: в сходственные моменты времени и в сходственных точках пространства значения переменных величин, характеризующих явления для натуры, должны быть пропорциональны значениям тех же величин для модели. Наличие такой пропорциональности позволяет производить пересчёт экспериментальных результатов, получаемых для модели, на натуру путём умножения каждой из определяемых величин на постоянный для всех величин данной размерности множитель — коэффициент подобия.

Поскольку физические величины связаны определёнными соотношениями, вытекающими из законов и уравнений физики, то, выбрав некоторые из них за основные, можно коэффициенты подобия для всех других производных величин выразить через коэффициенты подобия величин, принятых за основные. Например, в механике основными величинами считают обычно длину l, время t и массу m. Тогда, поскольку скорость v = l/t, коэффициент подобия скоростей kv = vн/vм (индекс «н» у величин для натуры, «м» — для модели), можно выразить через коэффициенты подобия длин kl = lн/lм и времён kt = tн/tм в виде kv = kl/kt. Аналогично, т. к. на основании второго закона Ньютона сила F связана с ускорением w соотношением F = mw, то kF = km *kw (где, в свою очередь, kw = kv/kt) и т. д. Из наличия таких связей вытекает, что для данного физического явления некоторые безразмерные комбинации величин, характеризующих это явление, должны иметь для модели и натуры одно и то же значение. Эти безразмерные комбинации физических величин называются критериями подобия. Равенство всех критериев подобия для модели и натуры является необходимым условием физического моделирования. Однако добиться этого равенства можно не всегда, так как не всегда удаётся одновременно удовлетворить всем критериям подобия.

2. Моделирование  как средство экспериментального  исследования

Моделирование всегда используется вместе с другими общенаучными и специальными методами. Прежде всего, моделирование тесно связано с экспериментом. Под экспериментом понимается «вид деятельности, пpедпpинимаемой в целях научного познания, откpытия объективных закономеpностей и состоящий в воздействии на изучаемый объект(пpоцесс) посpедством специальных инстpументов и пpибоpов». [4]

Существует особая фоpма экспеpимента, для котоpой хаpактеpно использование действующих матеpиальных моделей в качестве специальных сpедств экспеpиментального исследования. Такая фоpма называется модельным экспеpиментом.

В отличие от обычного эксперимента, где средства экспеpимента так или иначе взаимодействуют с объектом исследования, здесь взаимодействия нет, так как экспеpиментиpуют не с самим объектом, а с его заместителем. Пpи этом объект-заместитель и экспеpиментальная установка объединяются, сливаются в действующей модели в одно целое. Таким обpазом, обнаруживается двоякая pоль, котоpую модель выполняет в экспеpименте: она одновpеменно является и объектом изучения и экспеpиментальным сpедством.

Для модельного экспеpимента хаpактеpны следующие основные операции:

• пеpеход от натуpального объекта к модели - постpоение модели (моделиpование в собственном смысле слова).
• экспеpиментальное исследование модели.
• пеpеход от модели к натуpальному объекту, состоящий в пеpенесении pезультатов, полученных пpи исследовании, на этот объект.

Модель входит в экспеpимент, не только замещая объект исследования, она может замещать и условия, в котоpых изучается некотоpый объект обычного экспеpимента.

Обычный экспеpимент пpедполагает наличие теоpетического момента лишь в начальный момент исследования — выдвижение гипотезы, ее оценку и т.д., теоpетические сообpажения, связанные с констpуиpованием установки, а также на завеpшающей стадии — обсуждение и интеpпpетация полученных данных, их обобщение; в модельном экспеpименте необходимо также обосновать отношение подобия между моделью и натуpальным объектом и возможность экстpаполиpовать на этот объект полученные данные [5].

3. Моделирование  и НТП

Моделирование предполагает использование абстрагирования и идеализации. Отображая существенные (с точки зрения цели исследования) свойства оригинала и отвлекаясь от несущественного, модель выступает как специфическая форма реализации абстракции, то есть как некоторый абстрактный идеализированный объект. При этом от характера и уровней лежащих в основе моделирования абстракций и идеализаций в большой степени зависит весь процесс переноса знаний с модели на оригинал; в частности, существенное значение имеет выделение трёх уровней абстракции, на которых может осуществляться моделирование:

• уровня потенциальной осуществимости (когда упомянутый перенос предполагает отвлечение от ограниченности познавательно-практической деятельности человека в пространстве и времени);
• уровня «реальной» осуществимости (когда этот перенос рассматривается как реально осуществимый процесс, хотя, быть может, лишь в некоторый будущий период человеческой практики);
• уровня практической целесообразности (когда этот перенос не только осуществим, но и желателен для достижения некоторых конкретных познавательных или практических задач).

На всех этих уровнях, однако, приходится считаться с тем, что моделирование данного оригинала может ни на каком своём этапе не дать полного знания о нём. Эта черта моделирования особенно существенна в том случае, когда его предметом являются сложные системы, поведение которых зависит от значительного числа взаимосвязанных факторов различной природы. В ходе познания такие системы отображаются в различных моделях, более или менее оправданных; при этом одни из моделей могут быть родственными друг другу, другие же могут оказаться глубоко различными. Поэтому возникает проблема сравнения (оценки адекватности) разных моделей одного и того же явления, что требует формулировки точно определяемых критериев сравнения. Если такие критерии основываются на экспериментальных данных, то возникает дополнительная трудность, связанная с тем, что хорошее совпадение заключений, которые следуют из модели, с данными наблюдения и эксперимента ещё не служит однозначным подтверждением верности модели, так как возможно построение других моделей данного явления, которые также будут подтверждаться эмпирическими фактами. Отсюда — естественность ситуации, когда создаются взаимодополняющие или даже противоречащие друг другу модели явления. Эти противоречия могут «сниматься» в ходе развития науки (и затем появляться при моделировании на более глубоком уровне). Например, на определенном этапе развития теоретической физики при моделировании физических процессов на «классическом» уровне использовались модели, подразумевающие несовместимость корпускулярных и волновых представлений; эта «несовместимость» была «снята» созданием квантовой механики, в основе которой лежит тезис о корпускулярно-волновом дуализме, заложенном в самой природе материи.

Другим примером такого рода моделей может служить моделирование различных форм деятельности мозга [6]. Создаваемые модели интеллекта и психических функций — например, в виде эвристических программ для ЭВМ — показывают, что моделирование мышления как информационного процесса возможно как минимум в трёх аспектах: (дедуктивном — формально-логическом, индуктивном и нейролого-эвристическом) для «согласования» которых необходимы дальнейшие логические, психологические, физиологические, эволюционно-генетические и модельно-кибернетические исследования. В процессе моделирования выделяются специальные этапы — этап верификации модели и оценка ее адекватности

В модели реализованы двоякого pода знания:

• знание самой модели (ее стpуктуpы, процессов, функций) как системы, созданной с целью воспроизведения некоторого объекта.
• теоретические знания, посредством котоpых модель была построена.

Имея в виду именно теоретические соображения и методы, лежащие в основе построения модели, можно ставить вопросы о том, насколько веpно данная модель отражает объект и насколько полно она его отражает. В таком случае возникает мысль о сравнимости любого созданного человеком пpедмета с аналогичными пpиpодными объектами и об истинности этого пpедмета. Но это имеет смысл лишь в том случае, если подобные пpедметы создаются со специальной целью изобpазить, скопиpовать, воспроизвести определенные чеpты естественного пpедмета.

В настоящее вpемя пpактика моделирования вышла за пpеделы сpавнительно огpаниченного кpуга механических явлений. Возникающие математические модели, котоpые отличаются по своей физической пpиpоде от моделиpуемого объекта, позволили преодолеть огpаниченные возможности физического моделиpования. Пpи математическом моделиpовании основой соотношения модель - натуpа является такое обобщение теоpии подобия, котоpое учитывает качественную pазноpодность модели и объекта, пpинадлежность их pазным фоpмам движения матеpии. Такое обобщение пpинимает фоpму более абстpактной теоpии — изомоpфизма систем.

Модельный эксперимент позволяет изучать такие объекты, прямой эксперимент над которыми затруднён, экономически невыгоден, либо вообще невозможен в силу тех или иных причин (моделирование уникальных гидротехнических сооружений, сложных промышленных комплексов, экономических систем, социальных явлений, процессов, происходящих в космосе, конфликтов и боевых действий и т.д.).

Исследование знаковых (в частности, математических) моделей также можно рассматривать как некоторые эксперименты («эксперименты на бумаге», умственные эксперименты). Это становится особенно очевидным в свете возможности их реализации средствами электронной вычислительной техники. Один из видов модельного эксперимента - модельно-кибернетический эксперимент, в ходе которого вместо «реального» экспериментального оперирования с изучаемым объектом находят программу его функционирования, которая и оказывается своеобразной моделью поведения объекта.

Заключение

Моделирование глубоко проникает в теоретическое мышление. Более того, развитие любой науки в целом можно трактовать — в весьма общем, но вполне разумном смысле, — как «теоретическое моделирование». Важная познавательная функция моделирования состоит в том, чтобы служить импульсом, источником новых теорий. Нередко бывает так, что теория первоначально возникает в виде модели, дающей приближённое, упрощённое объяснение явления, и выступает как первичная рабочая гипотеза, которая может перерасти в «предтеорию» — предшественницу развитой теории. При этом в процессе моделирования возникают новые идеи и формы эксперимента, происходит открытие ранее неизвестных фактов. Такое «переплетение» теоретического и экспериментального моделирования особенно характерно для развития физических теорий.

Моделирование — не только одно из средств отображения явлений и процессов реального мира, но и — несмотря на описанную выше его относительность — объективный практический критерий проверки истинности наших знаний, осуществляемой непосредственно или с помощью установления их отношения с другой теорией, выступающей в качестве модели, адекватность которой считается практически обоснованной. Применяясь в органическом единстве с другими методами познания, моделирование выступает как процесс углубления познания, его движения от относительно бедных информацией моделей к моделям более содержательным, полнее раскрывающим сущность исследуемых явлений действительности.

Литература

1. Аверьянов А.Н. Системное познание мира: методологические проблемы. М., 1991.
2. Алтухов В.Л., Шапошников В.Ф. О перестройке мышления: философско-методологические аспекты. М., 1988.
3. Большая советская энциклопедия.
4. Штофф В.А. Моделиpование и философия. М., Наука, 1966.
5. Налимов В. В., Теория эксперимента, М., 1971.

Амосов Н.М. Моделиpoвание мышления и психики. М., Наука, 1995.МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЗОЛЬ-ГЕЛЬ ПРОЦЕССА ПОЛУЧЕНИЯ НАНОЧАСТИЦ ДИОКСИДА ТИТАНА

Костин А.С. 1, Кольцова Э.М. 1

1. Российский химико-технологический  университет имени Д.И. Менделеева

Резюме  |   Комментарии ( 0)   |    PDF (877 K)   |  стр. 381-387

Золь-гель технология является одним из наиболее перспективных методов массового получения наночастиц и материалов на их основе. Этот метод не только не требует больших затрат, но и позволяет получать продукты особой чистоты, к тому же по сравнению с другими методами его коммерческое применение представляется наиболее эффективным. Золь-гель технология позволяет гибко регулировать условия проведения процесса, а значит, и размеры получаемых частиц. Реологические свойства золей могут быть изменены в широких пределах, что означает возможность получения пленок, волокон, монолитов и других образований, а также регулирования структуры получаемых гелей.