Уникальная система прогнозирования свойств полипропилена

1. Кратко о проекте

Smart Lab / DAR AI — российская ML-система прогнозирования свойств химических смесей

DAR AI (Smart Lab) — это программная система, которая по химическому составу смеси (CSV/Excel + SMILES-формулы) за секунды предсказывает ключевые физико-химические и эксплуатационные свойства продукта: температуру плавления, стеклования, текучесть расплава, прочность, модуль упругости, относительное удлинение, степень кристалличности, гельфракцию, размер частиц и другие.

🧪

Работает на малых выборках

Эффективна при 30–50 экспериментах — там, где классические нейросети не работают.

📊

Даёт доверительный интервал

Точечный прогноз + 95% доверительный интервал для оценки риска принимаемых решений.

🛡️

Обрабатывает пропуски до 60%

Специализированная маска обнуляет вклад пропущенных признаков без импутации и «додумывания».

🔒

On-premise

Развёртывание в закрытом контуре предприятия. Рецептуры не покидают компанию.

Ключевое отличие: в отличие от зарубежных SaaS-платформ (Citrine, Albert Invent, MaterialsZone), Smart Lab разворачивается on-premise и работает на реальных производственных данных с пропусками — это критично для Газпрома, СИБУРа и оборонно-чувствительных заказчиков.

2. Описание проекта

Как это работает

Проблема, которую решает продукт

₽

Дорого

Один экспериментальный синтез или испытание стоит от 300 тыс. до 2 млн ₽.

⏱

Долго

Цикл разработки новой рецептуры — от 3 до 18 месяцев.

⚠

Непредсказуемо

До 60% экспериментов дают отрицательный результат.

🔌

Зависимость

Зарубежные CAE-пакеты (Aspen Polymers, COMSOL) ушли из РФ, поддержка отключена.

📁

Данные не структурированы

В лабораторных журналах — до 60% пропусков, что делает невозможным использование классических нейросетей.

Технологическая основа

В основе — Гауссовские процессы (GPR) с композитным ядром и адаптивной оценкой неопределённости. Патент на изобретение № 2867092, заявка № 2026106331, свидетельство о регистрации программы для ЭВМ № 2026614218.

Композитное ядро

Модифицированное Rational Quadratic ядро для непрерывных дескрипторов + индикаторное ядро для бинарных признаков подструктур. Обрабатывает разнородные данные в единой вероятностной модели.

Warping-функция

W(x) = x + a · tanh(clip(b·(x+c), −20, 20)) — моделирует пороговые эффекты (например, резкое падение температуры плавления при превышении концентрации сомономера).

Адаптивная калибровка

Композитная метрика качества M = S_acc · S_cal · S_prob одновременно оптимизирует точность, калибровку неопределённости и вероятностное качество.

Обработка пропусков

Константа-индикатор + матрица наличия данных. Вклад пропущенного признака обнуляется в ядре, а не заменяется средним — это исключает искажение прогноза.

Что получает пользователь

Что выдаёт DAR AI	Зачем это нужно
Точечный прогноз свойства (например, Т_стекл = 65 °C)	Понимание, какой будет результат
95% доверительный интервал (например, 62–68 °C)	Оценка риска — насколько можно доверять прогнозу
Интерпретация влияния компонентов	Понимание, какой компонент на что влияет
Экспорт результатов в Excel	Интеграция в существующие рабочие процессы R&D

Сценарий использования: технолог загружает CSV/Excel с составом и SMILES → нажимает кнопку → через 5 секунд получает прогноз с доверительным интервалом. Без программирования.

3. Каких результатов добились

Подтверждённые результаты и статус проекта

Правовая защита и регистрация

Патент на изобретение № 2867092 — решение о выдаче от 29.06.2026.
Заявка на изобретение № 2026106331 — способ прогнозирования свойств химических смесей.
Свидетельство о регистрации программы для ЭВМ № 2026614218 в Роспатенте.

Подтверждённый спрос

ООО «НПО «ХимТэк»

АО «ВЗСП» («Русолеохим»)

АО «НГК-Иркутск»

КНИТУ (Казань)

ГАУ «ИТ-парк» Казань

КФТИ — ФИЦ КазНЦ РАН

3 отраслевых письма о готовности к сотрудничеству, поддержка КНИТУ и ИТ-парка Казань, пилотная программа на условиях испытания в условиях производства.

Достигнутые метрики качества модели

Кейс	R²	MAE	Покрытие 95% интервала	NLPD
Этиленоктеновые сополимеры (ЭОС), 280 образцов	0,93	3,8 °C	91%	−2,4
ПВХ-пластификаторы, 350 образцов	0,91	4,2 °C	84% (80% интервал)	−2,1

Превышение точности над полуэмпирическими моделями (Флори, Фокс-Флори) — на 15–20%, над стандартными ML-моделями (случайный лес) — на 8–12%, с корректной калибровкой доверительных интервалов в экстраполяционной области.

Конкурсы и акселерация

Победа в конкурсе «Студенческий стартап» 6-го потока (Фонд содействия инновациям).
Акселерация в конкурсе «Большая разведка».
MVP готов: веб-интерфейс, API, контейнеризация (Docker), on-premise развёртывание.
Проводятся пилотные внедрения с ВЗСП и КФТИ (ФИЦ КазНЦ РАН).

4. Потенциальное применение

Кому и где нужен Smart Lab

Целевые отрасли

Нефтегазохимия и полимеры

СИБУР, Газпром и профильные ДЗО, крупные НПЗ, нефтехимические комплексы. Замена Schlumberger / AspenTech / Schrödinger.

Лакокрасочные материалы

Разработка покрытий, эмалей, грунтовок. Прогноз адгезии, твёрдости, времени высыхания.

Спецхимия

Присадки к топливам, пластификаторы, стабилизаторы, поверхностно-активные вещества.

Фармацевтика и косметика

Прогнозирование свойств многокомпонентных смесей, стабильность, растворимость.

Строительные смеси

Разработка составов под спецусловия или из местных компонентов в соответствии с ГОСТ.

R&D-центры и НИИ

НИИ полимеров, институты РАН, университетские лаборатории, кафедры хемоинформатики.

Сценарии применения

Прогноз свойств новых рецептур — до синтеза, с оценкой неопределённости.
Обратная задача — подбор состава под заданные целевые свойства.
Скрининг библиотек составов — сотни вариантов за минуты на стандартной рабочей станции.
Интеграция с LIMS/ELN — «ML-ядро» поверх существующей инфраструктуры (СИБУР ЛИМС НИОКР, LabWare, Thermo Fisher).
Модуль для self-driving labs — прогнозирование как часть замкнутого цикла «дизайн → синтез → тест → анализ».
Академические программы — совместные публикации с КНИТУ и другими вузами, формирование кадрового резерва.

Позиционирование: Smart Lab — не «ещё одна цифровая лаборатория», а специализированное ML-ядро для прогнозирования свойств полимерных смесей, которое работает как автономно, так и в связке с существующей инфраструктурой заказчика.

5. Финансовый подсчёт

Два варианта экономического эффекта

Общие допущения

Параметр	Значение	Источник
Стоимость одного экспериментального синтеза / испытания	300 000 – 2 000 000 ₽	Материалы проекта DAR AI
Средняя стоимость одного эксперимента (для расчёта)	1 000 000 ₽	Середина диапазона
Сокращение числа экспериментов	в 3–9 раз	Заявление проекта; для расчёта — консервативно 5×
Стоимость пилота на 1 площадку	10 500 000 ₽	Согласованная точка входа
Стоимость лицензии после пилота	3 000 000 – 8 000 000 ₽/год	Ценовой анализ; для расчёта — 5 000 000 ₽/год

Вариант 1

Экономия за счёт сокращения числа экспериментов

Берём типовую R&D-программу предприятия: 100 экспериментов в год на вывод одной новой рецептуры. Средняя стоимость эксперимента — 1 000 000 ₽.

Показатель	Без Smart Lab	Со Smart Lab	Эффект
Число экспериментов, шт/год	100	20	−80
Стоимость 1 эксперимента, ₽	1 000 000	1 000 000	—
Затраты на эксперименты, ₽/год	100 000 000	20 000 000	−80 000 000
Лицензия Smart Lab, ₽/год	0	5 000 000	+5 000 000
Итого затрат, ₽/год	100 000 000	25 000 000	−75 000 000
Экономия, ₽/год	—	—	75 000 000
ROI	—	—	1500%

Дополнительно: по данным пилотных кейсов прямые затраты на тест при внедрении Smart Lab будут составлять 30% от базового уровня, что даёт экономию до 70% бюджета экспериментов. При масштабировании на 15+ лабораторий ДЗО заявленная экономия — свыше 700 млн ₽/год.

Вариант 2

Дополнительная прибыль от рецептуры с выходом продукта на 20% выше

Сценарий: предприятие выпускает 5 000 тонн/год специального продукта. С помощью Smart Lab удаётся найти рецептуру, повышающую выход продукта на 20% из того же объёма сырья.

Показатель	Базовая рецептура	Улучшенная рецептура (+20% выхода)	Эффект
Объём производства, т/год	5 000	6 000	+1 000
Цена продукта, ₽/т	200 000	200 000	—
Выручка, ₽/год	1 000 000 000	1 200 000 000	+200 000 000
Себестоимость сырья, ₽/год	400 000 000	400 000 000	0
Лицензия Smart Lab, ₽/год	0	5 000 000	+5 000 000
Дополнительная прибыль, ₽/год	—	—	+195 000 000
ROI	—	—	3900%

Расчёт консервативный: не учитывает дополнительные эффекты от снижения брака, сокращения энергозатрат и ускорения вывода продукта на рынок. При меньшем масштабе производства эффект пропорционально снижается, но остаётся кратным стоимости лицензии.

Масштабный эффект (по данным проекта)

15+

лабораторий ДЗО

~1 млрд ₽

базовая стоимость тестирования в год

~700 млн ₽

экономия в год

2,7 мес.

срок окупаемости тиражирования

1200%

заявленный ROI

>1,5 млрд ₽

суммарный эффект

Оговорка. Все прогнозные показатели являются иллюстративной моделью на основе консервативных допущений и данных проекта, а не гарантированным финансовым планом. Фактические результаты зависят от отрасли, масштаба предприятия, качества исходных данных и сложности рецептуры. По мере получения фактических данных (первые пилоты, реальные конверсии) модель подлежит пересчёту.