Как критически важный стратегический редкий металл, теллур находит важное применение в солнечных батареях, термоэлектрических материалах и инфракрасном детектировании. Традиционные процессы очистки сталкиваются с такими проблемами, как низкая эффективность, высокое потребление энергии и ограниченное улучшение чистоты. В этой статье систематически представлено, как технологии искусственного интеллекта могут всесторонне оптимизировать процессы очистки теллура.

1. Текущее состояние технологии очистки теллура

1.1 Традиционные методы очистки теллура и ограничения

Основные методы очистки:

• Вакуумная перегонка: подходит для удаления примесей с низкой температурой кипения (например, Se, S)
• Зонная очистка: особенно эффективна для удаления металлических примесей (например, Cu, Fe)
• Электролитическое рафинирование: позволяет глубоко удалить различные примеси.
• Химический перенос паров: позволяет производить теллур сверхвысокой чистоты (класса 6N и выше).

Основные проблемы:

• Параметры процесса зависят от опыта, а не от систематической оптимизации
• Эффективность удаления примесей достигает узких мест (особенно для неметаллических примесей, таких как кислород и углерод)
• Высокое потребление энергии приводит к повышению себестоимости продукции
• Значительные различия в чистоте от партии к партии и плохая стабильность

1.2 Критические параметры для оптимизации очистки теллура

Матрица основных параметров процесса:

2. Структура приложения ИИ для очистки теллура

2.1 Общая техническая архитектура

Трехуровневая система оптимизации ИИ:

1. Уровень прогнозирования: модели прогнозирования результатов процесса на основе машинного обучения
2. Уровень оптимизации: многоцелевые алгоритмы оптимизации параметров
3. Уровень управления: системы управления процессами в реальном времени

2.2 Система сбора и обработки данных

Решение для интеграции данных из нескольких источников:

• Данные датчиков оборудования: более 200 параметров, включая температуру, давление, расход
• Данные мониторинга процесса: результаты онлайн-масс-спектрометрии и спектроскопического анализа
• Данные лабораторного анализа: результаты офлайн-тестирования с помощью ICP-MS, GDMS и т. д.
• Исторические данные о производстве: Производственные записи за последние 5 лет (более 1000 партий)

Особенности проектирования:

• Извлечение признаков временного ряда с использованием метода скользящего окна
• Построение кинетических характеристик миграции примесей
• Разработка матриц взаимодействия параметров процесса
• Установление особенностей материального и энергетического баланса

3. Подробные основные технологии оптимизации ИИ

3.1 Оптимизация параметров процесса на основе глубокого обучения

Архитектура нейронной сети:

• Входной слой: 56-мерные параметры процесса (нормализованные)
• Скрытые слои: 3 слоя LSTM (256 нейронов) + 2 полностью связанных слоя
• Выходной слой: 12-мерные показатели качества (чистота, содержание примесей и т. д.)

Стратегии обучения:

• Передача обучения: предварительное обучение с использованием данных очистки аналогичных металлов (например, Se)
• Активное обучение: Оптимизация экспериментальных проектов с помощью D-optimimal методологии
• Обучение с подкреплением: установление функций вознаграждения (улучшение чистоты, снижение энергии)

Типичные случаи оптимизации:

• Оптимизация температурного профиля вакуумной дистилляции: снижение остатка Se на 42%
• Оптимизация скорости зонной очистки: улучшение удаления Cu на 35%
• Оптимизация состава электролита: повышение эффективности тока на 28%

3.2 Исследования механизмов удаления примесей с помощью компьютера

Моделирование молекулярной динамики:

• Разработка потенциальных функций взаимодействия Te-X (X=O,S,Se и т.д.)
• Моделирование кинетики разделения примесей при различных температурах
• Прогнозирование энергий связи примесей и аддитивов

Расчеты на основе первых принципов:

• Расчет энергий образования примесей в решетке теллура
• Прогнозирование оптимальных хелатирующих молекулярных структур
• Оптимизация путей реакции переноса паров

Примеры применения:

• Открытие нового поглотителя кислорода LaTe₂, снижающего содержание кислорода до 0,3 ppm
• Разработка индивидуальных хелатирующих агентов, повышающих эффективность удаления углерода на 60%

3.3 Цифровой двойник и виртуальная оптимизация процессов

Построение системы цифровых двойников:

1. Геометрическая модель: точное 3D-воспроизведение оборудования
2. Физическая модель: Связанный перенос тепла, массоперенос и динамика жидкости
3. Химическая модель: Интегральная кинетика реакции примесей
4. Модель управления: Имитация реакций системы управления

Процесс виртуальной оптимизации:

• Тестирование более 500 комбинаций процессов в цифровом пространстве
• Определение критических чувствительных параметров (анализ CSV)
• Прогнозирование оптимальных операционных окон (анализ OWC)
• Проверка надежности процесса (моделирование Монте-Карло)

4. Путь промышленного внедрения и анализ выгод

4.1 Поэтапный план внедрения

Фаза I (0-6 месяцев):

• Развертывание базовых систем сбора данных
• Создание базы данных процессов
• Разработка предварительных прогностических моделей
• Реализация мониторинга ключевых параметров

Фаза II (6-12 месяцев):

• Завершение системы цифровых двойников
• Оптимизация основных технологических модулей
• Реализация пилотного замкнутого контура управления
• Разработка системы прослеживаемости качества

Фаза III (12–18 месяцев):

• Оптимизация полного процесса ИИ
• Адаптивные системы управления
• Интеллектуальные системы обслуживания
• Механизмы непрерывного обучения

4.2 Ожидаемые экономические выгоды

Исследование случая производства 50 тонн высокочистого теллура в год:

5. Технические проблемы и решения

5.1 Основные технические узкие места

1. Проблемы с качеством данных:
   • Промышленные данные содержат значительный шум и пропущенные значения.
   • Несогласованные стандарты в разных источниках данных
   • Длительные циклы сбора данных для высокочистого анализа
2. Обобщение модели:
   • Изменения в сырье приводят к сбоям в работе модели
   • Старение оборудования влияет на стабильность процесса
   • Новые спецификации продукта требуют переобучения модели
3. Трудности системной интеграции:
   • Проблемы совместимости между старым и новым оборудованием
   • Задержки реагирования управления в реальном времени
   • Проблемы проверки безопасности и надежности

5.2 Инновационные решения

Адаптивное улучшение данных:

• Генерация данных процесса на основе GAN
• Передача обучения для компенсации дефицита данных
• Полуконтролируемое обучение с использованием немаркированных данных

Гибридный подход к моделированию:

• Модели данных с физическими ограничениями
• Архитектуры нейронных сетей, управляемые механизмами
• Слияние моделей с множественной точностью

Совместные вычисления на периферии облака:

• Периферийное развертывание критических алгоритмов управления
• Облачные вычисления для сложных задач оптимизации
• Связь 5G с малой задержкой

6. Будущие направления развития

1. Разработка интеллектуальных материалов:
   • Специализированные очистные материалы, разработанные с помощью искусственного интеллекта
   • Высокопроизводительный скрининг оптимальных комбинаций добавок
   • Прогнозирование новых механизмов захвата примесей
2. Полностью автономная оптимизация:
   • Состояния процесса самосознания
   • Самооптимизирующиеся рабочие параметры
   • Самокорректирующееся разрешение аномалий
3. Процессы зеленой очистки:
   • Оптимизация пути минимальной энергии
   • Решения по переработке отходов
   • Мониторинг углеродного следа в режиме реального времени

Благодаря глубокой интеграции ИИ очистка теллура переживает революционную трансформацию от ориентированной на опыт к ориентированной на данные, от сегментированной оптимизации к целостной оптимизации. Компаниям рекомендуется принять стратегию «главного планирования, поэтапного внедрения», отдавая приоритет прорывам на критических этапах процесса и постепенно создавая комплексные интеллектуальные системы очистки.