Kā kritiski svarīgs stratēģisks retmetāls, telūrs tiek plaši izmantots saules baterijās, termoelektriskos materiālos un infrasarkanajā detektorā. Tradicionālie attīrīšanas procesi saskaras ar tādiem izaicinājumiem kā zema efektivitāte, augsts enerģijas patēriņš un ierobežota tīrības uzlabošana. Šajā rakstā sistemātiski tiek iepazīstināts ar to, kā mākslīgā intelekta tehnoloģijas var visaptveroši optimizēt telūra attīrīšanas procesus.

1. Telūra attīrīšanas tehnoloģijas pašreizējais statuss

1.1 Tradicionālās telūra attīrīšanas metodes un ierobežojumi

Galvenās attīrīšanas metodes:

• Vakuuma destilācija: piemērota zemas viršanas temperatūras piemaisījumu (piemēram, Se, S) atdalīšanai.
• Zonas rafinēšana: Īpaši efektīva metālu piemaisījumu (piemēram, Cu, Fe) noņemšanai
• Elektrolītiskā rafinēšana: spēj dziļi noņemt dažādus piemaisījumus
• Ķīmiskā tvaiku transportēšana: Var ražot īpaši augstas tīrības pakāpes telūru (6N pakāpe un augstāka)

Galvenie izaicinājumi:

• Procesa parametri balstās uz pieredzi, nevis sistemātisku optimizāciju
• Piemaisījumu atdalīšanas efektivitāte sasniedz vājās vietas (īpaši nemetāliskiem piemaisījumiem, piemēram, skābeklim un ogleklim)
• Augsts enerģijas patēriņš noved pie paaugstinātām ražošanas izmaksām
• Būtiskas tīrības atšķirības starp partijām un slikta stabilitāte

1.2 Telūra attīrīšanas optimizācijas kritiskie parametri

Galvenā procesa parametru matrica:

2. Mākslīgā intelekta lietojumprogrammu ietvars telūra attīrīšanai

2.1 Vispārējā tehniskā arhitektūra

Trīs līmeņu mākslīgā intelekta optimizācijas sistēma:

1. Prognozēšanas slānis: uz mašīnmācīšanos balstīti procesa rezultātu prognozēšanas modeļi
2. Optimizācijas slānis: daudzkritēriju parametru optimizācijas algoritmi
3. Vadības slānis: reāllaika procesu vadības sistēmas

2.2 Datu ieguves un apstrādes sistēma

Vairāku avotu datu integrācijas risinājums:

• Iekārtu sensoru dati: vairāk nekā 200 parametri, tostarp temperatūra, spiediens, plūsmas ātrums
• Procesa uzraudzības dati: tiešsaistes masas spektrometrijas un spektroskopiskās analīzes rezultāti
• Laboratorijas analīžu dati: bezsaistes testēšanas rezultāti no ICP-MS, GDMS u. c.
• Vēsturiskie ražošanas dati: Ražošanas ieraksti par pēdējiem 5 gadiem (vairāk nekā 1000 partijas)

Funkciju inženierija:

• Laikrindu pazīmju ieguve, izmantojot bīdāmā loga metodi
• Piemaisījumu migrācijas kinētisko īpašību konstruēšana
• Procesa parametru mijiedarbības matricu izstrāde
• Materiālu un enerģijas bilances pazīmju noteikšana

3. Detalizētas galvenās mākslīgā intelekta optimizācijas tehnoloģijas

3.1 Dziļās mācīšanās procesa parametru optimizācija

Neironu tīkla arhitektūra:

• Ievades slānis: 56 dimensiju procesa parametri (normalizēti)
• Slēptie slāņi: 3 LSTM slāņi (256 neironi) + 2 pilnībā savienoti slāņi
• Izvades slānis: 12 dimensiju kvalitātes indikatori (tīrība, piemaisījumu saturs utt.)

Apmācības stratēģijas:

• Mācību pārnešana: iepriekšēja apmācība, izmantojot līdzīgu metālu (piemēram, Se) attīrīšanas datus
• Aktīva mācīšanās: eksperimentālo dizainu optimizācija, izmantojot D-optimālo metodoloģiju
• Pastiprināšanas mācīšanās: atlīdzības funkciju noteikšana (tīrības uzlabošana, enerģijas samazināšana)

Tipiski optimizācijas gadījumi:

• Vakuuma destilācijas temperatūras profila optimizācija: Se atlikumu samazinājums par 42 %
• Zonas rafinēšanas ātruma optimizācija: par 35 % labāka Cu noņemšana
• Elektrolītu formulas optimizācija: strāvas efektivitātes pieaugums par 28 %

3.2 Datorizēti piemaisījumu atdalīšanas mehānisma pētījumi

Molekulārās dinamikas simulācijas:

• Te-X (X=O,S,Se utt.) mijiedarbības potenciāla funkciju izstrāde
• Piemaisījumu atdalīšanas kinētikas simulācija dažādās temperatūrās
• Piedevu un piemaisījumu saistīšanās enerģiju prognozēšana

Pirmā principa aprēķini:

• Piemaisījumu veidošanās enerģiju aprēķins telūra režģī
• Optimālu helātu molekulāro struktūru prognozēšana
• Tvaika transporta reakcijas ceļu optimizācija

Pielietojuma piemēri:

• Atklāts jauns skābekļa absorbētājs LaTe₂, kas samazina skābekļa saturu līdz 0,3 ppm
• Pielāgotu helātu veidojošo vielu izstrāde, kas uzlabo oglekļa atdalīšanas efektivitāti par 60 %

3.3 Digitālais dvīnis un virtuālo procesu optimizācija

Digitālās dvīņu sistēmas konstrukcija:

1. Ģeometriskais modelis: precīza aprīkojuma 3D reprodukcija
2. Fiziskais modelis: Saistītā siltuma pārnešana, masas pārnešana un šķidrumu dinamika
3. Ķīmiskais modelis: Integrētā piemaisījumu reakcijas kinētika
4. Vadības modelis: Simulētas vadības sistēmas reakcijas

Virtuālās optimizācijas process:

• Vairāk nekā 500 procesu kombināciju testēšana digitālajā telpā
• Kritiski jutīgu parametru identificēšana (CSV analīze)
• Optimālo darbības logu prognozēšana (OWC analīze)
• Procesa robustuma validācija (Montekarlo simulācija)

4. Rūpnieciskās ieviešanas ceļš un ieguvumu analīze

4.1 Pakāpenisks ieviešanas plāns

I fāze (0–6 mēneši):

• Pamata datu ieguves sistēmu izvietošana
• Procesu datubāzes izveide
• Provizorisko prognozēšanas modeļu izstrāde
• Galveno parametru uzraudzības ieviešana

II fāze (6–12 mēneši):

• Digitālā dvīņa sistēmas pabeigšana
• Galveno procesu moduļu optimizācija
• Pilota slēgtas cilpas vadības ieviešana
• Kvalitātes izsekojamības sistēmas izstrāde

III fāze (12–18 mēneši):

• Pilna procesa mākslīgā intelekta optimizācija
• Adaptīvās vadības sistēmas
• Inteliģentas apkopes sistēmas
• Nepārtrauktas mācīšanās mehānismi

4.2 Paredzamie ekonomiskie ieguvumi

Gadījuma izpēte par 50 tonnu gada augstas tīrības pakāpes telūra ražošanu:

5. Tehniskas problēmas un risinājumi

5.1 Galvenās tehniskās problēmas

1. Datu kvalitātes problēmas:
   • Rūpnieciskie dati satur ievērojamu troksni un trūkstošas ​​vērtības
   • Nekonsekventi standarti dažādos datu avotos
   • Ilgi iegūšanas cikli augstas tīrības analīzes datiem
2. Modeļa vispārināšana:
   • Izejvielu variācijas izraisa modeļa kļūmes
   • Iekārtu novecošana ietekmē procesa stabilitāti
   • Jaunām produktu specifikācijām nepieciešama modeļa pārapmācība
3. Sistēmas integrācijas grūtības:
   • Saderības problēmas starp vecām un jaunām iekārtām
   • Reāllaika vadības reakcijas aizkaves
   • Drošības un uzticamības pārbaudes izaicinājumi

5.2 Inovatīvi risinājumi

Adaptīvā datu uzlabošana:

• GAN balstīta procesa datu ģenerēšana
• Mācīšanās pārnešana, lai kompensētu datu trūkumu
• Daļēji uzraudzīta mācīšanās, izmantojot nemarķētus datus

Hibrīda modelēšanas pieeja:

• Fizikas ierobežoti datu modeļi
• Mehānismu vadītas neironu tīklu arhitektūras
• Daudzpusīgas precizitātes modeļu sapludināšana

Perifērijas mākoņa sadarbības skaitļošana:

• Kritisko vadības algoritmu izvietošana malās
• Mākoņdatošana sarežģītiem optimizācijas uzdevumiem
• Zema latentuma 5G sakari

6. Turpmākās attīstības virzieni

1. Inteliģenta materiālu izstrāde:
   • Mākslīgā intelekta izstrādāti specializēti attīrīšanas materiāli
   • Optimālu piedevu kombināciju augstas caurlaidības skrīnings
   • Jaunu piemaisījumu uztveršanas mehānismu prognozēšana
2. Pilnībā autonoma optimizācija:
   • Pašapzinīgi procesa stāvokļi
   • Pašoptimizējoši darbības parametri
   • Paškoriģējoša anomāliju novēršana
3. Zaļās attīrīšanas procesi:
   • Minimālās enerģijas ceļa optimizācija
   • Atkritumu pārstrādes risinājumi
   • Oglekļa pēdas monitorings reāllaikā

Pateicoties dziļai mākslīgā intelekta integrācijai, telūra attīrīšana piedzīvo revolucionāru pārveidi no pieredzes vadītas uz datu vadītu, no segmentētas optimizācijas uz holistisku optimizāciju. Uzņēmumiem ieteicams pieņemt "vispārējās plānošanas, pakāpeniskas ieviešanas" stratēģiju, prioritāri piešķirot sasniegumiem kritiskos procesa posmos un pakāpeniski veidojot visaptverošas intelektuālas attīrīšanas sistēmas.