Як найважнейшы стратэгічны рэдкі метал, тэлур знаходзіць важнае прымяненне ў сонечных элементах, тэрмаэлектрычных матэрыялах і інфрачырвоным выяўленні. Традыцыйныя працэсы ачысткі сутыкаюцца з такімі праблемамі, як нізкая эфектыўнасць, высокае спажыванне энергіі і абмежаванае паляпшэнне чысціні. У гэтым артыкуле сістэматычна апісваецца, як тэхналогіі штучнага інтэлекту могуць усебакова аптымізаваць працэсы ачысткі тэлура.

1. Сучасны стан тэхналогіі ачысткі тэлура

1.1 Традыцыйныя метады ачысткі тэлура і іх абмежаванні

Асноўныя метады ачысткі:

• Вакуумная дыстыляцыя: падыходзіць для выдалення прымешак з нізкай тэмпературай кіпення (напрыклад, Se, S)
• Зонавае рафінаванне: асабліва эфектыўнае для выдалення металічных прымешак (напрыклад, Cu, Fe)
• Электралітычнае рафінаванне: здольнае глыбока выдаляць розныя прымешкі
• Транспарт хімічных пароў: можа вырабляць тэлур звышвысокай чысціні (клас 6N і вышэй)

Асноўныя праблемы:

• Параметры працэсу залежаць ад вопыту, а не ад сістэматычнай аптымізацыі
• Эфектыўнасць выдалення прымешак дасягае вузкіх месцаў (асабліва для неметалічных прымешак, такіх як кісларод і вуглярод)
• Высокае спажыванне энергіі прыводзіць да павышэння выдаткаў на вытворчасць
• Значныя адрозненні чысціні ад партыі да партыі і нізкая стабільнасць

1.2 Крытычныя параметры для аптымізацыі ачысткі тэлура

Матрыца асноўных параметраў працэсу:

2. Прыкладная платформа штучнага інтэлекту для ачысткі тэлуру

2.1 Агульная тэхнічная архітэктура

Трохузроўневая сістэма аптымізацыі штучнага інтэлекту:

1. Прагназаванне ўзроўню: мадэлі прагназавання вынікаў працэсаў на аснове машыннага навучання
2. Аптымізацыя ўзроўню: алгарытмы аптымізацыі параметраў з некалькімі крытэрыямі
3. Кіруючы ўзровень: сістэмы кіравання працэсамі ў рэжыме рэальнага часу

2.2 Сістэма збору і апрацоўкі дадзеных

Рашэнне для інтэграцыі дадзеных з некалькіх крыніц:

• Дадзеныя датчыкаў абсталявання: больш за 200 параметраў, у тым ліку тэмпература, ціск, хуткасць патоку
• Дадзеныя маніторынгу працэсаў: вынікі анлайн-мас-спектрометрыі і спектраскапічнага аналізу
• Дадзеныя лабараторнага аналізу: вынікі аўтаномных тэстаў з дапамогай ICP-MS, GDMS і г.д.
• Гістарычныя вытворчыя дадзеныя: вытворчыя запісы за апошнія 5 гадоў (больш за 1000 партый)

Інжынерыя функцый:

• Вылучэнне прыкмет часовых шэрагаў з выкарыстаннем метаду слізгальнага акна
• Пабудова кінетычных асаблівасцей міграцыі прымешак
• Распрацоўка матрыц узаемадзеяння параметраў працэсу
• Устанаўленне асаблівасцей матэрыяльна-энергетычнага балансу

3. Падрабязныя асноўныя тэхналогіі аптымізацыі штучнага інтэлекту

3.1 Аптымізацыя параметраў працэсу на аснове глыбокага навучання

Архітэктура нейроннай сеткі:

• Уваходны пласт: 56-мерныя параметры працэсу (нармаваныя)
• Схаваныя пласты: 3 пласты LSTM (256 нейронаў) + 2 цалкам звязаныя пласты
• Выхадны пласт: 12-мерныя паказчыкі якасці (чысціня, утрыманне прымешак і г.д.)

Стратэгіі навучання:

• Трансфернае навучанне: папярэдняе навучанне з выкарыстаннем дадзеных ачысткі падобных металаў (напрыклад, Se)
• Актыўнае навучанне: аптымізацыя эксперыментальных планаў з дапамогай D-аптымальнай метадалогіі
• Навучанне з падмацаваннем: усталяванне функцый узнагароджання (паляпшэнне чысціні, зніжэнне энергіі)

Тыповыя выпадкі аптымізацыі:

• Аптымізацыя тэмпературнага профілю вакуумнай дыстыляцыі: зніжэнне рэшткаў Se на 42%
• Аптымізацыя хуткасці зоннага рафінавання: паляпшэнне выдалення медзі на 35%
• Аптымізацыя рэцэптуры электраліта: павелічэнне эфектыўнасці па току на 28%

3.2 Даследаванні механізмаў выдалення прымешак з дапамогай камп'ютэрнага кіравання

Малекулярна-дынамічнае мадэляванне:

• Распрацоўка функцый патэнцыялу ўзаемадзеяння Te-X (X=O,S,Se і г.д.)
• Мадэляванне кінетыкі аддзялення прымешак пры розных тэмпературах
• Прагназаванне энергій сувязі адытыўна-прымесных рэчываў

Разлікі па першых прынцыпах:

• Разлік энергій утварэння прымесей у рашотцы тэлура
• Прагназаванне аптымальных хелатных малекулярных структур
• Аптымізацыя шляхоў рэакцый пераносу пары

Прыклады прымянення:

• Адкрыццё новага паглынальніка кіслароду LaTe₂, які зніжае ўтрыманне кіслароду да 0,3 праміле
• Распрацоўка спецыялізаваных хелатарных агентаў, якія паляпшаюць эфектыўнасць выдалення вугляроду на 60%

3.3 Лічбавы двайнік і аптымізацыя віртуальных працэсаў

Канструкцыя сістэмы лічбавых двайнікоў:

1. Геаметрычная мадэль: Дакладнае 3D-капіраванне абсталявання
2. Фізічная мадэль: спалучаная цеплаперадача, масаперадача і дынаміка вадкасці
3. Хімічная мадэль: інтэграваная кінетыка рэакцыі прымесей
4. Мадэль кіравання: Мадэляваныя рэакцыі сістэмы кіравання

Працэс віртуальнай аптымізацыі:

• Тэставанне больш за 500 камбінацый працэсаў у лічбавай прасторы
• Вызначэнне крытычна адчувальных параметраў (аналіз CSV)
• Прагназаванне аптымальных аперацыйных вокнаў (аналіз OWC)
• Праверка надзейнасці працэсу (мадэляванне метадам Монтэ-Карла)

4. Аналіз шляхоў прамысловай рэалізацыі і пераваг

4.1 Паэтапны план рэалізацыі

Фаза I (0-6 месяцаў):

• Разгортванне базавых сістэм збору дадзеных
• Стварэнне базы дадзеных працэсаў
• Распрацоўка папярэдніх прагнастычных мадэляў
• Укараненне маніторынгу ключавых параметраў

Фаза II (6-12 месяцаў):

• Завяршэнне сістэмы лічбавых двайнікоў
• Аптымізацыя асноўных працэсных модуляў
• Рэалізацыя пілотнага праекта па кіраванні ў замкнёным контуры
• Распрацоўка сістэмы адсочвання якасці

Фаза III (12-18 месяцаў):

• Поўная аптымізацыя штучнага інтэлекту
• Адаптыўныя сістэмы кіравання
• Інтэлектуальныя сістэмы тэхнічнага абслугоўвання
• Механізмы бесперапыннага навучання

4.2 Чаканыя эканамічныя выгады

Тэматычнае даследаванне штогадовай вытворчасці 50 тон высокачыстага тэлуру:

5. Тэхнічныя праблемы і рашэнні

5.1 Асноўныя тэхнічныя вузкія месцы

1. Праблемы якасці дадзеных:
   • Прамысловыя дадзеныя ўтрымліваюць значны шум і адсутныя значэнні
   • Непаслядоўныя стандарты ў розных крыніцах дадзеных
   • Працяглыя цыклы збору дадзеных для аналізу высокай чысціні
2. Абагульненне мадэлі:
   • Варыяцыі сыравіны прыводзяць да збояў мадэлі
   • Старэнне абсталявання ўплывае на стабільнасць працэсу
   • Новыя спецыфікацыі прадукту патрабуюць перанавучання мадэлі
3. Цяжкасці сістэмнай інтэграцыі:
   • Праблемы сумяшчальнасці паміж старым і новым абсталяваннем
   • Затрымкі рэагавання кіравання ў рэжыме рэальнага часу
   • Праблемы праверкі бяспекі і надзейнасці

5.2 Інавацыйныя рашэнні

Адаптыўнае паляпшэнне дадзеных:

• Генерацыя дадзеных працэсаў на аснове GAN
• Перадача ведаў для кампенсацыі дэфіцыту дадзеных
• Паўнагляднае навучанне з выкарыстаннем немаркаваных дадзеных

Гібрыдны падыход да мадэлявання:

• Мадэлі дадзеных з абмежаваннямі фізікі
• Архітэктуры нейронных сетак, кіраваных механізмамі
• Зліццё шматфункцыянальных мадэляў

Сумесныя вылічэнні на перыферыйным воблаку:

• Разгортванне крытычна важных алгарытмаў кіравання на перыферыі
• Воблачныя вылічэнні для складаных задач аптымізацыі
• 5G-сувязь з нізкай затрымкай

6. Напрамкі далейшага развіцця

1. Інтэлектуальная распрацоўка матэрыялаў:
   • Спецыялізаваныя ачышчальныя матэрыялы, распрацаваныя штучным інтэлектам
   • Высокапрадукцыйны скрынінг аптымальных камбінацый адытыўнай ежы
   • Прагназаванне новых механізмаў захопу прымешак
2. Цалкам аўтаномная аптымізацыя:
   • Станы самасвядомага працэсу
   • Самааптымізацыя эксплуатацыйных параметраў
   • Самакарэкцыйнае вырашэнне анамалій
3. Працэсы зялёнай ачысткі:
   • Аптымізацыя шляху мінімальнай энергіі
   • Рашэнні па перапрацоўцы адходаў
   • Маніторынг вугляроднага следу ў рэжыме рэальнага часу

Дзякуючы глыбокай інтэграцыі штучнага інтэлекту, ачыстка тэлуру перажывае рэвалюцыйную трансфармацыю ад арыентаванай на вопыт да арыентаванай на дадзеныя, ад сегментаванай аптымізацыі да комплекснай аптымізацыі. Кампаніям рэкамендуецца прыняць стратэгію «генеральнага планавання, паэтапнага ўкаранення», аддаючы прыярытэт прарывам у крытычных этапах працэсу і паступова ствараючы комплексныя інтэлектуальныя сістэмы ачысткі.