Kaip strateginis retas metalas, telūras yra svarbių pritaikymų saulės elementuose, termoelektrinėse medžiagose ir infraraudonųjų spindulių aptikime. Tradiciniai gryninimo procesai susiduria su tokiais iššūkiais kaip mažas efektyvumas, didelis energijos suvartojimas ir ribotas grynumo gerinimas. Šiame straipsnyje sistemingai pristatoma, kaip dirbtinio intelekto technologijos gali visapusiškai optimizuoti telūro gryninimo procesus.

1. Dabartinė telūro valymo technologijos būklė

1.1 Įprastiniai telūro valymo metodai ir apribojimai

Pagrindiniai valymo metodai:

• Vakuuminis distiliavimas: tinka pašalinti žemos virimo temperatūros priemaišas (pvz., Se, S)
• Zoninis rafinavimas: ypač efektyvus šalinant metalines priemaišas (pvz., Cu, Fe)
• Elektrolitinis rafinavimas: geba giliai pašalinti įvairias priemaišas
• Cheminis garų pernaša: gali pagaminti itin gryną telūrą (6N ir aukštesnės klasės)

Pagrindiniai iššūkiai:

• Proceso parametrai labiau priklauso nuo patirties, o ne nuo sistemingo optimizavimo
• Priemaišų šalinimo efektyvumas pasiekia kliūtis (ypač nemetalinių priemaišų, tokių kaip deguonis ir anglis), atveju
• Didelis energijos suvartojimas lemia didesnes gamybos sąnaudas
• Reikšmingi grynumo skirtumai tarp partijų ir prastas stabilumas

1.2 Svarbiausi telūro gryninimo optimizavimo parametrai

Pagrindinio proceso parametrų matrica:

2. Dirbtinio intelekto taikymo sistema telūro valymui

2.1 Bendra techninė architektūra

Trijų pakopų dirbtinio intelekto optimizavimo sistema:

1. Prognozavimo sluoksnis: mašininio mokymosi pagrindu veikiantys procesų rezultatų prognozavimo modeliai
2. Optimizavimo sluoksnis: daugiafunkciniai parametrų optimizavimo algoritmai
3. Valdymo sluoksnis: realaus laiko procesų valdymo sistemos

2.2 Duomenų rinkimo ir apdorojimo sistema

Kelių šaltinių duomenų integravimo sprendimas:

• Įrangos jutiklių duomenys: daugiau nei 200 parametrų, įskaitant temperatūrą, slėgį, srautą
• Proceso stebėjimo duomenys: internetinės masių spektrometrijos ir spektroskopinės analizės rezultatai
• Laboratorinių tyrimų duomenys: neprisijungus atliekamų ICP-MS, GDMS ir kt. tyrimų rezultatai.
• Istoriniai gamybos duomenys: gamybos įrašai per pastaruosius 5 metus (daugiau nei 1000 partijų)

Funkcijų inžinerija:

• Laiko eilučių požymių išskyrimas naudojant slankiojančio lango metodą
• Priemaišų migracijos kinetinių ypatybių konstravimas
• Proceso parametrų sąveikos matricų kūrimas
• Medžiagų ir energijos balanso ypatybių nustatymas

3. Išsamios pagrindinės dirbtinio intelekto optimizavimo technologijos

3.1 Giliuoju mokymusi pagrįstas procesų parametrų optimizavimas

Neuroninio tinklo architektūra:

• Įvesties sluoksnis: 56 dimensijų proceso parametrai (normalizuoti)
• Paslėpti sluoksniai: 3 LSTM sluoksniai (256 neuronai) + 2 pilnai sujungti sluoksniai
• Išvesties sluoksnis: 12 dimensijų kokybės rodikliai (grynumas, priemaišų kiekis ir kt.)

Mokymo strategijos:

• Mokymasis perkeliant duomenis: išankstinis mokymas naudojant panašių metalų (pvz., Se) gryninimo duomenis
• Aktyvus mokymasis: eksperimentinių dizainų optimizavimas taikant D-optimalią metodiką
• Pastiprinimo mokymasis: atlygio funkcijų nustatymas (grynumo gerinimas, energijos mažinimas)

Tipiniai optimizavimo atvejai:

• Vakuuminio distiliavimo temperatūros profilio optimizavimas: Se likučių sumažėjimas 42 %
• Zoninio rafinavimo greičio optimizavimas: 35 % geresnis vario pašalinimas
• Elektrolitų formulės optimizavimas: 28 % didesnis srovės efektyvumas

3.2 Kompiuterizuoti priemaišų šalinimo mechanizmo tyrimai

Molekulinės dinamikos modeliavimas:

• Te-X (X=O,S,Se ir kt.) sąveikos potencialo funkcijų kūrimas
• Priemaišų atskyrimo kinetikos modeliavimas skirtingose ​​temperatūrose
• Priedų ir priemaišų jungimosi energijų prognozavimas

Pirmųjų principų skaičiavimai:

• Priemaišų susidarymo energijų apskaičiavimas telūro gardelėje
• Optimalių chelatinių molekulinių struktūrų prognozavimas
• Garų pernašos reakcijos kelių optimizavimas

Taikymo pavyzdžiai:

• Atrastas naujas deguonies gaudyklė LaTe₂, sumažinantis deguonies kiekį iki 0,3 ppm
• Individualiai pritaikytų chelatinių medžiagų kūrimas, pagerinantis anglies dioksido šalinimo efektyvumą 60 %

3.3 Skaitmeninis dvynys ir virtualių procesų optimizavimas

Skaitmeninio dvynuko sistemos konstrukcija:

1. Geometrinis modelis: tiksli įrangos 3D reprodukcija
2. Fizinis modelis: susietasis šilumos perdavimas, masės perdavimas ir skysčių dinamika
3. Cheminis modelis: Integruota priemaišų reakcijos kinetika
4. Valdymo modelis: imituotos valdymo sistemos reakcijos

Virtualus optimizavimo procesas:

• Daugiau nei 500 procesų derinių testavimas skaitmeninėje erdvėje
• Kritinių jautrių parametrų nustatymas (CSV analizė)
• Optimalių veikimo langų prognozavimas (OWC analizė)
• Proceso patikimumo patvirtinimas (Monte Karlo modeliavimas)

4. Pramoninio įgyvendinimo kelias ir naudos analizė

4.1 Laipsniškas įgyvendinimo planas

I etapas (0–6 mėnesiai):

• Pagrindinių duomenų rinkimo sistemų diegimas
• Procesų duomenų bazės sukūrimas
• Preliminarių prognozavimo modelių kūrimas
• Pagrindinių parametrų stebėsenos įgyvendinimas

II etapas (6–12 mėnesių):

• Skaitmeninio dvynuko sistemos užbaigimas
• Pagrindinių procesų modulių optimizavimas
• Bandomojo uždarojo ciklo valdymo įgyvendinimas
• Kokybės atsekamumo sistemos kūrimas

III etapas (12–18 mėnesių):

• Viso proceso dirbtinio intelekto optimizavimas
• Adaptyvios valdymo sistemos
• Pažangios priežiūros sistemos
• Nuolatinio mokymosi mechanizmai

4.2 Laukiama ekonominė nauda

50 tonų metinės didelio grynumo telūro gamybos atvejo analizė:

5. Techniniai iššūkiai ir sprendimai

5.1 Pagrindiniai techniniai kliūtys

1. Duomenų kokybės problemos:
   • Pramonės duomenyse yra daug triukšmo ir trūkstamų verčių
   • Nenuoseklūs standartai skirtinguose duomenų šaltiniuose
   • Ilgi duomenų gavimo ciklai, skirti didelio grynumo analizės duomenims
2. Modelio apibendrinimas:
   • Žaliavų skirtumai sukelia modelio gedimus
   • Įrangos senėjimas veikia proceso stabilumą
   • Naujos produkto specifikacijos reikalauja modelio perkvalifikavimo
3. Sistemos integravimo sunkumai:
   • Suderinamumo problemos tarp senos ir naujos įrangos
   • Realaus laiko valdymo reagavimo vėlavimai
   • Saugos ir patikimumo tikrinimo iššūkiai

5.2 Novatoriški sprendimai

Adaptyvus duomenų tobulinimas:

• GAN pagrindu veikiantis proceso duomenų generavimas
• Mokymosi perkėlimas siekiant kompensuoti duomenų trūkumą
• Pusiau prižiūrimas mokymasis naudojant nepažymėtus duomenis

Hibridinio modeliavimo metodas:

• Fizikos apribojimais pagrįsti duomenų modeliai
• Mechanizmais valdomos neuroninių tinklų architektūros
• Daugiafunkcinio modelio sintezė

Bendradarbiavimas debesijos kraštuose:

• Kritinių valdymo algoritmų diegimas kraštuose
• Debesų kompiuterija sudėtingoms optimizavimo užduotims
• Mažo delsos 5G ryšys

6. Būsimos plėtros kryptys

1. Pažangios medžiagos kūrimas:
   • Dirbtinio intelekto sukurtos specializuotos valymo medžiagos
   • Didelio našumo optimalių priedų derinių atranka
   • Naujų priemaišų surinkimo mechanizmų prognozavimas
2. Visiškai autonominis optimizavimas:
   • Savęs suvokimo proceso būsenos
   • Savaime optimizuojami veikimo parametrai
   • Savaime koreguojantis anomalijų sprendimas
3. Žaliosios valymo procesai:
   • Minimalus energijos kelio optimizavimas
   • Atliekų perdirbimo sprendimai
   • Anglies pėdsako stebėjimas realiuoju laiku

Dėl gilios dirbtinio intelekto integracijos telūro valymas išgyvena revoliucinę transformaciją – nuo ​​patirtimi pagrįsto prie duomenimis pagrįsto, nuo segmentuoto optimizavimo prie holistinio optimizavimo. Įmonėms patariama taikyti „bendrojo planavimo, etapinio įgyvendinimo“ strategiją, teikiant pirmenybę svarbiausių proceso etapų proveržiams ir palaipsniui kuriant išsamias išmaniąsias valymo sistemas.