Olulise strateegilise haruldase metallina leiab telluurium olulisi rakendusi päikesepatareides, termoelektrilistes materjalides ja infrapunadetektorites. Traditsioonilised puhastusprotsessid seisavad silmitsi selliste väljakutsetega nagu madal efektiivsus, suur energiatarve ja piiratud puhtuse paranemine. See artikkel tutvustab süstemaatiliselt, kuidas tehisintellekti tehnoloogiad saavad telluuri puhastusprotsesse igakülgselt optimeerida.

1. Telluuri puhastustehnoloogia praegune olukord

1.1 Tavapärased telluuri puhastusmeetodid ja piirangud

Peamised puhastusmeetodid:

• Vaakumdestillatsioon: sobib madala keemistemperatuuriga lisandite (nt Se, S) eemaldamiseks
• Tsooni rafineerimine: Eriti efektiivne metalliliste lisandite (nt Cu, Fe) eemaldamisel
• Elektrolüütiline rafineerimine: võimeline eemaldama mitmesuguseid lisandeid sügavuti
• Keemiline aurutransport: Võib toota ülikõrge puhtusastmega telluuri (6N klass ja kõrgem)

Peamised väljakutsed:

• Protsessi parameetrid tuginevad pigem kogemusele kui süstemaatilisele optimeerimisele
• Lisandite eemaldamise efektiivsus on madal (eriti mittemetalliliste lisandite, näiteks hapniku ja süsiniku puhul).
• Suur energiatarbimine toob kaasa kõrgemad tootmiskulud
• Partiidevahelised puhtuse olulised erinevused ja halb stabiilsus

1.2 Telluuri puhastamise optimeerimise kriitilised parameetrid

Põhiprotsessi parameetrite maatriks:

2. Telluuri puhastamise tehisintellekti rakenduste raamistik

2.1 Üldine tehniline arhitektuur

Kolmetasandiline tehisintellekti optimeerimissüsteem:

1. Ennustamiskiht: masinõppel põhinevad protsessi tulemuste ennustamise mudelid
2. Optimeerimiskiht: mitme eesmärgiga parameetrite optimeerimise algoritmid
3. Juhtimiskiht: reaalajas protsesside juhtimissüsteemid

2.2 Andmete kogumise ja töötlemise süsteem

Mitme allika andmete integreerimise lahendus:

• Seadme andurite andmed: üle 200 parameetri, sh temperatuur, rõhk, voolukiirus
• Protsessi jälgimise andmed: online-massispektromeetria ja spektroskoopilise analüüsi tulemused
• Laborianalüüsi andmed: ICP-MS-i, GDMS-i jne võrguühenduseta testimise tulemused.
• Ajaloolised tootmisandmed: viimase 5 aasta tootmisdokumendid (1000+ partiid)

Funktsioonide projekteerimine:

• Ajaseeria tunnuste eraldamine libiseva akna meetodil
• Lisandite migratsiooni kineetiliste tunnuste konstrueerimine
• Protsessiparameetrite interaktsioonimaatriksite väljatöötamine
• Materjali- ja energiabilansi tunnuste kindlaksmääramine

3. Üksikasjalikud tehisintellekti optimeerimise põhitehnoloogiad

3.1 Süvaõppel põhinev protsessiparameetrite optimeerimine

Neuraalvõrgu arhitektuur:

• Sisendkiht: 56-mõõtmelised protsessiparameetrid (normaliseeritud)
• Varjatud kihid: 3 LSTM kihti (256 neuronit) + 2 täielikult ühendatud kihti
• Väljundkiht: 12-mõõtmelised kvaliteedinäitajad (puhtus, lisandite sisaldus jne)

Treeningstrateegiad:

• Ülekandeõpe: eelkoolitus sarnaste metallide (nt Se) puhastusandmete abil
• Aktiivõpe: eksperimentaalsete disainide optimeerimine D-optimaalse metoodika abil
• Tugevdusõpe: tasufunktsioonide loomine (puhtuse parandamine, energia vähendamine)

Tüüpilised optimeerimise juhtumid:

• Vaakumdestillatsiooni temperatuuriprofiili optimeerimine: Se jäägi vähenemine 42%
• Tsooni rafineerimiskiiruse optimeerimine: Cu eemaldamise paranemine 35%
• Elektrolüütide koostise optimeerimine: voolutõhususe kasv 28%

3.2 Arvutipõhised lisandite eemaldamise mehhanismi uuringud

Molekulaardünaamika simulatsioonid:

• Te-X (X=O,S,Se jne) interaktsioonipotentsiaali funktsioonide väljatöötamine
• Lisandite eraldumise kineetika simulatsioon erinevatel temperatuuridel
• Lisandite ja lisandite sidumisenergiate ennustamine

Esimese printsiibi arvutused:

• Lisandite moodustumisenergiate arvutamine telluuri võres
• Optimaalsete kelaativate molekulaarstruktuuride ennustamine
• Aurutranspordi reaktsiooniteede optimeerimine

Rakendusnäited:

• Uudse hapnikupüüdja ​​LaTe₂ avastamine, mis vähendab hapnikusisaldust 0,3 ppm-ni
• Kohandatud kelaativate ainete disain, mis parandab süsiniku eemaldamise efektiivsust 60% võrra

3.3 Digitaalne kaksik ja virtuaalne protsesside optimeerimine

Digitaalse kaksiksüsteemi ehitus:

1. Geomeetriline mudel: seadmete täpne 3D-reproduktsioon
2. Füüsikaline mudel: seotud soojusülekanne, massiülekanne ja vedeliku dünaamika
3. Keemiline mudel: integreeritud lisandite reaktsioonikineetika
4. Juhtimismudel: simuleeritud juhtimissüsteemi reaktsioonid

Virtuaalse optimeerimise protsess:

• Digitaalses ruumis enam kui 500 protsessikombinatsiooni testimine
• Kriitiliste tundlike parameetrite tuvastamine (CSV-analüüs)
• Optimaalsete tööakende ennustamine (OWC analüüs)
• Protsessi töökindluse valideerimine (Monte Carlo simulatsioon)

4. Tööstusliku rakendamise teekond ja kasuanalüüs

4.1 Etapidine rakenduskava

I faas (0–6 kuud):

• Põhiliste andmekogumissüsteemide juurutamine
• Protsesside andmebaasi loomine
• Esialgsete ennustusmudelite väljatöötamine
• Põhiparameetrite jälgimise rakendamine

II faas (6–12 kuud):

• Digitaalse kaksiku süsteemi valmimine
• Põhiprotsesside moodulite optimeerimine
• Suletud ahelaga juhtimise pilootprojekt
• Kvaliteedi jälgitavuse süsteemi arendamine

III faas (12–18 kuud):

• Täisprotsessi tehisintellekti optimeerimine
• Adaptiivsed juhtimissüsteemid
• Intelligentsed hooldussüsteemid
• Pideva õppe mehhanismid

4.2 Oodatav majanduslik kasu

Juhtumiuuring 50-tonnise aastase kõrge puhtusastmega telluuri tootmise kohta:

5. Tehnilised väljakutsed ja lahendused

5.1 Peamised tehnilised kitsaskohad

1. Andmete kvaliteedi probleemid:
   • Tööstusandmed sisaldavad märkimisväärset müra ja puuduvaid väärtusi
   • Andmeallikate vastuolulised standardid
   • Pikad andmekogumistsüklid kõrge puhtusastmega analüüsiandmete jaoks
2. Mudeli üldistus:
   • Tooraine variatsioonid põhjustavad mudeli tõrkeid
   • Seadmete vananemine mõjutab protsessi stabiilsust
   • Uued tootespetsifikatsioonid nõuavad mudeli ümberõpetamist
3. Süsteemi integreerimise raskused:
   • Vanade ja uute seadmete ühilduvusprobleemid
   • Reaalajas juhtimise reageerimise viivitused
   • Ohutuse ja töökindluse kontrollimise väljakutsed

5.2 Innovatiivsed lahendused

Adaptiivne andmete täiustamine:

• GAN-põhine protsessiandmete genereerimine
• Andmete nappuse kompenseerimiseks õppimise ülekandmine
• Pooljuhendatud õpe, mis kasutab märgistamata andmeid

Hübriidmodelleerimise lähenemisviis:

• Füüsikaliselt piiratud andmemudelid
• Mehhanismipõhised närvivõrgu arhitektuurid
• Mitme täpsusega mudeli liitmine

Äärepilve koostööpõhine andmetöötlus:

• Kriitiliste juhtimisalgoritmide servapõhine juurutamine
• Pilvandmetöötlus keerukate optimeerimisülesannete jaoks
• Madala latentsusega 5G-side

6. Tulevased arengusuunad

1. Intelligentne materjaliarendus:
   • Tehisintellekti abil loodud spetsiaalsed puhastusmaterjalid
   • Optimaalsete lisandite kombinatsioonide suure läbilaskevõimega sõelumine
   • Uute lisandite püüdmise mehhanismide ennustamine
2. Täisautonoomne optimeerimine:
   • Eneseteadlikud protsessiseisundid
   • Iseoptimeeruvad tööparameetrid
   • Isekorrigeeruva anomaalia lahendamine
3. Rohelised puhastusprotsessid:
   • Minimaalse energiatee optimeerimine
   • Jäätmete ringlussevõtu lahendused
   • Reaalajas süsiniku jalajälje jälgimine

Tänu sügavale tehisintellekti integratsioonile on telluuri puhastamine läbimas revolutsioonilist muutust kogemuspõhisest andmepõhiseks, segmenteeritud optimeerimisest terviklikuks optimeerimiseks. Ettevõtetel soovitatakse võtta kasutusele „üldplaneerimise ja etapiviisilise rakendamise“ strateegia, seades esikohale läbimurded kriitilistes protsessietappides ja luues järk-järgult terviklikke intelligentseid puhastussüsteeme.