Сыни стратегиялық сирек металл ретінде теллур күн батареяларында, термоэлектрлік материалдарда және инфрақызыл анықтауда маңызды қолданбаларды табады. Дәстүрлі тазарту процестері төмен тиімділік, жоғары энергия тұтыну және шектеулі тазалықты жақсарту сияқты қиындықтарға тап болады. Бұл мақалада жасанды интеллект технологиялары теллурды тазарту процестерін кешенді түрде қалай оңтайландыра алатынын жүйелі түрде таныстырады.

1. Теллурды тазарту технологиясының қазіргі жағдайы

1.1 Кәдімгі теллурды тазарту әдістері мен шектеулері

Негізгі тазарту әдістері:

• Вакуумды айдау: қайнау температурасы төмен қоспаларды (мысалы, Se, S) кетіру үшін қолайлы
• Аймақты тазарту: әсіресе металдық қоспаларды (мысалы, Cu, Fe) кетіру үшін тиімді
• Электролиттік тазарту: әртүрлі қоспаларды терең тазартуға қабілетті
• Химиялық буларды тасымалдау: өте жоғары таза теллур (6N және одан жоғары сорт) шығара алады.

Негізгі міндеттер:

• Процесс параметрлері жүйелі оңтайландырудан гөрі тәжірибеге сүйенеді
• Қоспаны кетіру тиімділігі кедергілерге жетеді (әсіресе оттегі мен көміртегі сияқты металл емес қоспалар үшін)
• Жоғары энергия тұтыну өндіріс шығындарының жоғарылауына әкеледі
• Тазалықтың партиядан партияға айтарлықтай ауытқуы және тұрақтылығы нашар

1.2 Теллурды тазартуды оңтайландырудың маңызды параметрлері

Негізгі процесс параметрінің матрицасы:

2. Теллурды тазартуға арналған AI қолданбалы құрылымы

2.1 Жалпы техникалық архитектура

Үш деңгейлі AI оңтайландыру жүйесі:

1. Болжау деңгейі: машиналық оқытуға негізделген үдеріс нәтижесін болжау үлгілері
2. Оңтайландыру деңгейі: Көп мақсатты параметрлерді оңтайландыру алгоритмдері
3. Басқару деңгейі: нақты уақыттағы процесті басқару жүйелері

2.2 Деректерді жинау және өңдеу жүйесі

Көп көзді деректерді біріктіру шешімі:

• Жабдық сенсорының деректері: температура, қысым, ағын жылдамдығын қоса алғанда, 200+ параметр
• Процесті бақылау деректері: Интернеттегі масс-спектрометрия және спектроскопиялық талдау нәтижелері
• Зертханалық талдау деректері: ICP-MS, GDMS және т.б.-дан офлайн сынақ нәтижелері.
• Тарихи өндіріс деректері: соңғы 5 жылдағы өндіріс жазбалары (1000+ партия)

Инженерлік мүмкіндіктер:

• Жылжымалы терезе әдісін қолдану арқылы уақыт қатарындағы мүмкіндікті шығару
• Қоспалар миграциясының кинетикалық ерекшеліктерінің құрылысы
• Процесс параметрлерінің өзара әрекеттесу матрицаларын әзірлеу
• Материалдық-энергетикалық баланс ерекшеліктерін құру

3. AI оңтайландырудың егжей-тегжейлі негізгі технологиялары

3.1 Терең оқуға негізделген процесс параметрлерін оңтайландыру

Нейрондық желі архитектурасы:

• Кіріс деңгейі: 56 өлшемді процесс параметрлері (қалыпты)
• Жасырын қабаттар: 3 LSTM қабаты (256 нейрон) + 2 толық қосылған қабат
• Шығару деңгейі: 12 өлшемді сапа көрсеткіштері (тазалық, қоспалар және т.б.)

Оқыту стратегиялары:

• Трансферттік оқыту: Ұқсас металдарды (мысалы, Se) тазарту деректерін пайдалана отырып, алдын ала оқыту
• Белсенді оқыту: D-optimal әдістемесі арқылы эксперименталды жобаларды оңтайландыру
• Оқытуды күшейту: марапаттау функцияларын орнату (тазалықты жақсарту, энергияны азайту)

Оңтайландырудың әдеттегі жағдайлары:

• Вакуумды айдау температурасы профилін оңтайландыру: Se қалдықтарының 42% төмендеуі
• Аймақты тазарту жылдамдығын оңтайландыру: Cu кетіруде 35% жақсарту
• Электролит формуласын оңтайландыру: ағымдағы тиімділікті 28% арттыру

3.2 Қоспаларды кетіру механизмін компьютердің көмегімен зерттеу

Молекулалық динамикалық модельдеу:

• Te-X (X=O,S,Se, т.б.) әрекеттестік потенциалдық функцияларын дамыту
• Әртүрлі температурадағы қоспаларды бөлу кинетикасын модельдеу
• Қоспа-қоспалы байланыс энергияларын болжау

Бірінші принциптер бойынша есептеулер:

• Теллур торындағы қоспалардың түзілу энергиясын есептеу
• Оңтайлы хелатты молекулалық құрылымдарды болжау
• Бу тасымалдау реакциясының жолдарын оңтайландыру

Қолдану мысалдары:

• Оттегінің мөлшерін 0,3 ppm дейін төмендететін жаңа оттегі тазартқыш LaTe₂ ашылды.
• Көміртекті кетіру тиімділігін 60%-ға арттыратын теңшелген хелат агенттерінің дизайны

3.3 Цифрлық Twin және виртуалды процесті оңтайландыру

Цифрлық егіз жүйенің құрылысы:

1. Геометриялық модель: Жабдықтың дәл 3D репродукциясы
2. Физикалық модель: қосылатын жылу алмасу, масса алмасу және сұйықтық динамикасы
3. Химиялық модель: Интегралды қоспалар реакциясының кинетикасы
4. Басқару моделі: басқару жүйесінің имитацияланған жауаптары

Виртуалды оңтайландыру процесі:

• Сандық кеңістікте 500+ процесс комбинациясын сынау
• Критикалық сезімтал параметрлерді анықтау (CSV талдау)
• Оңтайлы жұмыс терезелерін болжау (OWC талдауы)
• Процесс сенімділігін тексеру (Монте-Карло симуляциясы)

4. Өнеркәсіптік енгізу жолы және пайданы талдау

4.1 Іске асырудың кезеңдік жоспары

I кезең (0-6 ай):

• Негізгі мәліметтерді жинақтау жүйелерін қолдану
• Процесс деректер базасын құру
• Алдын ала болжау үлгілерін жасау
• Негізгі параметрлер мониторингін жүзеге асыру

II кезең (6-12 ай):

• Цифрлық қос жүйенің аяқталуы
• Негізгі процесс модульдерін оңтайландыру
• Пилоттық жабық циклді бақылауды енгізу
• Сапаны қадағалау жүйесін дамыту

III кезең (12-18 ай):

• Толық процесті AI оңтайландыруы
• Адаптивті басқару жүйелері
• Интеллектуалды техникалық қызмет көрсету жүйелері
• Үздіксіз оқыту механизмдері

4.2 Күтілетін экономикалық пайда

Жыл сайынғы 50 тонналық жоғары таза теллур өндірісінің жағдайын зерттеу:

5. Техникалық қиындықтар мен шешімдер

5.1 Негізгі техникалық кедергілер

1. Деректер сапасы мәселелері:
   • Өнеркәсіптік деректерде елеулі шу және жетіспейтін мәндер бар
   • Деректер көздері бойынша сәйкес келмейтін стандарттар
   • Жоғары тазалықтағы талдау деректері үшін ұзақ қабылдау циклдері
2. Модельді жалпылау:
   • Шикізаттың вариациялары үлгідегі ақауларды тудырады
   • Жабдықтың ескіруі процестің тұрақтылығына әсер етеді
   • Жаңа өнімнің техникалық сипаттамалары үлгіні қайта даярлауды қажет етеді
3. Жүйелік интеграцияның қиындықтары:
   • Ескі және жаңа жабдық арасындағы үйлесімділік мәселелері
   • Нақты уақыттағы бақылау жауаптарының кешігулері
   • Қауіпсіздік пен сенімділікті тексеру қиындықтары

5.2 Инновациялық шешімдер

Бейімделетін деректерді жақсарту:

• GAN негізіндегі процесс деректерін генерациялау
• Деректер тапшылығының орнын толтыру үшін оқытуды тасымалдау
• Белгіленбеген деректерді пайдалана отырып, жартылай бақылау арқылы оқыту

Гибридті модельдеу тәсілі:

• Физика шектелген деректер үлгілері
• Механизммен басқарылатын нейрондық желі архитектуралары
• Көп дәлдік модельді біріктіру

Edge-Cloud Collaborative Computing:

• Сыни басқару алгоритмдерін жиекті орналастыру
• Күрделі оңтайландыру тапсырмалары үшін бұлттық есептеулер
• Төмен кідіріс 5G байланысы

6. Болашақ даму бағыттары

1. Материалды интеллектуалды дамыту:
   • AI әзірлеген арнайы тазарту материалдары
   • Оңтайлы қоспа комбинацияларының жоғары өнімді скринингі
   • Жаңа қоспаларды ұстау механизмдерін болжау
2. Толық автономды оңтайландыру:
   • Өзін-өзі тану процесі күйлері
   • Өзін-өзі оңтайландыратын операциялық параметрлер
   • Өздігінен түзетілетін аномалияны шешу
3. Жасыл тазарту процестері:
   • Минималды энергия жолын оңтайландыру
   • Қалдықтарды қайта өңдеу шешімдері
   • Нақты уақыттағы көміртегі ізінің мониторингі

Терең AI интеграциясы арқылы теллурды тазарту тәжірибеге негізделгенден деректерге, сегменттелген оңтайландырудан тұтас оңтайландыруға дейін революциялық трансформациядан өтеді. Компанияларға процестің маңызды қадамдарындағы жетістіктерге басымдық беріп, кешенді интеллектуалды тазарту жүйелерін біртіндеп құруға «шебер жоспарлау, кезең-кезеңімен енгізу» стратегиясын қабылдау ұсынылады.