Маңызды стратегиялық сирек металл ретінде теллур күн батареяларында, термоэлектрлік материалдарда және инфрақызыл анықтауда маңызды қолданыстарды табады. Дәстүрлі тазарту процестері төмен тиімділік, жоғары энергия тұтыну және тазалықты жақсартудың шектеулілігі сияқты қиындықтарға тап болады. Бұл мақалада жасанды интеллект технологияларының теллурды тазарту процестерін қалай жан-жақты оңтайландыра алатыны жүйелі түрде таныстырылады.

1. Теллурды тазарту технологиясының қазіргі жағдайы

1.1 Теллурды тазартудың дәстүрлі әдістері мен шектеулері

Негізгі тазарту әдістері:

• Вакуумдық айдау: Төмен қайнау температурасындағы қоспаларды (мысалы, Se, S) кетіруге жарамды.
• Аймақтық тазарту: Металл қоспаларын (мысалы, Cu, Fe) кетіру үшін әсіресе тиімді.
• Электролиттік тазарту: Әртүрлі қоспаларды терең тазартуға қабілетті
• Химиялық бу тасымалдау: аса жоғары тазалықтағы теллур (6N және одан жоғары маркалы) өндіре алады

Негізгі қиындықтар:

• Процесс параметрлері жүйелі оңтайландыруға емес, тәжірибеге сүйенеді
• Қоспаларды кетіру тиімділігі шектеулерге жетеді (әсіресе оттегі және көміртек сияқты металл емес қоспалар үшін)
• Жоғары энергия тұтыну өндіріс шығындарының өсуіне әкеледі
• Топтамадан топтамаға тазалықтың айтарлықтай ауытқулары және тұрақтылығының нашарлығы

1.2 Теллурды тазартуды оңтайландырудың маңызды параметрлері

Негізгі процесс параметрінің матрицасы:

2. Теллурий тазартуға арналған жасанды интеллект қолдану құрылымы

2.1 Жалпы техникалық архитектура

Үш деңгейлі жасанды интеллектті оңтайландыру жүйесі:

1. Болжау деңгейі: Машиналық оқытуға негізделген процестің нәтижесін болжау модельдері
2. Оңтайландыру қабаты: Көп мақсатты параметрлерді оңтайландыру алгоритмдері
3. Басқару деңгейі: нақты уақыт режиміндегі процестерді басқару жүйелері

2.2 Деректерді жинау және өңдеу жүйесі

Көп көзді деректерді интеграциялау шешімі:

• Жабдық сенсорының деректері: температура, қысым, ағын жылдамдығын қоса алғанда, 200-ден астам параметрлер
• Процесті бақылау деректері: онлайн масс-спектрометрия және спектроскопиялық талдау нәтижелері
• Зертханалық талдау деректері: ICP-MS, GDMS және т.б. офлайн тестілеу нәтижелері.
• Тарихи өндіріс деректері: Соңғы 5 жылдағы өндіріс жазбалары (1000+ партия)

Функциялық инженерия:

• Жылжымалы терезе әдісін қолдана отырып, уақыт қатары бойынша ерекшеліктерді бөліп алу
• Қоспа миграциясының кинетикалық ерекшеліктерін құру
• Процесс параметрлерінің өзара әрекеттесу матрицаларын әзірлеу
• Материалдық және энергетикалық баланс ерекшеліктерін анықтау

3. Негізгі жасанды интеллектті оңтайландырудың егжей-тегжейлі технологиялары

3.1 Терең оқытуға негізделген процестің параметрлерін оңтайландыру

Нейрондық желі архитектурасы:

• Кіріс қабаты: 56 өлшемді процесс параметрлері (қалыпқа келтірілген)
• Жасырын қабаттар: 3 LSTM қабаты (256 нейрон) + 2 толық қосылған қабат
• Шығыс қабаты: 12 өлшемді сапа көрсеткіштері (тазалық, қоспа мөлшері және т.б.)

Оқыту стратегиялары:

• Трансферттік оқыту: ұқсас металдарды (мысалы, Se) тазарту деректерін пайдалана отырып, алдын ала оқыту
• Белсенді оқыту: D-оптималды әдіснама арқылы эксперименттік жобаларды оңтайландыру
• Нығайтуды оқыту: марапаттау функцияларын белгілеу (тазалықты жақсарту, энергияны азайту)

Оңтайландырудың типтік жағдайлары:

• Вакуумдық айдау температурасының профилін оңтайландыру: Se қалдығының 42%-ға төмендеуі
• Аймақтық тазарту жылдамдығын оңтайландыру: мыс өндіруді 35%-ға жақсарту
• Электролит формуласын оңтайландыру: ток тиімділігін 28%-ға арттыру

3.2 Компьютерлік көмекпен қоспаларды жою механизмін зерттеу

Молекулалық динамиканы модельдеу:

• Te-X (X=O,S,Se және т.б.) өзара әрекеттесу потенциалы функцияларын әзірлеу
• Әртүрлі температурадағы қоспаларды бөлу кинетикасын модельдеу
• Аддитивті-қоспалы байланыс энергияларын болжау

Бірінші қағидаттар бойынша есептеулер:

• Теллур торындағы қоспа түзілу энергияларын есептеу
• Оңтайлы хелаттау молекулалық құрылымдарын болжау
• Бу тасымалдау реакция жолдарын оңтайландыру

Қолдану мысалдары:

• Оттегі мөлшерін 0,3 ppm дейін төмендететін жаңа LaTe₂ оттегін тазартқыш құралының ашылуы
• Көміртекті кетіру тиімділігін 60%-ға арттыратын арнайы хелат агенттерін жобалау

3.3 Сандық егіздер және виртуалды процестерді оңтайландыру

Сандық егіз жүйенің құрылысы:

1. Геометриялық модель: Жабдықтың дәл 3D көшірмесі
2. Физикалық модель: жылу алмасу, масса алмасу және сұйықтық динамикасы
3. Химиялық модель: Интеграцияланған қоспа реакциясының кинетикасы
4. Басқару моделі: Басқару жүйесінің жауаптарын модельдеу

Виртуалды оңтайландыру процесі:

• Сандық кеңістікте 500-ден астам процесс комбинацияларын сынау
• Маңызды сезімтал параметрлерді анықтау (CSV талдауы)
• Оңтайлы жұмыс терезелерін болжау (OWC талдауы)
• Процестің беріктігі валидациясы (Монте-Карло модельдеуі)

4. Өнеркәсіптік енгізу жолы және пайданы талдау

4.1 Кезең-кезеңмен іске асыру жоспары

I кезең (0-6 ай):

• Негізгі деректерді жинау жүйелерін орналастыру
• Процесс деректер базасын құру
• Алдын ала болжау модельдерін әзірлеу
• Негізгі параметрлерді бақылауды енгізу

II кезең (6-12 ай):

• Цифрлық егіз жүйенің аяқталуы
• Негізгі процесс модульдерін оңтайландыру
• Пилоттық тұйық циклді басқаруды енгізу
• Сапаны бақылау жүйесін әзірлеу

III кезең (12-18 ай):

• Толық процесті жасанды интеллектпен оңтайландыру
• Бейімделгіш басқару жүйелері
• Ақылды техникалық қызмет көрсету жүйелері
• Үздіксіз оқыту механизмдері

4.2 Күтілетін экономикалық пайда

Жылына 50 тонна жоғары тазалықтағы теллур өндірісінің жағдайлық зерттеуі:

5. Техникалық қиындықтар мен шешімдер

5.1 Негізгі техникалық кедергілер

1. Деректер сапасының мәселелері:
   • Өнеркәсіптік деректерде айтарлықтай шу және жетіспейтін мәндер бар
   • Деректер көздері бойынша сәйкес келмейтін стандарттар
   • Жоғары тазалықтағы талдау деректерін алудың ұзақ циклдары
2. Модельді жалпылау:
   • Шикізаттың өзгеруі модельдің істен шығуына әкеледі
   • Жабдықтың ескіруі процестің тұрақтылығына әсер етеді
   • Жаңа өнім сипаттамалары модельді қайта даярлауды қажет етеді
3. Жүйелік интеграцияның қиындықтары:
   • Ескі және жаңа жабдықтардың үйлесімділік мәселелері
   • Нақты уақыттағы басқару реакциясының кідірістері
   • Қауіпсіздік және сенімділікті тексерудегі қиындықтар

5.2 Инновациялық шешімдер

Бейімделгіш деректерді жақсарту:

• GAN негізіндегі процесс деректерін жасау
• Деректердің тапшылығын өтеу үшін оқытуды ауыстыру
• Белгіленбеген деректерді пайдалана отырып, жартылай бақыланатын оқыту

Гибридті модельдеу тәсілі:

• Физикамен шектелген деректер модельдері
• Механизмге негізделген нейрондық желі архитектуралары
• Көп дәлдіктегі модельдердің бірігуі

Edge-Cloud бірлескен есептеулері:

• Маңызды басқару алгоритмдерін шеткі орналастыру
• Күрделі оңтайландыру тапсырмаларына арналған бұлтты есептеулер
• Төмен кідіріспен 5G байланысы

6. Болашақ даму бағыттары

1. Зияткерлік материалды әзірлеу:
   • Жасанды интеллектпен жасалған арнайы тазарту материалдары
   • Оңтайлы аддитивті комбинациялардың жоғары өнімділік скринингі
   • Қоспаны ұстаудың жаңа механизмдерін болжау
2. Толық автономды оңтайландыру:
   • Өзін-өзі тану процесінің күйлері
   • Өзін-өзі оңтайландыратын операциялық параметрлер
   • Өзін-өзі түзететін аномалияны шешу
3. Жасыл тазарту процестері:
   • Минималды энергия жолын оңтайландыру
   • Қалдықтарды қайта өңдеу шешімдері
   • Нақты уақыттағы көміртегі ізін бақылау

Терең жасанды интеллект интеграциясы арқылы теллурий тазарту тәжірибеге негізделгеннен деректерге негізделгенге, сегменттелген оңтайландырудан тұтас оңтайландыруға революциялық трансформациядан өтуде. Компанияларға маңызды процесс кезеңдеріндегі жетістіктерге басымдық беріп, біртіндеп кешенді интеллектуалды тазарту жүйелерін құру арқылы «бас жоспарлау, кезең-кезеңмен енгізу» стратегиясын қабылдау ұсынылады.