Компьютерное моделирование технологических процессов синтеза технического кремния с применением алгоритмов машинного обучения
Ключевые слова:
технический кремний, кварцевый песок, машинное обучение, моделирование, гранулометрия, примеси, прогнозированиеАннотация
В статье представлены результаты исследования влияния химического состава и гранулометрических характеристик кварцевого сырья различных месторождений Кыргызстана (Таш-Кумыр, Сулюкта, Озгур) на чистоту технического кремния с использованием методов математического моделирования и элементов машинного обучения. Проведён элементный анализ показал существенные различия между месторождениями: содержание SiO₂ в Таш-Кумыре составляет ~94,3 %, тогда как в Сулюкте оно не превышает 85 %, при заметно более высоком уровне Al₂O₃ и других примесей. Разработанная модель сочетает линейное влияние оксидов-примесей (Al₂O₃, Fe₂O₃, MgO, CaO, K₂O) и квадратичную зависимость от размера частиц с последующей калибровкой весовых коэффициентов на основе алгоритмов машинного обучения. Моделирование подтвердило, что оптимальный размер фракций (0,05 мм) обеспечивает максимальную чистоту, а отклонения снижают её на 2–5 %. Построенные прогнозные кривые выявили преимущество Таш-Кумырского сырья (до 98 % чистоты). Полученные результаты демонстрируют потенциал интеграции машинного обучения для повышения точности прогнозов и обоснованного выбора месторождений.
Библиографические ссылки
Куропаткин, В. Н. Технологические аспекты производства кремния из кварцевого сырья // Химическая промышленность. – 2008. – № 6. – С. 12–17.
Рогов, А. И., & Иванова, Л. П. Влияние примесей в кварцевом сырье на качество получаемого кремния // Металлургия цветных металлов. – 2012. – № 3. – С. 56–62.
Садыков, К. С. Технология получения технического кремния из кварцевого сырья Кыргызстана // Горный вестник Кыргызстана. – 2015. – № 2. – С. 45–51.
Абдраимов, Ж. Т., Касымбеков, Б. Ж., & Жунушалиева, А. С. Очистка кварцевого сырья для получения кремния высокой чистоты // Вестник Кыргызско-Российского Славянского университета. – 2023. – Т. 23, № 4. – С. 88–94.
Liu, P., Chen, X., & Zhao, F. Influence of particle size and impurities on silicon yield during carbothermal reduction // Ceramics International. – 2019. – Vol. 45, No. 8. – P. 11023–11031. DOI:10.1016/j.ceramint.2019.02.110.
Zhang, Q., Liu, J., Wang, H., & Xu, Y. High-purity quartz: a review of current research and future prospects // Journal of Materials Research and Technology. – 2021. – Vol. 12. – P. 1251–1264. DOI:10.1016/j.jmrt.2020.12.087.
Tuncuk, A., Akcil, A., Yigit, S., & Deveci, H. Iron removal in production of purified quartz by hydrometallurgical methods // Hydrometallurgy. – 2016. – Vol. 161. – P. 1–9. DOI: 10.1016/j.hydromet.2016.01.006.
Kim, J., Park, S., & Choi, Y. Machine learning-based prediction of silicon purity from quartz raw material // Applied Sciences. – 2020. – Vol. 10, No. 22. – Article 8086. DOI: 10.3390/app10228086.
Long, H., Li, W., Sun, J., & others. Advanced processing techniques and impurity management for high-purity quartz in diverse industrial applications // Minerals. – 2024. – Vol. 14, No. 6. – Article 571. DOI: 10.3390/min14060571.
Recent advances in the marketing, impurity characterization and purification of quartz //Physicochemical Problems of Mineral Processing. – 2023. – Vol. 59, No. 1. – P. 56–72. DOI: 10.37190/ppmp/158078.
Омурбекова Г. К., Адылова Э. С., Жапаркулов А. М. Исследование фрактальной размерности частиц кварцевых песков Таш-Кумырского и Озгурского месторождений //Известия национальной академии наук Кыргызской Республики. – 2022. – №. 5. – С. 16-22.
