基于机器学习的多通道阵列式定向凝固制备高纯铟的方法

技术领域

本发明属于高纯材料提纯定向凝固技术领域，具体涉及一种基于机器学习辅助的多通道阵列式定向凝固制备高纯铟的方法。

背景技术

高纯铟在铟产业链中起着关键性的作用，由于光渗透性优、导电性强，高纯铟主要用于制作半导体化合物、高纯合金及半导体材料的掺杂剂等。在光电子领域，铟及其化合物半导体具有广泛的用途，主要合成铟基III-V族化合物半导体如锑化铟(InSb)、磷化铟(InP)、砷化铟(InAs)等，作为光纤通讯的激光光源、异质结太阳能电池材料、红外探测和光磁器件对铟金属的纯度要求也越来越高，一般要6N及以上，杂质含量要求低于1ppm，甚至低于0.1ppm。高纯铟的制备方法很多，主要有升华法、定向凝固法、真空蒸馏法、萃取法和电解法等。电解精炼可实现4N～5N提纯，真空蒸馏法、定向凝固可实现4N～6N提纯；定向凝固法操作方便、效率较高，成本低及无环保压力，特别适于制备高纯铟。

定向凝固提纯中由于杂质扩散速率缓慢，完成定向凝固提纯过程中需严格控制每次熔区移动的速度，而且提纯操作也需要反复多次地进行才能达到指定的纯度。定向凝固法制备高纯材料在一些专利文献中均有描述，中国专利CN 107858523 A利用水平区熔实现了高纯铟的提纯，制备的高纯铟纯度达到6N及以上；中国专利CN 102392294 A利用水平区熔技术、低真空条件、载料舟等，将真空蒸馏、真空脱气和区熔熔炼多种提纯方法融合在一起，从而实现通过一套设备和工艺实现高纯半导体材料的制备。提高定向凝固效率的关键在于熔区的控制，包括熔区的宽度、熔体的搅拌以及熔区移动的速度及其稳定性等。由于参数的复杂性以及各参数间的相互影响，不同研究人员得到的结果也有差异。学者郝昕等人提出，多种数学模型可寻找最佳操作次数、熔区长度等参。Spim等利用数学模型和实验的方法研究了凝固效率随着次数和熔区长度的变化规律。研究定性凝固提纯高纯铟的工艺参数对提纯效果的影响规律，建立工艺参数与产品性能(纯度)的内在关系，对实现6N5及以上高纯铟稳定量产具有重要意义。借助机器学习方法，将大量可靠的实验与数据挖掘结合，挖掘出内在关系或者经验规律，以数值模拟优化结果指导实验，同时借助高通量多通道阵列式定向凝固设备产生一定量的数据基础，利用机器学习来建立模型并预测最佳试验参数范围，得到最优的试验参数，并用于反向预测指导生产，可提供选择性高、提纯效率高、可控性强的为半导体行业提供优质高纯金属材料的定向凝固方法。

发明内容

本发明的目的是提供一种基于机器学习的多通道阵列式定向凝固制备高纯铟的方法，利用多通道阵列式定向凝固设备进行高通量实验，产生大量实际可靠的实验数据，并且利用数据挖掘辅助解析定向凝固过程，建立多因素耦合的机器学习模型，预测并优化一定范围内的实验工艺参数，用以优化高纯铟定向凝固工艺。

本发明采取的技术方案如下：

基于机器学习的多通道阵列式定向凝固制备高纯铟的方法，是以电解法制得5N铟作为原料，将原料放入真空室进行阵列式多通道定向凝固提纯，得到均匀排列的6N及以上高纯铟产品。

进一步地，所述基于机器学习的多通道阵列式定向凝固制备高纯铟的方法，方法步骤如下：

S1.定向凝固，过程如下：

S1.1以电解制得5N铟，均匀装入9个石英舟内，放入三乘三阵列式多通道定向凝固炉的石英管内，封闭石英管，开启电源系统，抽真空，并通入保护气体，保护气体为氢气或氮气或惰性气体，气体流量为0.5～1L/min；

S1.2将三乘三阵列式多通道定向凝固炉的三乘三阵列式多通道加热器宽度设为10～60mm，以10～50mm/h的速度定向移动，定向凝固1～6次，熔区温度为120～250℃；获得6N高纯铟；

S1.3停炉，取出九组石英舟内的高纯铟样品，去尾10～30％，用去离子水冲洗并超声清洗5～10min后干燥，重新熔铸成锭，分别测量根据不同工艺参数定向凝固下铟的纯度；

S2.构建高纯铟定向凝固数据集：将上述步骤S1得到的定向凝固炉的移动速度、加热器宽度、凝固次数、熔区温度以及在对应参数下产品铟的纯度进行收集记录，构建得到高纯铟定向凝固数据集，用于后续数据挖掘；

S3.构建高纯铟定向凝固工艺机器学习预测模型：将上述步骤S1中定向凝固炉的移动速度、加热器宽度、凝固次数、熔区温度以及相对应铟的纯度作为作为特征变量，产品的杂质总含量作为目标变量，使用不同的机器学习算法进行训练建模，通过十折交叉验证，对比评价不同机器学习模型，选择误差最小的模型为最终预测模型；

S4.设置移动速度、加热器宽度、凝固次数、熔区温度参数，将设置的参数输入到上述步骤S3中的最终预测模型，使用最终预测模型预测可能的所有参数组合，选择预测杂质总含量最低的参数作为最优参数。

与现有技术相比，本发明具有以下有益技术效果：

1、本发明通过使用多通道阵列式定向凝固设备来实现不同工艺参数条件下的铟提纯，通过控制加热器的温度实现多级加热，保证加热温度梯度分布更加均匀、温场更稳定。同时可定点采样并实时监控移动速度、加热器宽度、凝固次数、熔区温度、气体流量等参数，还可通过计算机将数据可视化，收集数据并规范构建数据库。

2、本发明结合机器学习方法，建立了多种机器学习预测模型，通过十折交叉验证评估模型的准确性，对比评价不同机器学习模型，筛选出最佳的机器学习模型，预测高纯铟定向凝固的最佳实验参数范围，更快实现高纯铟定向凝固的工艺参数优化，提供了一种选择性高、提纯效率高、可控性强的高通量定向凝固制备高纯铟的方法。

3、本发明方法具有选择性高、提纯效率高、可控性强的优点，能够为半导体行业提供优质的高纯金属材料。

附图说明

图1为多通道阵列式定向凝固制备高纯铟的方法示意图；

图2为高通量定向凝固实验和机器学习预测的流程图。

具体实施方式

为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

参见图1，本发明方法采用的装置包括三乘三阵列式多通道定向凝固炉6、三乘三阵列式多通道定向凝固炉的电气控制装置10、计算机3及通过接口2连接计算机的电源模块1，计算机能够进行远程操控及数据传输。采集到的数据结果可保存为结构化的.CSV格式或直接导出至Excel。三乘三阵列式多通道定向凝固炉及其电气控制装置均为现有技术装置。三乘三阵列式多通道定向凝固炉内的加热器的间距180～240mm，加热环径向热辐射宽度5～8mm。凝固炉内有多个隔板及多个阵列式分布石英管，隔板上的阀门及其加热器相互连通或独立关闭。在凝固炉外机壳的两侧设置推拉门，门上设置用于观察炉内的耐高温玻璃窗。

实施例1

基于机器学习的多通道阵列式定向凝固制备高纯铟的方法，方法步骤如下：

S1.先进行不同定向凝固速度条件下铟的提纯，过程如下：

S1.1以现有技术的电解方法制得5N铟，均匀装入9个石英舟内，放入三乘三阵列式多通道定向凝固炉6的石英管12内，封闭石英管，启动电气控制装置。打开电气控制装置的控制柜按钮8，进行面板9上区熔速度，区熔次数、气体流量等工艺参数的设置，打开三乘三阵列式多通道定向凝固炉的真空系统及保护气体系统5的放气阀11，抽真空，并通入保护气体氮气，气体流量为1L/min；通过加热线圈7加热石英管；

S1.2将三乘三阵列式多通道定向凝固炉的三乘三阵列式多通道加热器宽度分别设为10mm、40mm、60mm，并在设置的每个加热器宽度分别以10mm/h、20mm/h、30mm/h、40mm/h、50mm/h的速度阵列式定向移动，分别定向凝固1～6次，熔区温度可设置为120～250℃。通过改变不同的工艺参数可实现不同条件下高纯铟的定向凝固。提纯过程加强杂质沿轴向分布、强化液相传质速率最终达到提纯效果，获得6N高纯铟；

S1.3停炉，取出九组石英舟内的高纯铟样品，去尾10～30％，用去离子水冲洗并放入超声清洗机器超声清洗5～10min后干燥，重新熔铸后分别检测根据不同工艺参数定向凝固下铟的纯度，得到纯度6N及以上高纯铟；

S2.构建高纯铟定向凝固数据集：将上述步骤S1得到的定向凝固炉的移动速度、加热器宽度、凝固次数、熔区温度以及在对应参数下产品铟的纯度进行收集记录，构建得到高纯铟定向凝固数据集，用于后续数据挖掘；

S3.构建高纯铟定向凝固工艺机器学习预测模型：将上述步骤S1中定向凝固炉的移动速度、加热器宽度、凝固次数、熔区温度以及相对应铟的纯度作为作为特征变量，产品的杂质总含量作为目标变量，使用不同的机器学习算法进行训练建模，通过十折交叉验证，对比评价不同机器学习模型，选择误差最小的模型为最终预测模型；

S4.设置移动速度、加热器宽度、凝固次数、熔区温度参数，将设置的参数输入到上述步骤S3中的最终预测模型，使用最终预测模型预测可能的所有参数组合，选择预测杂质总含量最低的参数作为最优参数。

实施例2

基于机器学习的多通道阵列式定向凝固制备高纯铟的方法，进行不同定向凝固次数条件下铟的提纯，方法如下：

(1)将电解制得的5N铟装入9个石英舟内，放入三乘三阵列式多通道定向凝固炉内的石英管，封闭石英管，启动电气控制装置，抽真空，并通入保护气体氢气，气体流量为0.5L/min；

(2)将三乘三阵列式多通道定向凝固炉的三乘三阵列式多通道加热器宽度分别设为20mm、30mm，分别以20mm/h、30mm/h的速度定向移动，定向凝固分别1～6次，熔区温度为180-200℃；

(3)作业完成后停炉，取出石英舟中的高纯铟样品，去尾15％，用去离子水冲洗并放入超声清洗机器超声清洗8min后干燥，重新熔铸后检测得到纯度分别为得到纯度6N及以上高纯铟。

实施例3

基于上述实施例2制备得到的高纯铟继续采用机器学习优化高纯铟的制备，进行高纯铟数据库的机器学习预测，方法如下：

S2.构建高纯铟定向凝固数据集：将上述步骤S1得到的定向凝固炉的移动速度、加热器宽度、凝固次数、熔区温度以及在对应参数下产品铟的纯度进行收集记录，构建得到表1所示的高纯铟定向凝固数据集，用于后续数据挖掘；

S3.构建高纯铟定向凝固工艺机器学习模型：基于上述上述实施例的工艺参数，包括加热器移动速度、加热器宽度、凝固次数、熔区温度、气体流量等，以及产品的杂质总含量(高纯铟纯度＝1-杂质总含量)，按照图2(图2有修改，请审核是否正确)所示流程进行高纯铟机器学习建模和应用。将定向凝固炉的移动速度、加热器宽度、凝固次数、熔区温度以及相对应铟的纯度作为特征变量，产品的杂质总含量作为目标变量，将数据做标准化后存入表1所示的高纯铟定向凝固数据库中。

表1.高纯铟定向凝固数据集

随机抽取数据库中80％数据作为训练数据，其余20％作为测试数据。采用四种常用的机器学习回归算法，包括支持向量回归(support vector regression，SVR)、梯度上升回归(gradient boosting regression,GBR)、岭回归(ridge regression)、回归树(Regression tree,RT)对训练集分别建模，并分别计算十折交叉验证的均方根误差(rootmean square error,RMSE),如表2所示，选择其中均方根误差最小的GBR算法构建的机器学习算法模型作为最终预测模型；

表2不同机器学习算法十折交叉验证误差

S4.基于表1的数据集进行机器学习预测，将设置的参数输入到上述步骤S3中的最终预测模型，在区熔速度、区熔温度、凝固次数、气体流量等工艺参数的可调控数值区间内，均匀内插取值，交叉组合构建高通量虚拟实验参数组合，使用最终预测模型预测每一个高通量虚拟实验参数组合，选择预测杂质总含量最低的参数作为最优参数，用于实际生产及实验。

除非另有说明，本发明所述的百分数均为质量百分数。