Przewidywanie właściwości magnetycznych materiałów

Anonim

Magnesy trwałe stosowane w samochodach elektrycznych i turbinach wiatrowych zawierają obecnie metale ziem rzadkich. Zmniejszenie ilości tych pierwiastków w magnesach jest ważne, ponieważ ich wydobycie jest szkodliwe zarówno dla zdrowia, jak i środowiska. Naukowcy opracowali teraz nowe narzędzie do uczenia maszynowego, aby pomóc w szybkim i łatwym przewidywaniu właściwości kryształów ferromagnetycznych nowych kompozycji materiałowych.

Energia odnawialna jest kluczową technologią na przyszłość. Jednak zarówno samochody elektryczne, jak i turbiny wiatrowe wymagają dużych i silnych magnesów stałych. Nieodłącznym problemem jest to, że wysokiej jakości materiały magnetyczne zawierają od 12 do 17 procent pierwiastków ziem rzadkich, głównie neodymu i samaru, ale także dysprozu i terbium. Źródłem tych elementów są niemal wyłącznie Chiny. Ponadto górnicy wydobywający te surowce zwykle pracują w warunkach niebezpiecznych dla zdrowia, a proces ten niszczy środowisko. Nic dziwnego, że badacze materiałów od lat stawiają sobie za cel poszukiwanie alternatyw dla metali ziem rzadkich w magnesach trwałych. Ogólnie rzecz biorąc, standardową metodą jest "prób i błędów": które elementy elementarne sprawdzają się w przeszłości i które mogą równie dobrze funkcjonować w przyszłości? Testowanie w ten sposób jest kosztownym i czasochłonnym przedsięwzięciem.

Zbieranie kandydatów za pomocą symulacji komputerowej

Naukowcy z Instytutu Fraunhofera ds. Mechaniki Materiałów IWM we Freiburgu są pionierami alternatywnego, bardziej skutecznego podejścia. "Opracowaliśmy wysokoprzepustową metodę symulacji komputerowej, aby systematycznie i szybko testować dużą liczbę materiałów jako kandydatów na magnesy trwałe", wyjaśnia dr Johannes Möller, naukowiec z działu projektowania materiałów w Fraunhofer IWM. "Nasza metoda nie bierze pod uwagę, który konkretny procent manganu, kobaltu lub boru może być opłacalny, ale pozwala komputerowi symulować wiele możliwych wariantów". To kombinatoryczne podejście może odfiltrować obiecujące kompozycje, aby stworzyć zbiór rozsądnych kandydatów teoretycznych, które następnie można systematycznie badać. To znacznie zawęża sprawę w porównaniu z konwencjonalnymi metodami prób i błędów. "Zasadniczo podejście to nie ogranicza się do właściwości magnetycznych, ale można je również zastosować do innych właściwości materiału" - mówi Möller.

Komputer potrzebuje tylko ograniczonej ilości informacji do przeprowadzenia symulacji: wystarczy struktura krystaliczna materiału magnetycznego i zawartych w nim pierwiastków chemicznych. "Wszystko inne zależy od kontekstu fizycznego" - wyjaśnia Möller. Jeśli chodzi o strukturę krystaliczną, badacze skupiają się na sieciach krystalicznych, w których tylko jeden na każde czternaście atomów jest pierwiastkiem ziem rzadkich - co odpowiada zaledwie siedmiu procentom. Zespół sprawdził, jak udana jest symulacja przy użyciu znanych materiałów magnetycznych. Dzięki udanej identyfikacji znanych właściwości takich materiałów wykazali, że symulacja może z powodzeniem przewidzieć magnetyzm nowych materiałów. Równie ważna jest jednak stała anizotropii magnetycznej. Ta wartość jest miarą tego, jak łatwo lub trudno jest odwrócić polaryzację materiału magnetycznego przez zastosowanie pola magnetycznego. "Możliwość przewidywania tej wartości jest ogromnym wyzwaniem dla komputerowej nauki materiałów magnetycznych" - mówi Möller. Jednak naukowcy mogą zamiast tego obliczyć półilościową wartość; innymi słowy, symulacja może systematycznie przewidywać wartość anizotropii magnetycznej, która jest jakościowo, a nie ilościowo precyzyjna. Symulacja, na przykład, może pokazać, że materiał X jest w stanie wytrzymać pola magnetyczne siedmiokrotnie silniejsze niż materiał Y.

Uczenie maszynowe wypełnia luki

Zespół może teraz wykorzystać swoje dane na temat magnetycznych właściwości materiałów w kolejnym i większym kroku. "Symulacja dostarcza nam od kilku tysięcy do dziesięciu tysięcy kandydatów, ale istnieją miliony, a nawet miliardy potencjalnych, elementarnych kompozycji i kombinacji", wyjaśnia Möller. "Korzystając z metod uczenia maszynowego, jesteśmy w stanie wypełnić duże luki między symulowanymi i teoretycznymi liczbami". Naukowcy mogą również odwrócić proces w celu optymalizacji materiałów. W tym celu określają minimalne wymagania dla materiału, na przykład siłę magnetyczną lub anizotropię, wraz z pierwiastkami chemicznymi, które mają nadzieję zastosować, na przykład wyszczególniając "używaj taniej miedzi zamiast rzadkiego i kosztownego kobaltu". Algorytm optymalizacji zapewnia wówczas najlepszy możliwy skład elementarny materiału, wykorzystując model materiałowy obliczony na podstawie uczenia maszynowego na podstawie danych materiałowych.

Zespół opracował przyjazne dla użytkownika narzędzie internetowe, aby ułatwić korzystanie z oprogramowania. Umożliwia to użytkownikom wprowadzanie właściwości docelowych i materiałów źródłowych. Następnie narzędzie dostarcza informacji na temat właściwości magnetycznych i kosztów surowców. Zaimplementowany algorytm optymalizacji wkrótce będzie dostępny.

menu
menu