Predvidevanje magnetnih lastnosti materialov

Orange: predvidevanje rezultatov (Julij 2019).

Anonim

Stalni magneti, ki se uporabljajo v električnih avtomobilih in vetrnih turbinah, trenutno vsebujejo redke zemeljske kovine. Zmanjšanje količine teh elementov v magnetih je pomembno, saj je rudarstvo škodljivo za zdravje in okolje. Raziskovalci so zdaj razvili novo orodje za strojno učenje, ki pomaga hitro in preprosto napovedati lastnosti feromagnetnih kristalov novih sestavin.

Obnovljiva energija je ključna tehnologija za prihodnost. Vendar električni avtomobili in vetrne turbine zahtevajo velike in močne trajne magnete. Značilni problem je, da visoko zmogljivi magnetni materiali vsebujejo od 12 do 17 odstotkov redkih zemeljskih elementov, predvsem neodim in samarij, pa tudi disprozij in terbij. Vir teh elementov je skoraj izključno Kitajska. Poleg tega rudarji, ki pridobivajo te surovine, običajno delajo pod zdravju nevarnimi pogoji, postopek pa škoduje okolju. Ni presenetljivo, da so raziskovalci materialov že več let določili svoje znanje o iskanju alternativ redkih zemeljskih kovin v trajnih magnetih. Na splošno je standardna metoda "preskus in napaka": katere elementarne kompozicije so v preteklosti dobro delovale in bi lahko v prihodnosti delale enako dobro? Takšno testiranje je drago in dolgotrajno podjetje.

Zbiranje kandidatov z računalniško simulacijo

Raziskovalci na Fraunhoferjevem inštitutu za mehaniko materialov IWM v Freiburgu so pionirji alternativnega in učinkovitejšega pristopa. "Razvili smo visoko zmogljivo računalniško simulacijsko metodo, da sistematično in hitro testiramo veliko število materialov kot kandidatov za trajne magnete, " pravi dr. Johannes Möller, znanstveni znanstvenik v poslovni enoti Material Design v Fraunhofer IWM. "Naša metoda je, da ne upoštevamo, kateri določen odstotek mangana, kobalta ali bora bi bil sposoben preživetja, ampak pustiti, da računalnik simulira veliko možnih variant." Ta kombinatorni pristop lahko filtrira obetavne sestavke, da bi ustvaril zbirko primernih teoretičnih kandidatov, ki jih je mogoče sistematično raziskati. To precej zoži stvari v primerjavi z običajnimi poskusnimi in napačnimi metodami. "Načeloma ta pristop ni omejen na magnetne lastnosti, ampak se lahko uporablja tudi za druge lastnosti materiala", pravi Möller.

Računalnik potrebuje samo omejeno količino informacij za izvedbo simulacije: samo kristalno strukturo magnetnega materiala in kemičnih elementov, ki jih vsebuje. "Vse ostalo je odvisno od fizičnega konteksta", pojasnjuje Möller. Ko gre za kristalno strukturo, se raziskovalci ukvarjajo s kristalnimi rešetkami, v katerih je le eden izmed štirinajstih atomov element redkih zemeljskih kovin - kar predstavlja le sedem odstotkov. Ekipa je preverila, kako uspešna je simulacija z znanimi magnetnimi materiali. Z uspešno identifikacijo znanih lastnosti takšnih materialov so dokazali, da simulacija lahko uspešno napoveduje magnetizem novih materialov. Kar je enako pomembno, pa je konstanta magnetne anizotropije. Ta vrednost je merilo, kako enostavno ali težko je obrniti polarnost magnetnega materiala z uporabo magnetnega polja. "Predvidevanje te vrednosti je velik izziv za računalniško podprto magnetno znanost o materialih, " pravi Möller. Vendar lahko znanstveniki namesto tega izračunajo polkvantitativno vrednost; z drugimi besedami, simulacija lahko sistematično napoveduje vrednost za magnetno anizotropijo, ki je kvalitativno in ne kvantitativno natančna. Simulacija, na primer, lahko kaže, da material X lahko vzdrži magnetna polja sedemkrat močnejši od materiala Y.

Strojno učenje zapolnjuje vrzeli

Ekipa lahko zdaj svoje podatke o magnetnih lastnostih materialov uporabi v nadaljnjem in večjem koraku. "Simulacija nam ponuja več tisoč do deset tisoč kandidatov, vendar pa obstajajo milijoni ali celo milijard potencialnih elementarnih kompozicij in kombinacij, " pojasnjuje Möller. "Z uporabo metod strojnega učenja smo lahko zapolnili velike vrzeli med simuliranimi in teoretičnimi podatki." Raziskovalci lahko spremenijo proces optimizacije materialov. Da bi to naredili, določajo minimalne zahteve za material, na primer magnetno silo ali anizotropijo, skupaj s kemičnimi elementi, ki jih upajo uporabiti, na primer z navedbo "uporaba poceni bakra in ne redkih in dragih kobaltov". Optimizacijski algoritem nato zagotavlja najboljšo možno elementarno sestavo materiala z uporabo materialnega modela, izračunanega s strojnim učenjem iz materialnih podatkov.

Ekipa je razvila uporabniku prijazno spletno orodje za lažjo uporabo programske opreme. To omogoča uporabnikom, da vnesejo ciljne lastnosti in izvorne materiale. Orodje nato zagotavlja informacije o magnetnih lastnostih in stroških surovin. Izveden optimizacijski algoritem bo kmalu na voljo.

menu
menu