Materjalide magnetilise omaduse prognoosimine

Mis vahe on Dujunovi ja Brushless DC elektrimootoritel? (Juuli 2019).

Anonim

Elektriautodes ja tuuleturbiinides kasutatavad püsimagnetid sisaldavad praegu haruldasi muldmetalle. Nende elementide hulga vähendamine magnetites on oluline, kuna kaevandamine on nii tervisele kui ka keskkonnale kahjulik. Teadlased on nüüd välja töötanud uue masinloome vahendi, mis aitab kiirelt ja kergesti ennustada uute materjalide koostiste feromagneetilisi kristallilisi omadusi.

Taastuvenergia on tuleviku võtmetähtsusega tehnoloogia. Kuid nii elektriautodele kui ka tuuleturbiinidele on vaja suuri ja tugevaid püsimagneeme. Omaette probleemiks on see, et suure jõudlusega magnetilised materjalid sisaldavad 12 kuni 17 protsenti haruldasi muldmetalle, peamiselt neodüümi ja samariumi, aga ka düsprosiumi ja terbiumit. Nende elementide allikas on peaaegu eranditult Hiina. Peale selle töötavad kaevandajad, kes neid toorainet ekstraheerivad, tavaliselt tervisele ohtlikes tingimustes ja protsess kahjustab keskkonda. Pole ime, et materjaliuurijad on juba aastaid valinud oma nägemused püsimagnetitega haruldaste muldmetallide alternatiivide leidmisel. Üldiselt on standardne meetod "katse- ja viga": millised elementaarsed kompositsioonid on minevikus hästi toiminud ja mis võivad tulevikus töötada võrdselt hästi? Selline testimine on kulukas ja aeganõudev ettevõtmine.

Kandidaatide kogumine arvutite simulatsiooni abil

Fraunhoferi materjalide mehaanika instituudi (IWM) uurijad Freiburgis teevad teedrajavat alternatiivset ja tõhusamat lähenemist. "Oleme välja töötanud suure jõudlusega arvutisimulatsioonimeetodi, et süstemaatiliselt ja kiiresti katsetada paljusid materjale püsimagnetitega kandideerijatena, " selgitab Fraunhofer IWM materjalide disaini äriüksuse uurimistöö teadlane dr Johannes Möller. "Meie meetod ei ole kaaluda, milline konkreetne protsent mangaanist, koobaltist või boorist võib olla elujõuline, kuid lubada arvuti simuleerida paljusid mõeldavaid variante." See kombinatoorne lähenemisviis võib välja filtreerida lootustandvaid kompositsioone, et luua mõistlike teoreetiliste kandidaatide kogumit, mida saab siis süstemaatiliselt uurida. See vähendab oluliselt võrreldes tavapäraste proovi- ja veamääradega. "Põhimõtteliselt pole see lähenemine piiratud magnetilise omadusega, vaid seda võib kasutada ka muude materjalide omaduste jaoks, " ütleb Möller.

Simulatsioonil on vaja ainult piiratud hulgal teavet: ainult magnetilise materjali kristallstruktuur ja selles sisalduvad keemilised elemendid. "Kõik muu sõltub füüsilisest kontekstist, " selgitab Möller. Kui tegemist on kristallstruktuuriga, siis uurijad pangandavad kristallide võrestikke, kus vaid üks neliteist aatomist on haruldaste muldmetallide element - see vastab ainult seitsmele protsendile. Meeskond on kontrollinud, kui edukalt simuleerib tuntud magnetilisi materjale. Nende materjalide tuntud omaduste edukaks tuvastamiseks on nad näidanud, et simulatsioon võib edukalt ennustada uute materjalide magnetismi. Kuid sama oluline on ka magnetilise anisotroopia konstant. See väärtus on mõõtmeks, kui lihtne või raske on magnetilise materjali polaarsuse pööramiseks magnetvälja rakendades. "Selle väärtuse prognoosimine on tohutu väljakutse arvutipõhiste magnetmaterjalide teaduses, " ütleb Möller. Kuid teadlased võivad selle asemel arvutada poolkvantitatiivse väärtuse; Teisisõnu võib simulatsioon ennustada süstemaatiliselt magnetanisotroopia väärtust, mis on pigem kvalitatiivselt kui kvantitatiivselt täpne. Näiteks võib simulatsioon näidata, et materjal X suudab vastu pidada magnetväljadele, mis on seitse korda tugevamad kui materjal Y.

Masina õppimine täidab lüngad

Meeskond saab nüüd kasutada oma andmeid materjalide magnetilise omaduse kohta veel ühes ja teises etapis. "Simulatsioon annab meile mitu tuhat kuni kümme tuhat kandidaati, kuid on olemas miljoneid või isegi miljardeid potentsiaalseid elementaalseid kompositsioone ja kombinatsioone, " selgitab Möller. "Masinate õppimismeetodite abil suudame täita suured lüngad simuleeritud ja teoreetiliste arvude vahel." Teadlased võivad materjalide optimeerimiseks protsessi muuta. Selleks täpsustavad nad materjali miinimumnõudeid, näiteks magnetiline tugevus või anisotroopia, koos keemiliste elementidega, mida nad loodavad kasutada, näiteks täpsustades, et "kasuta pigem odavat vaski kui haruldane ja kallis koobalt". Seejärel pakub optimeerimisalgoritm materjali parima võimaliku elementaarse koostise, kasutades materjali mudelit, mis arvutatakse masina õppimise põhjal materjaliandmetest.

Meeskond on välja töötanud kasutajasõbraliku veebi tööriista, mis muudab tarkvara lihtsamaks. See võimaldab kasutajatel sisestada sihtomadusi ja lähtematerjale. Seejärel annab tööriist teavet magnetiliste omaduste ja toormaterjalide kulude kohta. Rakendatud optimeerimisalgoritm on varsti saadaval.

menu
menu