Medžiagų magnetinių savybių prognozavimas

ЗАМОК БЕЛОЙ ЦАПЛИ (Birželis 2019).

Anonim

Nuolatiniai magnetai, naudojami elektrinių automobilių ir vėjo turbinose, šiuo metu yra retųjų žemių metalų. Svarbu mažinti šių elementų kiekį magnetuose, nes jų gavyba yra kenksminga tiek sveikatai, tiek aplinkai. Tyrėjai jau sukūrė naują mašinų mokymosi priemonę, kuri padėtų greitai ir lengvai prognozuoti naujų medžiagų kompozicijų feromagnetines kristalines savybes.

Atsinaujinanti energija yra pagrindinė ateities technologija. Tačiau elektriniams automobiliams ir vėjo turbinoms reikia didelių ir stiprių nuolatinių magnetų. Būdinga problema yra ta, kad aukštos kokybės magnetinės medžiagos yra nuo 12 iki 17 procentų retųjų žemių elementų, daugiausia neodimio ir samariumo, taip pat disprozio ir terbio. Šių elementų šaltinis yra beveik išimtinai Kinija. Be to, kalnakasiai, kurie išgauna šias žaliavas, paprastai dirba pavojingomis sveikatai sąlygomis, o procesas žaloja aplinką. Nenuostabu, kad medžiagų tyrinėtojai daugelį metų nustatė savo pastangas rasti alternatyvas retųjų žemių metalams nuolatiniams magnetams. Apskritai standartinis metodas yra "bandymas ir klaida": kokios elementinės kompozicijos praeityje gerai veikė ir kurios ateityje galėtų veikti vienodai? Testavimas yra brangus ir daug laiko reikalaujantis reikalavimas.

Kandidatų rinkimas naudojant kompiuterinį modeliavimą

Fraunhoferio medžiagų mechanikos instituto Freibergo IWM tyrėjai yra novatoriški alternatyvūs, efektyvesni metodai. "Mes sukūrėme didelės našumo kompiuterinio modeliavimo metodą, kad sistemingai ir greitai išbandytume daug medžiagų kaip nuolatinių magnetų kandidatų", - teigia Fraunhofer IWM "Material Design" verslo padalinio mokslinis tyrinėtojas dr Johannes Möller. "Mūsų metodas yra neatsižvelgti į tai, koks procentas mangano, kobalto ar boro gali būti gyvybingas, bet leisti kompiuteriui imituoti daugybę galimų variantų". Šis kombinuotas požiūris gali filtruoti perspektyvias kompozicijas, siekiant sukurti pagrįstų teorinių kandidatų rinkinį, kurį vėliau galima sistemingai ištirti. Tai žymiai susiaurina dalykus, palyginti su tradiciniais bandymų ir klaidų metodais. "Iš esmės šis metodas nėra susijęs tik su magnetinėmis savybėmis, bet gali būti taikomas ir kitoms medžiagoms", - sako M. Mölleris.

Kompiuteriui atlikti reikia tik riboto kiekio informacijos: tik magnetinės medžiagos kristalinė struktūra ir jame esantys cheminiai elementai. "Visa kita priklauso nuo fizinio konteksto, " aiškina Möller. Kritiškos struktūros atveju mokslininkai naudoja kristalines groteles, kuriose tik vienas iš keturiolikos atomų yra retųjų žemių metalų elementas, atitinkantis tik septynis procentus. Komanda patikrino, kaip sėkmingai imituojant naudojamos žinomos magnetinės medžiagos. Sėkmingai atpažindami žinomas tokių medžiagų savybes, jie parodė, kad modeliavimas gali sėkmingai prognozuoti naujų medžiagų magnetizmą. Tačiau lygiai taip pat svarbu yra magnetinė anizotropijos konstanta. Ši reikšmė yra tai, kaip paprasta ar sunku pakeisti magnetinės medžiagos poliškumą magnetiniu lauku. "Galimybė prognozuoti šią vertę yra milžiniškas iššūkis kompiuterinės magnetinės medžiagos mokslui, - sako Möller. Tačiau mokslininkai gali apskaičiuoti pusiau kiekybinę vertę; kitaip tariant, modeliavimas gali sistemingai prognozuoti magnetinės anizotropijos vertę, kuri yra kokybiškai, o ne kiekybiškai tiksli. Pavyzdžiui, modeliavimas gali parodyti, kad medžiaga X gali išlaikyti magnetinius laukus septynis kartus stipresnė nei medžiaga Y.

Mašinos mokymas užpildo spragas

Dabar komanda gali panaudoti savo duomenis apie magnetines medžiagų savybes tolesniame ir didesniame žingsnyje. "Modeliavimas suteikia mums kelis tūkstančius iki dešimties tūkstančių kandidatų. Tačiau yra milijonų ar net milijardų potencialių elementinių kompozicijų ir derinių", - aiškina Möller. "Naudojant mašininio mokymosi metodus, mes galime užpildyti dideles spragas tarp modeliuojamų ir teorinių skaičių". Tyrėjai taip pat gali pakeisti procesą medžiagų optimizavimui. Norėdami tai padaryti, jie nurodo būtiniausius medžiagos, pvz., Magnetinės stiprio ar anizotropijos reikalavimus, kartu su cheminiais elementais, kuriuos jie tikisi panaudoti, pavyzdžiui, nurodydami, kad "naudok pigius varinius, o ne retus ir brangius kobaltus". Optimizavimo algoritmas tada suteikia geriausią įmanomą medžiagos elementinę sudėtį, naudojant medžiagų modelį, apskaičiuotą mašininio mokymosi būdu iš medžiagų duomenų.

Komanda sukūrė patogią interneto priemonę, kad programinė įranga būtų lengviau naudojama. Tai leidžia vartotojams įvesti tikslines savybes ir šaltinius. Tada įrankis pateikia informaciją apie magnetines savybes ir žaliavų kainas. Įgyvendintas optimizavimo algoritmas netrukus bus prieinamas.

menu
menu