Weichmagnetische Werkstoffe, also Werkstoffe, die sich leicht magnetisieren und entmagnetisieren lassen, spielen in Transformatoren, Generatoren und Motoren eine wesentliche Rolle. Die Fähigkeit eines magnetischen Materials, einem externen Magnetfeld zu widerstehen, ohne seine Magnetisierung zu ändern, wird als „Koerzitivkraft“ bezeichnet, eine Eigenschaft, die eng mit dem Energieverlust verbunden ist. In Anwendungen wie Elektroautos sind Materialien mit niedriger Koerzitivfeldstärke sehr wünschenswert, um eine höhere Energieeffizienz zu erreichen.
Koerzitivkraft und andere magnetische Phänomene, die mit Energieverlusten in weichmagnetischen Materialien verbunden sind, stammen jedoch aus sehr komplexen Wechselwirkungen. Die übliche Analyse im Makromaßstab leidet unter einer zu starken Vereinfachung der Materialstruktur und benötigt oft zusätzliche Parameter, um die Theorie an das Experiment anzupassen. Obwohl die Tools und Frameworks zur Analyse der Koerzitivfeldstärke weithin verfügbar sind, berücksichtigen sie bisher meist nicht direkt die Defekte und Grenzen im Material, was für die Entwicklung neuer Anwendungen von grundlegender Bedeutung ist.
Vor diesem Hintergrund hat ein Forschungsteam mit Prof. Masato Kotsugi von der Tokyo University of Science (TUS), Japan, kürzlich einen neuen Ansatz entwickelt, um die mikroskaligen Eigenschaften mit einer makroskopischen physikalischen Eigenschaft, der Koerzitivkraft, zu verbinden, indem eine Kombination aus Datenwissenschaft und maschinellem Lernen verwendet wird , und eine Erweiterung des GL-Modells. Diese Studie unter der Leitung von Dr. Alexandre Lira Foggiatto von der TUS wurde in veröffentlicht Kommunikationsphysik.
Das Team wollte einen Weg finden, die Koerzitivkraftanalyse magnetischer Materialien zu automatisieren und gleichzeitig ihre mikrostrukturellen Eigenschaften zu berücksichtigen. Dazu sammelten sie zunächst Daten für simulierte und reale magnetische Materialien in Form von mikroskopischen Aufnahmen ihrer magnetischen Domänen.
Die Bilder wurden nach der Vorverarbeitung als Eingabe für eine maschinelle Lerntechnik namens Hauptkomponentenanalyse (PCA) verwendet, die üblicherweise zur Analyse großer Datensätze verwendet wird. Durch PCA verdichtete das Team die relevantesten Informationen (Merkmale) in diesen vorverarbeiteten Bildern zu einem zweidimensionalen „Merkmalsraum“.
Dieser Ansatz, kombiniert mit anderen maschinellen Lerntechniken wie künstlichen neuronalen Netzen, ermöglichte es den Forschern, eine realistische Energielandschaft der Magnetisierungsumkehr im Material innerhalb des Merkmalsraums zu visualisieren. Ein sorgfältiger Vergleich der Ergebnisse für experimentelle und simulierte Bilder zeigte, dass die vorgeschlagene Methodik eine geeignete Strategie für die aussagekräftige Kartierung der wichtigsten Merkmale des Materials darstellt.
„Die Beschreibung der Energielandschaft mithilfe von maschinellem Lernen zeigte gute Ergebnisse sowohl für experimentelle als auch für simulierte Daten. Beide hatten ähnliche Formen sowie ähnliche erklärende Variablen und Korrelationen zwischen ihnen“, bemerkt Dr. Foggiatto.
Insgesamt zeigt diese Studie, wie die Materialinformatik geschickt eingesetzt werden kann, um nicht nur zu automatisieren, sondern auch den physikalischen Ursprung der Koerzitivfeldstärke in weichmagnetischen Materialien zu klären. Mit etwas Glück wird es Materialwissenschaftlern und Physikern dabei helfen, neue physikalische Gesetze und Modelle abzuleiten, die über die Modelle und Rahmenbedingungen nach dem Stand der Technik hinausgehen.
Darüber hinaus gehen die Anwendungen dieser Strategie weit über die Koerzitivkraft hinaus, wie Dr. Foggiatto betont: „Unsere Methode kann auf andere Systeme zur Analyse von Eigenschaften wie Temperatur und Dehnung/Spannung sowie der Dynamik von Hochgeschwindigkeits-Magnetisierungsumkehrprozessen erweitert werden .“
Interessanterweise ist dies die zweite Studie, die Prof. Masato Kotsugi und seine Kollegen in Bezug auf das von ihnen entwickelte erweiterte Landau-Freie-Energie-Modell veröffentlicht haben. Sie hoffen, dass ihre Funktionsanalysemodelle in naher Zukunft dazu beitragen werden, einen hohen Wirkungsgrad in Elektromotoren von Elektroautos zu erreichen und den Weg zu einem nachhaltigeren Transport zu ebnen.
Mehr Informationen:
Alexandre Lira Foggiatto et al, Feature erweitertes Energielandschaftsmodell zur Interpretation des Koerzitivkraftmechanismus, Kommunikationsphysik (2022). DOI: 10.1038/s42005-022-01054-3