Les scientifiques ont développé une approche significative pour analyser la relation entre la microstructure d'un matériau et ses propriétés physiques macroscopiques.

La coercivité est une propriété physique des matériaux magnétiques qui a beaucoup d'importance dans l'optimisation de l'efficacité énergétique dans diverses applications, telles que les moteurs électriques. Cependant, il est difficile d'analyser à l'aide des théories actuellement disponibles, car elles ne peuvent pas rendre compte des défauts du matériau et d'autres types d'inhomogénéités. Pour résoudre ce problème, les scientifiques ont combiné la science des données, l'informatique des matériaux et une extension du modèle Ginzburg-Landau pour expliquer comment la coercivité découle des microstructures dans les matériaux magnétiques.

Les matériaux magnétiques doux, c'est-à-dire les matériaux qui peuvent être facilement magnétisés et démagnétisés, jouent un rôle essentiel dans les transformateurs, les générateurs et les moteurs. La capacité d'un matériau magnétique à résister à un champ magnétique externe sans modifier son aimantation est connue sous le nom de « coercivité », une propriété étroitement liée à la perte d'énergie. Dans des applications telles que les voitures électriques, les matériaux à faible coercivité sont hautement souhaitables pour atteindre une efficacité énergétique plus élevée.

Cependant, la coercivité et d'autres phénomènes magnétiques associés aux pertes d'énergie dans les matériaux magnétiques doux proviennent d'interactions très complexes. L'analyse à grande échelle habituelle souffre d'une simplification excessive de la structure du matériau et nécessite souvent des paramètres supplémentaires pour ajuster la théorie à l'expérience. Jusqu'à présent, bien que les outils et les cadres d'analyse de la coercivité soient largement disponibles, ils ne considèrent généralement pas directement les défauts et les limites du matériau, ce qui est fondamental pour développer de nouvelles applications. 

Dans ce contexte, une équipe de recherche comprenant le professeur Masato Kotsugi de l'Université des sciences de Tokyo (TUS), au Japon, a récemment développé une nouvelle approche pour relier les caractéristiques à l'échelle microscopique à une propriété physique macroscopique, la coercivité, en utilisant une combinaison de science des données, d'apprentissage automatique , et une extension du modèle GL. Cette étude, dirigée par le Dr Alexandre Lira Foggiatto de TUS, a été publiée dans Communications Physics le 8 novembre 2022.

L'équipe visait à trouver un moyen d'automatiser l'analyse de coercivité des matériaux magnétiques tout en tenant compte de leurs caractéristiques microstructurales. À cette fin, ils ont d'abord recueilli des données pour les matériaux magnétiques simulés et réels sous la forme d'images microscopiques de leurs domaines magnétiques. Les images, après prétraitement, ont été utilisées comme données d'entrée pour une technique d'apprentissage automatique appelée analyse en composantes principales (ACP), qui est couramment utilisée pour analyser de grands ensembles de données. Grâce à l'ACP, l'équipe a condensé les informations les plus pertinentes (caractéristiques) de ces images prétraitées dans un « espace de caractéristiques » bidimensionnel. 

Cette approche, combinée à d'autres techniques d'apprentissage automatique, telles que les réseaux de neurones artificiels, a permis aux chercheurs de visualiser un paysage énergétique réaliste d'inversion de magnétisation dans le matériau dans l'espace des caractéristiques. Une comparaison minutieuse des résultats des images expérimentales et simulées a démontré que la méthodologie proposée était une stratégie pratique pour cartographier les caractéristiques les plus importantes du matériau de manière significative. 

« La description du paysage énergétique à l'aide de l'apprentissage automatique a montré de bons résultats pour les données expérimentales et simulées. Les deux partageaient des formes similaires ainsi que des variables explicatives similaires et des corrélations entre elles », remarque le Dr Foggiatto.

Dans l'ensemble, cette étude montre comment l'informatique des matériaux peut être intelligemment exploitée non seulement pour automatiser mais aussi pour clarifier l'origine physique de la coercivité dans les matériaux magnétiques doux. Avec un peu de chance, cela aidera les scientifiques et les physiciens des matériaux à dériver de nouvelles lois et modèles physiques pour aller au-delà des modèles et cadres de pointe. De plus, les applications de cette stratégie vont bien au-delà de la coercivité, comme le souligne le Dr Foggiatto : « Notre méthode peut être étendue à d'autres systèmes pour analyser des propriétés telles que la température et la déformation/contrainte, ainsi que la dynamique des processus d'inversion d'aimantation à grande vitesse. .”

Il est intéressant de noter qu'il s'agit de la deuxième étude que le professeur Masato Kotsugi et ses collègues ont publiée en relation avec le modèle étendu d'énergie libre de Landau qu'ils développent. Ils espèrent que, dans un avenir proche, leurs modèles d'analyse fonctionnelle permettront d'atteindre une efficacité élevée dans les moteurs de voitures électriques, ouvrant la voie à un transport plus durable. 

Référence

Titre de l'article original : Feature Extended Energy Landscape Model for Interpreting Coercivity Mechanism. Journal : Physique des communications. 

Informations sur le financement

Cette étude a été en partie financée par le JSPS Grant-in-Aid for Scientific Research (A) numéro 21H04656.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
• La source: https://www.logisticsit.com/articles/2022/12/06/making-sense-of-coercivity-in-magnetic-materials-with-machine-learning