Wetenschappers hebben een zinvolle benadering ontwikkeld om te analyseren hoe de microstructuur van een materiaal zich verhoudt tot zijn macroscopische fysieke eigenschappen.

Coërciviteit is een fysieke eigenschap van magnetische materialen die van groot belang is bij het optimaliseren van energie-efficiëntie in verschillende toepassingen, zoals elektromotoren. Het is echter moeilijk te analyseren met behulp van de momenteel beschikbare theorieën, omdat ze de defecten van het materiaal en andere soorten inhomogeniteiten niet kunnen verklaren. Om dit aan te pakken, combineerden wetenschappers datawetenschap, materiaalinformatica en een uitbreiding van het Ginzburg-Landau-model om uit te leggen hoe dwang ontstaat uit microstructuren in magnetische materialen.

Zachtmagnetische materialen, dat wil zeggen materialen die gemakkelijk kunnen worden gemagnetiseerd en gedemagnetiseerd, spelen een essentiële rol in transformatoren, generatoren en motoren. Het vermogen van een magnetisch materiaal om weerstand te bieden aan een extern magnetisch veld zonder de magnetisering ervan te veranderen, staat bekend als 'coërciviteit', een eigenschap die nauw verband houdt met het energieverlies. In toepassingen zoals elektrische auto's zijn materialen met een lage coërciviteit zeer wenselijk om een ​​hogere energie-efficiëntie te bereiken.

Coërciviteit en andere magnetische verschijnselen die gepaard gaan met energieverliezen in zachtmagnetische materialen zijn echter het gevolg van zeer complexe interacties. De gebruikelijke analyse op macroschaal heeft te lijden onder een oversimplificatie van de structuur van het materiaal en ze hebben vaak extra parameters nodig om de theorie aan te passen aan het experiment. Hoewel de tools en kaders om dwang te analyseren tot nu toe algemeen beschikbaar zijn, houden ze meestal niet direct rekening met de defecten en grenzen in het materiaal, wat van fundamenteel belang is voor het ontwikkelen van nieuwe toepassingen. 

Tegen deze achtergrond heeft een onderzoeksteam, waaronder prof. Masato Kotsugi van Tokyo University of Science (TUS), Japan, onlangs een nieuwe benadering ontwikkeld om de kenmerken op microschaal te verbinden met een macroscopische fysieke eigenschap, dwang, met behulp van een combinatie van datawetenschap, machine learning , en een uitbreiding van het GL-model. Deze studie, geleid door Dr. Alexandre Lira Foggiatto van TUS, is op 8 november 2022 gepubliceerd in Communications Physics.

Het team probeerde een manier te vinden om de coërciviteitsanalyse van magnetische materialen te automatiseren, rekening houdend met hun microstructurele kenmerken. Daartoe verzamelden ze eerst gegevens voor zowel gesimuleerde als echte magnetische materialen in de vorm van microscopische beelden van hun magnetische domeinen. De afbeeldingen werden, na voorbewerking, gebruikt als input voor een machine learning-techniek genaamd principal component analysis (PCA), die vaak wordt gebruikt om grote datasets te analyseren. Door middel van PCA heeft het team de meest relevante informatie (kenmerken) in deze voorbewerkte afbeeldingen gecomprimeerd tot een tweedimensionale 'kenmerkruimte'. 

Deze aanpak, gecombineerd met andere machine learning-technieken, zoals kunstmatige neurale netwerken, stelde de onderzoekers in staat om een ​​realistisch energielandschap van magnetisatie-omkering in het materiaal binnen de kenmerkruimte te visualiseren. Een zorgvuldige vergelijking van de resultaten voor experimentele en gesimuleerde beelden toonde aan dat de voorgestelde methodologie een handige strategie is om de belangrijkste kenmerken van het materiaal op een zinvolle manier in kaart te brengen. 

“Het beschrijven van het energielandschap met behulp van machine learning leverde goede resultaten op voor zowel experimentele als gesimuleerde data. Beiden hadden vergelijkbare vormen en vergelijkbare verklarende variabelen en correlaties daartussen”, merkt Dr. Foggiatto op.

Over het algemeen laat deze studie zien hoe materiaalinformatica slim kan worden gebruikt om niet alleen de fysieke oorsprong van dwang in zachtmagnetische materialen te automatiseren, maar ook te verduidelijken. Met een beetje geluk zal het materiaalwetenschappers en natuurkundigen helpen nieuwe natuurkundige wetten en modellen af ​​te leiden die verder gaan dan de state-of-the-art modellen en kaders. Bovendien gaan de toepassingen van deze strategie veel verder dan dwang, zoals Dr. Foggiatto benadrukt: “Onze methode kan worden uitgebreid naar andere systemen voor het analyseren van eigenschappen zoals temperatuur en rek/spanning, evenals de dynamiek van snelle magnetisatie-omkeerprocessen. .”

Interessant is dat dit de tweede studie is die prof. Masato Kotsugi en zijn collega's hebben gepubliceerd met betrekking tot het uitgebreide Landau-vrije-energiemodel dat ze aan het ontwikkelen zijn. Ze hopen dat hun functionele analysemodellen in de nabije toekomst zullen helpen bij het bereiken van een hoog rendement in elektrische automotoren, wat de weg vrijmaakt voor duurzamer transport. 

Referentie

Titel van het originele artikel: Feature Extended Energy Landscape Model for Interpreting Coërcivity Mechanism. Tijdschrift: Communicatiefysica. 

Financieringsinformatie

Deze studie werd gedeeltelijk ondersteund door JSPS Grant-in-Aid for Scientific Research (A) nummer 21H04656.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://www.logisticsit.com/articles/2022/12/06/making-sense-of-coercivity-in-magnetic-materials-with-machine-learning