Wie lassen sich Dauermagnete für Elektromotoren und Windkraftanlagen leistungsfähig halten und zugleich ressourcenschonender herstellen? Im Forschungsprojekt DataMag hat das Department für Integrierte Sensorsysteme der Universität für Weiterbildung Krems gemeinsam mit dem Institut Néel in Grenoble neue Wege für das Magnetdesign entwickelt. Simulationen und künstliche Intelligenz zeigen, welche Strukturen im Inneren eines Magneten besonders vielversprechend sind.
Dauermagnete stecken in vielen Technologien der Energiewende. Besonders leistungsfähige Varianten enthalten häufig Neodym und andere Seltene Erden. Diese Rohstoffe sind begehrt, ihre Gewinnung belastet die Umwelt und ihre Versorgung ist mit Risiken verbunden. Die Forschung sucht deshalb nach Magneten, die mit weniger kritischen Elementen auskommen, ohne an Leistungsfähigkeit zu verlieren.
Entscheidend ist dabei nicht allein die chemische Zusammensetzung. Auch die Anordnung winziger magnetischer Körner und die Beschaffenheit ihrer Grenzen beeinflussen, wie gut ein Magnet einer Entmagnetisierung widersteht. Das im Sommer abgeschlossene Projekt DataMag untersuchte, wie sich solche Strukturen gezielt gestalten lassen. Das Team der am Department für Integrierte Sensorsysteme unter Leitung von Harald Özelt entwickelte dafür Rechenmodelle und Verfahren des maschinellen Lernens. Forschende am französischen Institut Néel brachten ihre Expertise in der Herstellung und Untersuchung magnetischer Materialien ein.
Computersimulationen betrachten repräsentative Ausschnitte eines Magneten mit nur einigen Tausend dieser im Original milliardenfachen Körner. Das Department für Integrierte Sensorsysteme reduzierte mit seinem französischen Partner die dafür erforderliche enorme Rechenzeit durch ein neues KI-taugliches physikalisches Modell deutlich
Viele Varianten in kurzer Zeit untersuchen
Während ein echter Magnet aus Milliarden mikroskopisch kleiner Körner besteht, betrachten Computersimulationen repräsentative Ausschnitte mit einigen Tausend dieser Körner. Doch selbst deren komplexes Wechselspiel physikalisch zu berechnen, erfordert enorme Rechenzeit. Die Forschenden in Wiener Neustadt, Sitz des Departments für Integrierte Sensorsysteme, entwickelten zunächst ein vereinfachtes physikalisches Modell, mit dem sich größere Gefüge untersuchen und Daten für das Training einer künstlichen Intelligenz erzeugen lassen.
Anschließend trainierten sie ein sogenanntes graphenbasiertes neuronales Netz. Es bildet die Körner und ihre Verbindungen als Netzwerk ab. So kann es aus der Struktur eines Magneten auf zwei wichtige Eigenschaften schließen: seine Widerstandsfähigkeit gegen Entmagnetisierung und die Menge magnetischer Energie, die er speichern kann. In einer veröffentlichten Studie erreichte das Modell für diese beiden Vorhersagen Bestimmtheitsmaße von 96 beziehungsweise 98 Prozent. Nach dem Training benötigte es für mehr als 150 Teststrukturen insgesamt weniger als eine Sekunde; eine einzelne Berechnung mit dem vereinfachten physikalischen Modell dauerte im untersuchten Datensatz durchschnittlich 2,7 Stunden.
„Wir können heute sehr viel mehr mögliche Magnetstrukturen untersuchen und erkennen schneller, welche davon eine genauere Prüfung verdienen“, sagt Projektleiter Ing. Dr. Harald Özelt, MSc, der am Zentrum für Modellierung und Simulation des Departments forscht.
Die Grenzen der Vorhersage sichtbar machen
Schnelligkeit allein genügt beim Materialdesign nicht. Das Team entwickelte deshalb ein Verfahren, das auch die Unsicherheit der Vorhersagen der künstlichen Intelligenz abschätzt. Wenn sich eine neue Struktur stark von den Trainingsdaten unterscheidet, lässt sich ihre Prognose vorsichtiger beurteilen und gegebenenfalls mit einer physikalischen Simulation überprüfen. Das macht die Verbindung von KI und Simulation besonders nützlich: Das neuronale Netz hilft bei der schnellen Auswahl, das physikalische Modell bei der vertieften Analyse.
Die Berechnungen geben zudem Hinweise darauf, wie Korngröße, Kornform und Grenzschichten die Eigenschaften eines Magneten beeinflussen. Gemeinsam mit den experimentellen Arbeiten in Grenoble ist damit eine Grundlage entstanden, um neue Materialkombinationen gezielter zu entwickeln und zu prüfen. Bis zum serienreifen Industriemagneten mit geringerem Einsatz kritischer Rohstoffe liegt zwar noch ein Weg vor der Materialforschung, DataMag liefert dafür jedoch das entscheidende Werkzeug, um diese Suche deutlich zu beschleunigen und systematischer zu gestalten.
„Ziel unserer Forschung über das Projekt DataMag hinaus ist, die Leistung eines Magneten aus seiner inneren Struktur besser zu verstehen. So können wir gezielt nach Lösungen suchen, die weniger kritische Rohstoffe benötigen“, sagt Özelt.
Das Projekt
Data driven magnet design through combinatorial synthesis and micromagnetic graph networks (DataMag)
Laufzeit: März 2023 bis Juni 2026
Förderung: Österreichischer Wissenschaftsfonds FWF und französische Forschungsagentur ANR
Projektleitung an der Universität für Weiterbildung Krems: Harald Özelt, Zentrum für Modellierung und Simulation, Department für Integrierte Sensorsysteme
Projektpartner in Frankreich: Institut Néel, Grenoble
Rückfragen
Tags
