Beschreibung
Hochleistungsmagnete spielen eine Schlüsselrolle bei grünen Technologien. Beispiele sind die nachhaltiger Energieerzeugung und der umweltfreundliche Verkehr. Um das klimapolitische Ziel von zwei Grad zu erreichen, ist eine schnelle Elektrifizierung des Antriebsstrangs erforderlich. Dadurch steigt die Nachfrage nach kritischen Materialien. Der durchschnittliche jährliche Neodymbedarf für Energietechnologien, Autos und Geräte wird sich zwischen 2015 und 2050 voraussichtlich verachtfachen. Neodym und schwere Seltenerdelemente wie Terbium und Dysprosium sind für den Einsatz von Permanentmagneten bei hohen Temperaturen wichtig. Um dem Versorgungsrisiko von Seltenerdelementen zu begegnen, werden Magnete ohne Terbium und Dysprosium und mit einem reduziertem Neodymgehalt entwickelt. Das erfordert neue Strategien beim Materialdesign. In diesem Projekt werden maschinelle Lernmethoden entwickelt, die das Magnetdesign durch die Integration physikalischer Modelle über alle relevanten Längenskalen unterstützt. Die Materialoptimierung kann unter Berücksichtigung der Rohstoffkosten erfolgen. In diesem Projekt werden eine weltweit führende Forschungsgruppe für Computersimulation und ein globaler Automobilhersteller zusammenarbeiten. Für die Simulation von magnetischen Materialien auf verschiedenen Längenskalen wurde hervorragende Software entwickelt. Der Antragsteller ist Autor einer mikromagnetischen Software, die Magnetisierungsprozesse auf mesoskopischer Ebene behandelt. Sie wird weltweit von Universitäten, Forschungseinrichtungen und Unternehmen für Magnetdatenspeicher, Magnetsensoren und die Entwicklung dauermagnetischer Materialien eingesetzt. Die Simulation von magnetischen Materialien ressourcenintensiv. Die Problemgröße ist begrenzt und die Simulationen sind zeitaufwendig. Daher wird eine numerische Optimierung, die die Materialeigenschaften auf unterschiedlichen Längen berücksichtigt, kaum angewendet. Maschinenlerntechniken können die Längenskalen überbrücken. Nach dem Training sind maschinelle Lernmodelle schnell und können für die Optimierung mehrerer Parameter verwendet werden. Eine hohe Magnetisierung und eine hohe magnetokristalline Anisotropie sind wesentliche Voraussetzungen für ein Permanentmagnetmaterial. Wir werden ein maschinelles Lernmodell erstellen, das die chemische Zusammensetzung auf Magnetisierung und Anisotropie abbildet. Das sind Eingangsparameter für mikromagnetische Simulationen mit deren Hilfe die Koerzitivfelder von Kern-Schale-Körnern auf massiv-paralleler Hardware berechnet werden. Damit wird eine Gradient-Boost-Regressor trainiert, der das Koerzitivfeld eines Korns wird mit dessen Geometrie und dessen Seltenerdgehalt verknüpft. Das Einzelkornmodell ist der Baustein eines Modells reduzierter Ordnung für die Ummagnetisierung, das magnetische Wechselwirkungen zwischen den Körnern des Magneten berücksichtigt. Eine weitere Beschleunigung der Berechnung von Magnetisierungskurven wird durch ein neuronales Netzwerkmodell für die Domänenentwicklung im latenten Raum erreicht. Zum Test des Modells werden Simulationsergebnisse mit gemessenen Umkehrkurvendiagrammen erster Ordnung verglichen werden. Durch coarse-graining wird ein effektiven Permeabilitätstensor bestimmt. Dieser wird in einem quasistatischen Maxwell-Löser eingesetzt. Auf der Makroskala wird ein neuronales Netz zur schnellen Magnetfeldschätzung entwickelt. Die vorgeschlagene Methodik gibt ein zweifaches Optimierungspotenzial: Auf mikroskopischer Ebene werden die chemische Zusammensetzung und die Geometrie eines Kern-Schale-Korns optimiert. Auf der Geräteebene ordnet die Multimaterialoptimierung hochkoerzitive (und teure) Materialien nur den Regionen zu, die starken Entmagnetisierungsfeldern ausgesetzt sind.
Details
Projektzeitraum | 01.09.2020 - 31.08.2027 |
---|---|
Fördergeber | Private (Stiftungen, Vereine etc.) |
Förderprogramm |
![]() ![]() ![]() |
Department | |
Projektverantwortung (Universität für Weiterbildung Krems) | Univ.-Doz.Dipl.-Ing.Dr. Thomas Schrefl |
Publikationen
Luca, S.; Fischbacher, J.; Flament, C.; Sedek, R.; de Rango, P.; Gomez Eslava, G.; Schrefl, T. (2025). Microstructure and magnetic properties of the Cu-rich Nd(Fe,Mo)12 strip cast flakes. Journal of Alloys and Compounds, 1010: 178039
Sandoval, C.; Miguel, A.; Jurczyk, J.; Skoric, L.; Sanz-Hernández, D.; Leo, N.; Kovacs, A.; Schrefl, T.; Hierro-Rodríguez, A.; Fernández-Pacheco, A. (2025). Remote-sensing based control of 3D magnetic fields using machine learning for in operando applications. Journal of Applied Physics, Vol. 137, no 11: 113905-1 - 113905-7
Ali, Q.; Fischbacher, J.; Kovacs, A.; Özelt, H.; Gusenbauer, M.; Moustafa, H.; Böhm, D.; Breth, L.; Schrefl, T. (2024). Defect manipulation for the coercivity enhancement of Nd-Fe-B permanent magnets. Physica B: Condensed Matter, Vol. 678: 415759
Kovacs, A.; Exl, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Schrefl, T. (2024). Image-based prediction and optimization of hysteresis properties of nanocrystalline permanent magnets using deep learning. Journal of Magnetism and Magnetic Materials, Vol. 596: 171937
de Moraes, I. G.; Fischbacher, J.; Hong, Y.; Naud, C.; Okuno, H.; Masseboeuf, A.; Devillers, T.; Schrefl, T.; Dempsey, N. M. (2024). Nanofabrication, characterisation and modelling of soft-in-hard FeCo–FePt magnetic nanocomposites. Acta Materialia, Vol. 274: 119970
Kovacs, A.; Fischbacher, J.; Oezelt, H.; Kornell, A.; Ali, Q.; Gusenbauer, M.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Hong, Y.; Grenier, S.; Devillers, T.; Dempsey, N. M.; Fukushima, T.; Akai, H.; Kawashima, N.; Miyake, T.; Schrefl, T. (2023). Physics-Informed Machine Learning Combining Experiment and Simulation for the Design of Neodymium-Iron-Boron Permanent Magnets with Reduced Critical-Elements Content. Frontiers in Materials 2023, Vol. 9: 1-19
Okabe, R.; Li, M.; Iwasaki, Y.; Regnault N.; Felser, C.; Shirai, M.; Kovacs, A.; Schrefl, T.; Hirohata, A. (2023). Materials Informatics for the Development and Discovery of Future Magnetic Materials. IEEE Magnetics Letters, vol. 14: 1-5
Schaffer, S.; Schrefl, T.; Oezelt, H.; Kovacs, A.; Breth, L.; Mauser, N.J.; Suess, D.; Exl, L. (2023). Physics-informed machine learning and stray field computation with application to micromagnetic energy minimization. Journal of Magnetism and Magnetic Materials, 576: 170761
Ali, Q.; Fischbacher, J.; Kovacs, A.; Oezelt, H.; Gusenbauer, M.; Schrefl, T. (2023). Tuning the coercivity of permanent magnets by the combined effect of field angle and defect thickness. In: IEEE, proceedings in 2023 IEEE International Magnetic Conference - Short Papers (INTERMAG Short Papers): 1-2, IEEE, Sendai, Japan
Ali, Q.; Fischbacher, J.; Kovacs, A.; Oezelt, H.; Gusenbauer, M.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Schrefl, T. (2023). Benchmarking for systematic coarse-grained micromagnetics. In: HMM, proceedings in 13th International Symposium on Hysteresis Modeling and Micromagnetics (HMM 2023): 1, HMM, WIen
Wager, C.; Kovacs, A.; Schrefl, T. (2023). Active Learning Scheme vs Conventional Optimization - developing a Python Framework. In: HMM, proceedings in 13th International Symposium on Hysteresis Modeling and Micromagnetics (HMM 2023): 1, HMM, Wien
Ali, Q.; Fischbacher, J.; Kovacs, A.; Oezelt, H.; Gusenbauer, M.; Moustafa, H.; Böhm, D.; Breth, L.; Schrefl, T. (2023). Defect Manipulation for the Coercivity Enhancement of Nd-Fe-B Permanent Magnets. SSRN, 2023: 4628986, Elesevier
Breth, L.; Fischbacher, J.; Kovacs, A.; Oezelt, H.; Schrefl, T.; Czettl, C.; Kuehrer, S.; Pachlhofer, J.; Schwarz, M.; Weirather, T.; Brueckl, H. (2023). Structural and micromagnetic modeling of the magnetic binder phase in WC-Co cemented carbides. IEEE International Magnetic Conference - Short Papers, 2023: https://doi.org/10.1109/INTERMAGShortPapers58606.2023.10304872
Heistracher, P.; Abert, C.; Bruckner, F.; Schrefl, T.; Suess, D. (2022). Proposal for a micromagnetic standard problem: domain wall pinning at phase boundaries. Journal of Magnetism and Magnetic Materials, Vol. 548: 168875
Kovacs, A.; Exl, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Schrefl, T. (2022). Conditional physics informed neural networks. Communications in Nonlinear Science and Numerical Simulation, Vol. 104: 106041
Kovacs, A.; Exlc, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Praetorius, D.; Suess, D.; Schrefl, T. (2022). Magnetostatics and micromagnetics with physics informed neural networks. Journal of Magnetism and Magnetic Materials, Vol. 548: 168951
Mohapatra, J.; Fischbacher, J.; Gusenbauer, M.; Xing, M. Y.; Elkins, J.; Schrefl, T.; Liu, J. P. (2022). Coercivity limits in nanoscale ferromagnets. Phys. Rev. B, Vol. 105, Iss. 21: 214431
Oezelt, H.; Qu, L.; Kovacs, A.; Fischbacher, J.; Gusenbauer, M.; Beigelbeck, R.; Praetorius, D.; Yano, M.; Shoji, T.; Kato, A.; Chantrell, R.; Winklhofer, M.; Zimanyi, G.; Schrefl, T. (2022). Full- Spin-Wave-Scaled Stochastic Micromagnetism for Mesh-Independent Simulations of Ferromagnetic Resonance and Reversal. npj Computational Materials, Vol. 8: 35
Exl, L.; Mauser, N. J.; Schaffer, S.; Schrefl, T.; Suess, D.; (2021). Prediction of magnetization dynamics in a reduced dimensional feature space setting utilizing a low-rank kernel method. JOURNAL OF COMPUTATIONAL PHYSICS, 444: 110586
Vorträge
Optimization of Coercivity and Price of a Permanent Magnet considering the Microstructure
16th Joint MMM-Intermag Conference, 15.01.2025
Defect tailored Nd-Fe-B permanent magnets with improved coercivity
MSE 2024, 24.09.2024
Materials informatics for permanent magnet optimization
Frontiers in Magnetism: Magnetic Materials and Motors for Green Energy Applications, 16.09.2024
Inverse design of permanent magnets
32nd International Materials Research Congress, 19.08.2024
Machine learning Aids high Throughput Material Characterization
CIMTEC 2024, 23.06.2024
Artificial intelligence for magnetic materials design
9th INTERNATIONAL CONFERENCE on SUPERCONDUCTIVITY and MAGNETISM, 30.04.2024
The basics of micromagnetic simulations, Applications of micromagnetism, Machine learing in magnetic materials design
9th Spring School and Educational Courses in ICSM 2024, 25.04.2024
MATERIALS INFORMATICS FOR PERMANENT MAGNET DESIGN
The 4th DXMaG Seminar, 06.12.2023
Materials informatics for permanent magnet design
Materials Innovation Strategy Symposium 2023, 05.12.2023
Modelling Magnets: From Atoms to Bulk Properties
Biomagnetic Sensing Seminar, 16.11.2023
Spotting the next big idea
68th Annual Conference on Magnetism and Magnetic Materials, 02.11.2023
Talking about magnets – information retrieval with large language models
68th Annual Conference on Magnetism and Magnetic Materials, 31.10.2023
Active Learning Scheme vs Conventional Optimization - developing a Python Framework
13th International Symposium on Hysteresis Modeling and Micromagnetics (HMM 2023), 05.06.2023
Benchmarking for systematic coarse-grained micromagnetics
13th International Symposium on Hysteresis Modeling and Micromagnetics (HMM 2023), 05.06.2023
Tuning the coercivity of permanent magnets by the combined effect of field angle and defect thickness
IEEE International Magnetics Conference INTERMAG 2023, 19.05.2023
Physics Informed Machine Learning for Permanent Magnet Design
IEEE International Magnetics Conference INTERMAG 2023, 18.05.2023
Magnetic Hardening of Neodymium-lean Permanent Magnets by Local Replacement of Grains by High Anisotropy Phases
Intermag 2023, 16.05.2023
Generative deep learning for permanent magnet microstructures
67th Annual Conference on Magnetism and Magnetic Materials (MMM 2022), 03.11.2022
Reduced Order Model for Large Multigrain Systems
67th Annual Conference on Magnetism and Magnetic Materials (MMM 2022), 03.11.2022
From chemical composition and temperature to micromagnetic anisotropy and vice-versa
67th Annual Conference on Magnetism and Magnetic Materials (MMM 2022), 02.11.2022
Materials Informatics for the Design of Rare-Earth Reduced Permanent Magnets
Magnetic Materials and Applications 22, 26.10.2022
Description of collective magnetization processes with machine learning models
CMAM 2022, 31.08.2022
Machine Learning Analysis of Multiphase Magnetic Microstructures
CIMTEC 2022, 23.06.2022
Physics informed neural networks for computational magnetism
MMM-Intermag 2022, 10.01.2022
Inverse design of Nd-substituted permanent magnets
Physics and the green economy, 25.11.2021
Machine learning, micromagnetics and magnet design
University of York, Computational Magnetism, 02.12.2020