Beschreibung
Die Verringerung der Treibhausgasemissionen, insbesondere von CO2, hat auf der weltweiten Agenda oberste Priorität erlangt. Die Elektrifizierung des Verkehrs und erneuerbare Energien sind in hohem Maße auf Permanentmagnete angewiesen. Die Anpassung von Dauermagneten an die spezifischen Anforderungen einer Anwendung bei gleichzeitiger Reduzierung des Gehalts an kritischen Elementen ist für die notwendige Ausweitung grüner Technologien von entscheidender Bedeutung. Dieses Projekt zielt auf den Einsatz von datengesteuertem maschinellem Lernen ab, um das grundlegende Verständnis der Magnetisierungsumkehr zu verbessern und das inverse Design von magnetischen Materialien zu erleichtern. Obwohl sie bei der Entwicklung von Materialien für die magnetische Datenspeicherung und Spinelektronik eine wichtige Rolle spielen, sind mikromagnetische Simulationen kaum skalierbar, um Fragen der Entwicklung von Massenmaterialien zu beantworten. Eine alternative Methode für das inverse Design ist der Einsatz von datengesteuertem maschinellem Lernen. Durch Assimilation von Daten aus Hochdurchsatzmessungen an kombinatorischen gesputterten magnetischen Filmen und aus mikromagnetischen Graphennetzwerken werden Modelle erstellt, die Hystereseeigenschaften aus der chemischen Zusammensetzung, der Struktur und den Verarbeitungsbedingungen vorhersagen. Auf dem Gebiet der Strömungsdynamik und der Strukturmechanik wurde festgestellt, dass Graphennetzwerke die herkömmlichen Simulationen um Größenordnungen beschleunigen. Die Musterung der Filmstrukturen ergibt Inseln, die klein genug sind, um mit genauen mikromagnetischen Simulationen behandelt zu werden. Auf diese Weise können Daten aus Experimenten und Simulationen für die Erstellung robuster und zuverlässiger maschineller Lernmodelle verwendet werden. Das Projekt konzentriert sich auf die Anpassung der Eigenschaften von (Nd,Dy,La,Ce)FeB-Magneten mit stark reduziertem Nd- und Dy-Gehalt durch Änderung der chemischen Zusammensetzung und die Erforschung mehrphasiger Strukturen, die durch Korngrenzendiffusion erreicht werden.
Details
Projektzeitraum | 01.03.2023 - 31.03.2026 |
---|---|
Fördergeber | FWF |
Department | |
Projektverantwortung (Universität für Weiterbildung Krems) | Ing. Dr. Harald Özelt, MSc |
Projektmitarbeit |
Publikationen
Moustafa, H.; Kovacs, A.; Fischbacher, J.; Gusenbauer, M.; Ali, Q.; Breth, L.; Hong, Y.; Rigaut, W.; Devillers, T.; Dempsey, N. M.; Schrefl, T.; Özelt, H. (2024). Reduced Order Model for Hard Magnetic Films. AIP Advances, Vol. 14, iss. 2: 025001-1 bis 025001-5
Vorträge
Reduced order micromagnetics of permanent magnets
IEEE Advances in Magnetics 2025 (AIM 2025), 10.02.2025
Predicting Coercivity Across Scales: Graph Neural Networks for Magnetic Structures
21st International IGTE Symposium 2024, Graz, Austria, 18.09.2024
Graph Neural Networks to Predict Coercivity of Hard Magnetic Microstructures
Intermag 2024, 08.05.2024
Reduced Order Model for Hard Magnetic Films
68th Annual Conference on Magnetism and Magnetic Materials, 31.10.2023
Reduced Order Model for Hard Magnetic Films
MMM 2023, 31.10.2023