Dauermagnete sind ein wichtiger Baustein unserer modernen Gesellschaft. Anwendungsgebiete umfassen den umweltfreundlichen Verkehr, Wasser- und Windkraft. Ein vielversprechendes magnetisches Material ist MnAl-C. Obwohl es keine ferromagnetischen Elemente wie Eisen, Nickel oder Kobalt enthält, ist die sogenannte tau Phase auch bei hohen Temperaturen ferromagnetisch und zeigt all jene Eigenschaften, die Voraussetzungen für einen hochleistungsfähigen Permanentmagnet sind. Tau-MnAl-C enthält keine kritischen Elemente, weshalb ihre längerfristige Anwendung umweltfreundlich ist - in starkem Gegensatz zu seltenerdhaltigen Magneten wie z.B. Nd-Fe-B. Des Weiteren hat tau-MnAl-C eine niedrige Dichte, die für Anwendungen in Transport und Luftfahrt von Vorteil ist.
In diesem Projekt wird ein neuartiger Ansatz benutzt, der hochmoderne Charakterisierung mit hochmoderner Computersimulation kombiniert, um quantitative Aussagen zum Einfluss von Grenzflächen auf Ummagnetisierungsprozesse in tau-MnAl-C zu erhalten.

Aktuell

07.07.2020: Die Forschungsergebnisse über das extrahieren von lokalen Nukleationsfeldern in Permanentmagneten mittels maschinellem Lernen konnte im Nature Partner Journal Computational Materials veröffentlicht werden (https://doi.org/10.1038/s41524-020-00361-z). Außerdem wurden die erfolgreiche Projektarbeit mit einem eingeladenen Vortrag auf dem Kongress: International Workshop on Rare-Earth and Future Permanent Magnets and their Applications (REPM2020, https://sites.udel.edu/repm2020/) in Baltimore honoriert.

Lokale Nukleationsfelder: (a) wahres Ergebnis, (b) Vorhersage, (c) absolute Abweichung


Ein Beitrag wurde eingereicht für die Konferenz: Magnetism and Magnetic Materials (MMM2020, https://magnetism.org/), die von 2. bis 6. November 2020, ursprünglich geplant in Florida, in virtueller Form stattfinden wird.

„Macromagnetic Simulations by Micromagnetic Superposition

Micromagnetic simulations are typically limited to a few micrometers due to the high demand on computing resources. But in applications and experiments the specimen size is usually orders of magnitude larger. While the micromagnetic simulations reproduce trends nicely, the absolute value of the results differ from the experiments [1]. Often the size limitation in the simulations is the reason for this deviation. Normally this is overcome either by artificial scaling [2] or by a reduced-order model [3]. In this work we introduce a type of reduced-order model to bridge the length scale from micromagnetism to experiments. In contrast to the work of Blank [4], we also consider the microstructural features of the magnet. We subdivide the computation of a large sample, e.g. from experimental measurements, into multiple independent feasible-sized subsets. For each subset, the nucleation field is either calculated by micromagnetic simulation or predicted by a trained machine learning model [5] (Fig. 1). The subsets along with their microstructure and nucleation fields are fed into a newly developed python code to spatially reassemble the entire sample and compute the overall hysteresis (Fig. 2). To take the microstructure into account, each subset is further discretized in cubic elements with their own anisotropic easy axis. In each calculation step, the magnetostatic field and the exchange field of the entire sample is calculated based on the magnetic moments of these elements. The two field contributions and an increasing external field are summed up to a total field. Taking this total field into account, we compute the reversible rotations with the Stoner-Wohlfarth model and use the prestored nucleation fields to irreversibly switch the respective subset.

We gratefully acknowledge the financial support of the Austrian ScienceFund (FWF), Project: I 3288-N36 and the German Research Foundation (DFG), Project: 326646134.

References:
[1] X. Tang, et al., Acta Mater. 144, 884-895 (2018)
[2] S. Bance, et al., Acta Mater. 131, 48-56 (2017)
[3] L. Exl, et al., J. Phys. Mater. 2, 014001 (2019)
[4] R. Blank, J. Magn. Magn. Mater. 101, 1-3, 317-322 (1991)
[5] M. Gusenbauer, et al., accepted npj Comput. Mater., (2020)”

 


Am 12.05.2020 fand das in Krems geplante Projektmeeting auf Grund des Corona bedingten Reiseverbots online statt. Wichtige Punkte für den erfolgreichen Projektabschluss konnten erarbeitet werden. Außerdem wurde eine Publikation im Nature Partner Journal Computational Materials finalisiert. Abschließendes Thema war ein gemeinsamer Projektantrag für die Fortführung der Forschungskooperation. Wir haben uns auf ein Konzept geeinigt, welches, aufbauend von den bisherigen Erkenntnissen von MnAl-C, auch andere magnetischen Materialien untersuchen lässt.


Am 01.10.2019 fand das nächste Projektmeeting in Dresden statt. Teilnehmende Personen waren wieder Dr. Thomas G. Woodcock und Panpan Zhao vom IFW Dresden, und Dr. Markus Gusenbauer, Dr. Thomas Schrefl und Harald Özelt von der Donau-Universität Krems. Wir konnten uns ein aktuelles Bild über den genauen Status des Projekts machen. Außerdem wurden einige vielversprechende Ideen gesammelt für eine Fortführung der Zusammenarbeit nach Projektende im September 2020.


15.09.2019: Eine Projekt-Publikation mit dem Titel: “Automated meshing of electron backscatter diffraction data and application to finite element micromagnetics” wurde im Journal of Magnetism and Magnetic Materials veröffentlicht (https://doi.org/10.1016/j.jmmm.2019.165256).


Am 20.09 2018 fand ein Projektmeeting in Krems statt. Teilnehmende Personen waren Dr. Thomas G. Woodcock und Panpan Zhao vom IFW Dresden, und Dr. Markus Gusenbauer, Dr. Thomas Schrefl und Harald Özelt von der Donau-Universität Krems. Der Austausch von bisherigen Forschungsergebnissen war äußerst aufschlussreich um die nächsten Projektziele zu definieren. Es wurde ein Arbeitsplan erstellt für 3 gemeinsame Publikationen, die im nächsten Projektjahr umgesetzt werden sollen.


Ein Beitrag wurde eingereicht bei der Joint European Magnetic Symposia (JEMS) 2019 Konferenz, die vom 26. – 30. August 2019 in Uppsala stattfinden wird (https://jems2019.se).